Klasifikasi Deteksi Sarkasme pada Berita Headline dengan Arsitektur LSTM

Abstract

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.