OPTIMASI MODEL INDOBERTWEET DENGAN FOCAL LOSS UNTUK MENANGANI IMBALANCED DATA PADA KLASIFIKASI EMOSI TWITTER BERBAHASA INDONESIA

Media sosial seperti Twitter menjadi sumber data penting untuk memahami emosi publik, namun tantangan utama dalam klasifikasi emosi berbahasa Indonesia adalah distribusi kelas yang tidak seimbang (imbalanced data) sehingga model cenderung bias terhadap kelas mayoritas. Penelitian ini bertujuan membangun model klasifikasi emosi menggunakan IndoBERTweet, transformer yang dilatih khusus pada data Twitter Indonesia, dengan penerapan Focal Loss sebagai fungsi kerugian alternatif untuk mengatasi ketidakseimbangan tersebut. Dataset yang digunakan adalah Emotion Dataset from Indonesian Public Opinion yang berisi 7.080 tweet dengan enam kategori emosi (anger, fear, joy, love, sadness, dan neutral). Penelitian ini menguji empat skenario loss function, yaitu Cross-Entropy, Weighted Cross-Entropy, Focal Loss Gamma, dan Focal Loss Balanced, dengan evaluasi menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa Focal Loss balanced memberikan performa terbaik dengan F1-macro 79,7%, melampaui metode lain sekaligus mengungguli penelitian sebelumnya (CNN, LSTM, IndoBERT), sehingga penelitian ini berhasil mencapai state-of-the-art baru pada dataset benchmark klasifikasi emosi berbahasa Indonesia. Kata Kunci: klasifikasi emosi, IndoBERTweet, Focal Loss, imbalanced data, Twitter