digilib@itb.ac.id +62 812 2508 8800

Dokumen Asli
PUBLIC Open In Flip Book Dessy Rondang Monaomi Ringkasan

Penelitian ini bertujuan untuk merancang dan menguji arsitektur sistem yang mengintegrasikan data berita daring dan data harga saham untuk memprediksi pergerakan harga saham di sektor perbankan di Indonesia, dengan fokus pada emiten yang terdaftar dalam indeks LQ45. Arsitektur sistem ini mengintegrasikan analisis sentimen otomatis dari berita daring berbahasa Indonesia dengan data harga saham. Analisis sentimen dilakukan menggunakan model IndoBERT-Lite-Large- P2 yang telah dilakukan fine-tuning, sedangkan prediksi harga saham dibangun menggunakan model Long Short-Term Memory (LSTM). Metode SHapley Additive exPlanations (SHAP) digunakan untuk menganalisis faktor-faktor yang memengaruhi prediksi harga saham. Evaluasi performa model dilakukan melalui 40 eksperimen yang mencakup prediksi harga saham untuk 1, 3, 7, dan 30 hari ke depan, dengan dan tanpa analisis sentimen, pada lima emiten perbankan LQ45. Hasilnya menunjukkan bahwa model LSTM dengan analisis sentimen memiliki performa yang lebih unggul, dengan tingkat evaluasi performa model mencapai 70% untuk Mean Absolute Error (MAE) dan Root Mean Squared Error (RMSE), serta 60% untuk Mean Absolute Percentage Error (MAPE) dan akurasi. Model tanpa analisis sentimen hanya mencapai tingkat validasi 30% hingga 40%. Peningkatan performa terlihat pada hampir semua emiten, kecuali BBNI, dengan penurunan nilai MAE dan MAPE yang signifikan, peningkatan akurasi prediksi, nilai RMSE yang lebih rendah, serta konsistensi performa yang lebih baik pada periode prediksi yang lebih panjang (30 hari). Hasil eksperimen juga menunjukkan bahwa periode prediksi 30 hari memberikan hasil yang lebih stabil dan reliabel dibandingkan periode prediksi yang lebih pendek. Model dengan analisis sentimen mencapai akurasi tertinggi sebesar 99,59% pada prediksi harga saham Bank Rakyat Indonesia (BBRI) untuk 3 hari ke depan. Penelitian ini berkontribusi pada pengembangan metode prediktif harga saham yang lebih akurat dengan memanfaatkan kecerdasan buatan dan analisis sentimen untuk mengukur sentimen publik terhadap pasar saham.