DETEKSI SARKASME PADA MULTI-KELAS SENTIMEN MENGGUNAKAN MODEL HYBRID ROBERTA-BILSTM BERBASIS MEDIA SOSIAL

Penelitian ini bertujuan untuk mendeteksi sarkasme dalam analisis sentimen multi-kelas pada media sosial menggunakan model hybrid RoBERTa-BiLSTM. Permasalahan utama dalam analisis sentimen adalah kesulitan dalam memahami sarkasme yang memiliki makna berlawanan dengan teks yang ditulis. Data yang digunakan dalam penelitian ini bersumber dari platform media sosial dengan pelabelan sentimen positif, negatif, dan netral. Model RoBERTa digunakan untuk memahami konteks bahasa, sedangkan BiLSTM untuk menangkap hubungan antar kata dalam urutan teks. Hasil penelitian menunjukkan bahwa model RoBERTa memperoleh akurasi sebesar 88% dengan F1-Score 87%, sedangkan model hybrid RoBERTa–BiLSTM mengalami peningkatan performa dengan akurasi mencapai 96% dan F1-Score 96%. Model yang diusulkan juga menunjukkan performa yang lebih baik dibandingkan beberapa penelitian sebelumnya, yaitu meningkat sebesar 17,47% dibandingkan model BiLSTM dengan akurasi 78,53%, meningkat sebesar 6,30% dibandingkan model RoBERTa-BiLSTM dengan akurasi 89,70%, meningkat sebesar 6,38% dibandingkan penelitian dengan akurasi 89,62%, serta meningkat sebesar 16,49% dibandingkan model MBERT-BiLSTM dengan akurasi 79,51%. Hal ini menunjukkan bahwa kombinasi kedua model mampu meningkatkan kemampuan dalam memahami konteks dan pola kalimat sarkasme. Kata Kunci : Deep learning, Klasifikasi teks, Opini, Pemrosesan bahasa alami, Transformer