El contenido persuasivo en las noticias en línea contiene elementos que buscan persuadir a sus lectores y puede no incluir necesariamente información factual. Dado que un artículo de noticias solo tiene algunas oraciones que indican persuasión, sería bastante desafiante diferenciar entre noticias con o sin contenido persuasivo. Reconocer oraciones persuasivas con un enfoque de resumen y clasificación de texto es importante para entender los mensajes persuasivos de manera efectiva. El resumen de texto identifica argumentos y puntos clave, mientras que la clasificación separa las oraciones persuasivas según las características lingüísticas y semánticas utilizadas. Nuestra arquitectura propuesta incluye enfoques de resumen de texto para acortar oraciones sin contenido persuasivo y luego utilizar modelos de clasificadores para detectar aquellas con indicaciones persuasivas. En este artículo, comparamos el rendimiento del análisis semántico latente (LSA) y TextRank en métodos de resumen de texto, siendo este último el que ha superado en todas las pruebas, así como dos clasificadores de red neuronal convolucional (CNN) y memoria a largo plazo bidireccional (BiLSTM). Hemos preparado un conjunto de datos (+/-1700 datos etiquetados manualmente por persuasividad) que consiste en artículos de noticias escritos en idioma indonesio recolectados de un portal de noticias electrónicas a nivel nacional. Los estudios comparativos en nuestros resultados experimentales muestran que el modelo TextRank-BERT-BiLSTM logró la mayor precisión del 95% en la detección de noticias persuasivas. Los métodos de resumen de texto pudieron generar resúmenes detallados y precisos de los artículos de noticias y los modelos de aprendizaje profundo pudieron diferenciar de manera efectiva entre noticias persuasivas y noticias reales.