OPTIMASI INDOBERTDENGANSMOTEUNTUKANALISISSTANCE DETECTIONKOMENTARTIKTOK: STUDIKASUSHOGIMINAYA

Kasus penetapan tersangka Hogi Minaya yang viral di TikTok memicu polarisasi opini publik, sehingga diperlukan pendekatan stance detection untuk mengidentifikasi keberpihakan komentar warganet, karena analisis sentimen konvensional rentan gagal mendeteksi sarkasme. Penelitian ini membangun model stance detection pada 3.970 komentar TikTok kasus Hogi Minaya menggunakan IndoBERT sebagai ekstraktor fitur kontekstual dan MLPClassifier sebagai model klasifikasi dua kelas: Kelas 0 (Support Hogi/Critical Police) dan Kelas 1 (Non-Support Hogi). Dataset mengalami ketidakseimbangan kelas dengan rasio ±6,80:1 (509 komentar Kelas 0, 3.461 komentar Kelas 1), sehingga diterapkan optimasi hyperparameter menggunakan GridSearchCV serta SMOTE pada ruang embedding IndoBERT. Pengujian pada 794 data uji dilakukan melalui tiga skenario: sebelum optimasi, setelah optimasi tanpa SMOTE, dan setelah penerapan SMOTE. Optimasi hyperparameter meningkatkan Accuracy dari 93,58% menjadi 93,83% dan Precision Kelas 0 dari 82,28% menjadi 89,55%, tetapi menurunkan Recall Kelas 0 dari 63,73% menjadi 58,82%. Setelah penerapan SMOTE, model menghasilkan Accuracy 93,07%, Precision Kelas 0 75,82%, Recall Kelas 0 67,65% (tertinggi di antara ketiga skenario), dan F1-Score Kelas 0 71,50%. Temuan ini menunjukkan optimasi hyperparameter saja belum mampu mengatasi ketidakseimbangan kelas, sedangkan SMOTE efektif meningkatkan kemampuan model mengenali kelas minoritas meskipun disertai penurunan Precision dan Accuracy. Model terbaik diimplementasikan dalam aplikasi web berbasis Streamlit sebagai sarana demonstrasi hasil penelitian.