<![CDATA[Ujaran kebencian dan bahasa ofensif di media sosial merupakan masalah serius yang membutuhkan deteksi otomatis yang akurat. Penelitian ini mengusulkan pendekatan hybrid yang menggabungkan model Robustly Optimised BERT Approach (RoBERTa) berbasis Twitter (cardiffnlp/twitter?roberta?base?offensive) sebagai ekstraktor fitur dengan algoritma XGBoost untuk klasifikasi pada dataset Hate Speech and Offensive Content Identification (HASOC) 2021 berbahasa Inggris. Kebaruan penelitian ini terletak pada integrasi optimasi hyperparameter Optuna, Multi?Seed Ensemble, Division Calibration, dan oversampling pada ruang fitur embedding yang belum pernah diterapkan secara bersamaan dalam satu pipeline pada HASOC 2021. Dua tugas diselesaikan : Task 1A adalah klasifikasi biner untuk membedakan konten Hate and Offensive (HOF) dari yang tidak (NOT). Task 1B adalah klasifikasi multi-kelas yang membagi tweet menjadi empat kategori: (ujaran kebencian terhadap kelompok) HATE, bahasa ofensif terhadap individu (OFFN), kata kasar tanpa target spesifik (PRFN), dan konten aman (NONE). Ketidakseimbangan kelas ditangani dengan oversampling pada ruang fitur, dan optimasi hyperparameter dilakukan untuk meningkatkan performa. Hasil evaluasi pada data uji menunjukkan Macro F1?Score sebesar 0,8083 untuk Task 1A dan 0,6541 untuk Task 1B. Perbandingan dengan papan peringkat HASOC 2021 menunjukkan bahwa skor tersebut sebanding dengan tim peringkat 5 (Task 1A) dan peringkat 3 (Task 1B) yang berbasis BERT murni.]]>
