KLASIFIKASI TWEET SARKASME PADA PLATFORM X MENGGUNAKAN BIDIRECTIONAL ENCODER REPRESENTATIONS FROM TRANSFORMERS

X adalah platform digital yang memfasilitasi berbagi pemikiran dan kritik melalui konten tertulis. Sejumlah individu dan organisasi atau perusahaan memanfaatkan media sosial seperti X untuk mengetahui sentimen masyarakat umum saat akan mengambil kebijakan. Namun, karena keterbatasan menulis, yang tidak mampu mentransmisikan isyarat nonverbal seperti gerakan tubuh, ekspresi wajah, dan intonasi, seringkali sulit untuk mengidentifikasi tanda-tanda implisit seperti sarkas. Oleh karena itu, penting untuk melakukan deteksi sarkas, karena hal itu dapat digunakan sebagai alat bukti hukum dan Pada penerapan NLP dapat meningkatkan nilai sentimen. Studi ini melihat performa metode deep learning seperti, IndoBERT, RoBERTa, BERT, dan BERT Multilingual, dalam mengklasifikasi sarkas berbahasa Indonesia di platform X. Hasil eksperimen menunjukkan bahwa model IndoBERT, yang telah dirancang khusus untuk tugas tersebut, mendapatkan skor F1 yang mengesankan sebesar 95%.
========================================================================================================================
X is a digital platform that facilitates the sharing of thoughts and criticisms through written content. Several individuals and organizations or companies utilize social media platforms like X to gauge public sentiment when making policies. However, due to the limitations of writing, which cannot convey nonverbal signals such as body movements, facial expressions, and intonations, it is often difficult to identify implicit signs like sarcasm. Therefore, it is important to detect sarcasm, as it can be used as evidence in legal matters and in the implementation of NLP to enhance sentiment analysis. This study examines the performance of deep learning methods such as IndoBERT, RoBERTa, BERT, and BERT Multilingual in classifying Indonesian sarcasm on platform X. The experimental results show that the IndoBERT model, which is specially designed for this task, achieved an impressive F1 score of 95%.