Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal JSITIK: Jurnal Sistem Informasi dan Teknologi Informasi Komputer
Zain, Affan Ashabi
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Klasifikasi Deteksi Sarkasme pada Berita Headline dengan Arsitektur LSTM Zain, Affan Ashabi; Prasetyo, Dimas; Destrada, Ivano Praestesa; Widodo, Angga Pradipa
JSITIK: Jurnal Sistem Informasi dan Teknologi Informasi Komputer Vol. 4 No. 2 (2026): Juni 2026
Publisher : Cipta Media Harmoni

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53624/jsitik.v4i2.698

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.
Co-Authors Destrada, Ivano Praestesa Dimas Prasetyo Widodo, Angga Pradipa