Indonesian YouTube Comments Dataset

Dataset ini berisi 5.291 komentar YouTube berbahasa Indonesia yang telah melalui tahapan preprocessing dan pelabelan otomatis untuk tugas deteksi sarkasme. Dataset digunakan dalam penelitian deteksi sarkasme dengan model IndoBERT (IndoNLU dan IndoLEM) serta evaluasi berbagai strategi mitigasi ketidakseimbangan kelas.

Struktur dataset:- Dataset utama (imbalanced): 5.291 komentar (1.555 sarkas, 3.736 non-sarkas)- Split untuk skenario imbalanced dan class weighting (85/15 stratified)- Split untuk skenario under sampling (balanced pada data latih)

Pelabelan dilakukan dengan model GPT-4o berdasarkan kriteria sarkasme yang telah didefinisikan (lihat Bab 3 tesis terkait). Dataset ini dirancang untuk penelitian akademis dan non-komersial.

File disediakan dalam satu zip (indonesian-youtube-sarcasm-dataset.zip) dengan folder:- dataset/sarcasm_dataset.csv- splits/imbalance/train.csv, splits/imbalance/eval.csv- splits/under_sampling/train.csv, splits/under_sampling/eval.csv- README.md

Format CSV: id, text, label (0=non-sarkas, 1=sarkas). Lisensi: CC BY-NC 4.0.

本数据集包含5291条印尼语YouTube评论，已完成预处理与自动标注流程，用于讽刺检测任务。本数据集可用于基于IndoBERT（依托IndoNLU与IndoLEM）的讽刺检测研究，以及各类类别不平衡缓解策略的效果评估。

数据集结构：
- 主数据集（类别不平衡版）：共5291条评论，其中讽刺评论1555条、非讽刺评论3736条
- 适用于类别不平衡与类别加权场景的划分集（85/15分层划分）
- 适用于欠采样场景的划分集（训练集为平衡数据集）

本数据集的标注由GPT-4o模型基于预设的讽刺判定标准完成（详见相关学位论文第3章），仅用于学术研究与非商业用途。

数据集以单个压缩包（indonesian-youtube-sarcasm-dataset.zip）形式提供，内部文件夹结构如下：
- dataset/sarcasm_dataset.csv
- splits/imbalance/train.csv、splits/imbalance/eval.csv
- splits/under_sampling/train.csv、splits/under_sampling/eval.csv
- README.md

CSV文件格式：id、text、label（0代表非讽刺评论，1代表讽刺评论）。本数据集采用CC BY-NC 4.0许可协议。