Pertumbuhan pesat diskusi media sosial mengenai kebijakan tarif dagang telah menghasilkan data opini berbahasa Indonesia dalam jumlah besar, sehingga analisis sentimen menjadi alat penting untuk memahami respons publik. Namun, penelitian pada domain ini masih terbatas, khususnya yang menangani ketidakseimbangan kelas dan membandingkan beberapa arsitektur hibrida sekaligus. Penelitian ini bertujuan membandingkan empat konfigurasi model berbasis IndoBERT, dengan dan tanpa Synthetic Minority Over-sampling Technique (SMOTE), untuk mengklasifikasikan sentimen pada diskusi tarif dagang berbahasa Indonesia dalam kondisi ketidakseimbangan kelas. Dataset terdiri atas tweet berbahasa Indonesia terkait tarif dagang yang dikumpulkan dari X (Twitter) antara Januari dan Juli 2025. Konfigurasi yang dibandingkan adalah Logistic Regression sebagai baseline, IndoBERT-BiLSTM, IndoBERT-CNN, dan IndoBERT-BiLSTM-CNN. Tweet diproses melalui IndoBERT untuk menghasilkan embedding kontekstual tanpa fine-tuning. Kinerja dievaluasi menggunakan akurasi, precision, recall, dan macro F1-score, dengan macro F1-score sebagai metrik utama. Hasil menunjukkan bahwa IndoBERT-CNN dengan SMOTE mencapai macro F1-score terbaik sebesar 0.7657 dan akurasi 0.8654. SMOTE secara konsisten meningkatkan recall pada seluruh arsitektur deep learning, dengan peningkatan terbesar pada IndoBERT-CNN, dari 0.7304 menjadi 0.7875. Temuan ini menunjukkan bahwa, di antara keempat konfigurasi yang dibandingkan, IndoBERT-CNN dengan SMOTE memberikan kinerja paling seimbang untuk klasifikasi sentimen tarif dagang berbahasa Indonesia yang tidak seimbang.