Las calificaciones de calidad del servicio en aeropuertos encontradas en redes sociales como Airline Quality y Google Maps ofrecen información invaluable para que la administración de aeropuertos mejore la calidad de sus servicios. Sin embargo, actualmente existe una falta de investigación que analice estas reseñas de servicios aeroportuarios utilizando enfoques de análisis sentimental. Este estudio aplica modelos multiclase basados en Análisis Sentimental Basado en Aspectos para realizar un análisis exhaustivo de las reseñas de viajeros, en el cual los principales servicios aeroportuarios son etiquetados por sentimientos positivos, negativos y no existentes. También se presentan siete servicios aeroportuarios comúnmente utilizados en estudios previos. Posteriormente, se desarrollan, prueban y comparan varias arquitecturas de Aprendizaje Profundo y algoritmos de clasificación de Aprendizaje Automático utilizando datos recopilados de Twitter, Google Maps y Airline Quality, que abarcan la retroalimentación de los viajeros sobre la calidad del servicio en aeropuertos. Los resultados muestran que los algoritmos tradicionales de Aprendizaje Automático, como el algoritmo de Bosque Aleatorio, superan a los modelos de Aprendizaje Profundo en la predicción multiclase de la calidad del servicio en aeropuertos utilizando la retroalimentación de los viajeros. Los hallazgos de este estudio ofrecen justificaciones concretas para utilizar modelos de Aprendizaje Automático multiclase para comprender los sentimientos de los viajeros y, por lo tanto, identificar los servicios aeroportuarios que requieren mejoras.