<![CDATA[Pertumbuhan transaksi e-commerce di Indonesia, khususnya pada platform Tokopedia, menghasilkan ulasan produk dalam jumlah besar yang mengandung opini konsumen. Analisis sentimen menjadi pendekatan untuk mengekstraksi dan mengklasifikasikan opini tersebut menjadi sentimen positif atau negatif secara otomatis. Penelitian ini bertujuan untuk mengevaluasi kinerja model IndoBERTweet yang di-fine-tune untuk klasifikasi sentimen ulasan produk Tokopedia, serta menganalisis pengaruh variasi preprocessing terhadap performa model. Dataset yang digunakan adalah PRDECT-ID yang berisi 5.399 ulasan produk berbahasa Indonesia. Penelitian dilakukan melalui dua tahap: pertama, pencarian hyperparameter optimal menggunakan strategi sequential search untuk learning rate, epoch, batch size, dan weight decay; kedua, evaluasi empat skenario preprocessing yaitu P1 (baseline), P2 (stopword removal saja), P3 (stemming saja), dan P4 (kombinasi stopword removal dan stemming). Hasil eksperimen menunjukkan konfigurasi hyperparameter optimal pada nilai learning rate 5e-5, epoch 3, batch size 32, dan weight decay 0,01, dengan Macro F1-Score sebesar 0,9777 pada skenario P1. Stemming hampir tidak memberikan pengaruh terhadap performa (selisih 0,18%), sedangkan stopword removal menggunakan daftar stopwords Sastrawi standar justru menurunkan performa secara signifikan sebesar 6,11% pada P2 dan 5,19% pada P4. Penurunan ini disebabkan oleh adanya kata-kata negasi dan adversatif (tidak, belum, tapi, namun) dalam daftar stopwords yang berperan kritis dalam menentukan polaritas sentimen. Penelitian ini menyimpulkan bahwa untuk task analisis sentimen Bahasa Indonesia menggunakan IndoBERTweet, preprocessing minimal sudah cukup untuk mencapai kinerja optimal, sedangkan stopword removal generic justru kontra-produktif.]]>
