<![CDATA[Di era digital, sarkasme sering digunakan dalam komunikasi online, terutama di platform media sosial seperti Twitter. Namun, deteksi sarkasme otomatis merupakan tantangan utama dalam Natural Language Processing (NLP), karena sarkasme bergantung pada konteks yang lebih luas yang sulit diidentifikasi dengan teknik tradisional. Oleh karena itu, metode yang dapat memahami konteks lebih dalam dan mendalam diperlukan untuk meningkatkan akurasi deteksi sarkasme. Penelitian ini bertujuan untuk mengembangkan dan menguji model deteksi sarkasme menggunakan Bidirectional Long Short-Term Memory (BiLSTM) yang dioptimalkan dengan hyperparameter tuning, untuk meningkatkan kinerja deteksi sarkasme dalam teks Twitter. Penelitian ini menggunakan dua dataset utama, yaitu Twitter Sarcasm Data dan SST-2 Sarcasm Dataset, yang telah diberi label secara manual. Model BiLSTM dibangun menggunakan pustaka Keras dan TensorFlow, dan penyetelan hiperparameter dilakukan dengan Pencarian Grid dan Pencarian Acak untuk meningkatkan kinerja model. Model BiLSTM menunjukkan performa terbaik dengan akurasi 85%, akurasi 82%, dan skor F1 80,5%. Penyusunan hiperparameter yang tepat juga meningkatkan penarikan dan mengurangi overfitting dibandingkan dengan model lain, seperti LSTM, CNN, dan SVM.]]>
Copyrights © 2023
