Percakapan digital komunitas kripto seringkali menggunakan bahasa slang dan idiom emosional kompleks yang memerlukan model NLP adaptif. Metode konvensional pada penelitian deteksi emosi seringkali gagal menangkap makna khusus slang serta mengabaikan dependensi temporal dan pola ekspresi individual pengguna, sehingga akurasi klasifikasi masih terbatas. Penelitian ini bertujuan merancang dan mengembangkan kerangka fine‑grained emotion recognition dengan integrasi tiga komponen utama: (1) tokenizer khusus IndoBERT yang diperkaya 88 istilah slang kripto, (2) model BiLSTM‑context untuk memanfaatkan konteks historis tiga pesan sebelumnya, dan (3) user embedding untuk personalisasi prediksi berdasarkan pola komunikasi tiap pengguna. Empat varian model, yaitu IndoBERT Custom, Context, User, dan Full dieksperimenkan pada dataset chat komunitas kripto Indonesia dan dievaluasi menggunakan F1-score makro. Hasil eksperimen menunjukkan model Full yang memadukan konteks dan user embedding sedikit lebih baik dibandingkan dengan ketiga model lainnya dengan F1-score mencapai 0,9617. Selanjutnya, Enhanced Full Model mencapai stabilisasi kinerja optimal dengan F1‑score akhir 0,9541, serta ROC‑AUC hingga 0,9928. Analisa explainability melalui Integrated Gradients dan Data Maps mengungkap token kunci, misal “gila” sebagai sinyal surprise, “aman” sebagai sinyal trust, dan identifikasi ambiguitas pada kelas neutral serta anger.