Klasifikasi Deteksi Sarkasme pada Berita Headline dengan Arsitektur LSTM
DOI:
https://doi.org/10.53624/jsitik.v4i2.698Keywords:
Deteksi Sarkasme, LSTM, Deep Learning, Judul Berita, NLPAbstract
Latar Belakang: Sarkasme adalah bentuk bahasa yang menyampaikan makna yang berlawanan dari arti literalnya, sehingga sulit dikenali oleh mesin. Dalam konteks media online, deteksi sarkasme menjadi tantangan tersendiri karena sifat linguistiknya yang implisit dan kontekstual. Oleh karena itu, deteksi sarkasme menjadi penting untuk meningkatkan akurasi analisis sentimen dan sistem pemrosesan bahasa alami (Natural Language Processing). Tujuan: Penelitian ini bertujuan membangun sistem deteksi sarkasme pada judul berita menggunakan metode deep learning berbasis Long Short-Term Memory (LSTM). Metode: Dataset yang dimanfaatkan dalam penelitian ini berasal dari Kaggle dengan nama News Headlines Dataset for Sarcasm Detection, berisi lebih dari 28.000 judul berita yang telah diklasifikasikan sebagai sarkastik atau tidak. Tahapan penelitian meliputi pra-pemrosesan data, pembersihan data, konversi kata ke dalam bentuk vektor melalui embedding layer, pelatihan model Long Short-Term Memory (LSTM), serta pengukuran performa menggunakan metrik seperti akurasi, presisi, recall, dan F1-score. Hasil: Hasil evaluasi menunjukkan bahwa model LSTM mampu melakukan klasifikasi sarkasme secara efektif, dengan akurasi mencapai 91,6%. Kesimpulan: Penelitian ini menunjukkan bahwa model LSTM memiliki kemampuan yang baik dalam menangkap pola kontekstual dan implisit pada teks sarkastik, sehingga dapat meningkatkan performa deteksi sarkasme secara signifikan. Dengan tingkat akurasi yang tinggi, pendekatan ini berpotensi untuk diimplementasikan dalam sistem analisis sentimen dan aplikasi NLP lainnya guna menghasilkan interpretasi teks yang lebih akurat.
Downloads
References
Hilmawan, M. D. (2022). Deteksi sarkasme pada judul berita berbahasa Inggris menggunakan algoritme Bidirectional LSTM. Jurnal Dinda Data Science & Information Technology Data Analytics, 2(1), 46–51. https://doi.org/10.20895/dinda.v2i1.331 DOI: https://doi.org/10.20895/dinda.v2i1.331
Misra, R., & Arora, P. (2022). Sarcasm detection using news headlines dataset. AI Open, 4, 13–18. https://doi.org/10.1016/j.aiopen.2023.01.001 DOI: https://doi.org/10.1016/j.aiopen.2023.01.001
Alita, D., & Isnain, A. R. (2020). Pendeteksian sarkasme pada proses analisis sentimen menggunakan Random Forest classifier. Jurnal Komputasi, 8(2), 50–58. https://doi.org/10.23960/komputasi.v8i2.2615 DOI: https://doi.org/10.23960/komputasi.v8i2.2615
Abdulloh, F. F., & Pambudi, I. R. (2021). Analisis sentimen pengguna YouTube terhadap program vaksin COVID-19. CSRID (Computer Science Research and Its Development Journal), 13(3), 141–148. https://doi.org/10.22303/csrid.13.3.2021.141-148 DOI: https://doi.org/10.22303/csrid.13.3.2021.141-148
Mahmudah, M. (2017). Sarkasme judul berita surat kabar nasional. Retorika: Jurnal Bahasa, Sastra, dan Pengajarannya, 8(2), 118–122. https://doi.org/10.26858/retorika.v8i2.3624 DOI: https://doi.org/10.26858/retorika.v8i2.3624
Firman, A., et al. (2022). Analisis sentimen pengguna aplikasi Peduli Lindungi menggunakan algoritma LSTM. Jurnal Universitas Brawijaya, 1–11.
Hermanto, D. T., Setyanto, A., & Luthfi, E. T. (2021). Algoritma LSTM-CNN untuk binary klasifikasi dengan Word2Vec pada media online. Creative Information Technology Journal, 8(1), 64–71. https://doi.org/10.24076/citec.2021v8i1.264 DOI: https://doi.org/10.24076/citec.2021v8i1.264
Lisanthoni, A., et al. (2024). Penerapan LSTM dalam analisis sentimen berbasis lexicon untuk meningkatkan sistem pemantauan citra PLN di platform digital. Senada, 2024(1), 581–591. DOI: https://doi.org/10.33005/senada.v4i1.287
Fauzul, A., Kustiwa, A., Akbar, M. A., & Pinandito, A. (2017). Studi perbandingan pada metode CNN-LSTM dan LSTM dalam mendeteksi emosi pada data teks berbahasa Indonesia pada media sosial Twitter. Jurnal PTIIK, 1(1), 1–8. http://j-ptiik.ub.ac.id
Khairunnisa, S., Adiwijaya, A., & Faraby, S. A. (2021). Pengaruh text preprocessing terhadap analisis sentimen komentar masyarakat pada media sosial Twitter (studi kasus pandemi COVID-19). Jurnal Media Informatika Budidarma, 5(2), 406–412. https://doi.org/10.30865/mib.v5i2.2835 DOI: https://doi.org/10.30865/mib.v5i2.2835
Kholifatullah, B. A. H., & Prihanto, A. (2023). Penerapan metode Long Short-Term Memory untuk klasifikasi pada hate speech. Journal of Informatics and Computer Science (JINACS), 4(3), 292–297. https://doi.org/10.26740/jinacs.v4n03.p292-297 DOI: https://doi.org/10.26740/jinacs.v4n03.p292-297
Kamal, A. (2023). Deteksi kata sarkasme berbahasa Indonesia pada teks di media sosial X dengan menggunakan Multinomial Naive Bayes (Skripsi). UIN Sunan Gunung Djati. https://digilib.uinsgd.ac.id/82943/
Widhiyasana, Y., Semiawan, T., Mudzakir, I. G. A., & Noor, M. R. (2021). Penerapan convolutional long short-term memory untuk klasifikasi teks berita bahasa Indonesia. Jurnal Nasional Teknik Elektro dan Teknologi Informasi, 10(4), 354–361. https://doi.org/10.22146/jnteti.v10i4.2438 DOI: https://doi.org/10.22146/jnteti.v10i4.2438
Lubis, Z. Z. (2024). Sarkasme menggunakan algoritma Support Vector Machine (SVM) (Skripsi). Universitas Muhammadiyah Area.
Rosid, M. A., Muharram, F., & Affandi, G. R. (2022). Perbandingan kinerja algoritma machine learning untuk mendeteksi kalimat sarkasme dalam bahasa Indonesia. Procedia of Social Sciences and Humanities, 3(c), 1192–1195. https://pssh.umsida.ac.id/index.php/pssh/article/view/253
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Affan Ashabi Zain, Dimas Prasetyo, Ivano Praestesa Destrada, Angga Pradipa Widodo
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
1. Hak cipta atas artikel apa pun dipegang oleh penulisnya.
2. Penulis memberikan jurnal, hak publikasi pertama dengan karya yang dilisensikan secara bersamaan di bawah Lisensi Atribusi Creative Commons yang memungkinkan orang lain untuk membagikan karya dengan pengakuan atas kepenulisan dan publikasi awal karya tersebut dalam jurnal ini.
3. Penulis dapat membuat pengaturan kontrak tambahan yang terpisah untuk distribusi non-eksklusif dari versi jurnal yang diterbitkan dari karya tersebut (misalnya, mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan dari publikasi awalnya di jurnal ini.
4. Penulis diizinkan dan didorong untuk memposting karya mereka secara online (misalnya, di repositori institusional atau di situs web mereka) sebelum dan selama proses pengiriman, karena hal itu dapat mengarah pada pertukaran yang produktif, serta kutipan yang lebih awal dan lebih besar dari karya yang diterbitkan.
5. Artikel dan materi terkait yang diterbitkan didistribusikan di bawah Lisensi Internasional Creative Commons Attribution-ShareAlike 4.0
.png)
