Perpustakaan Digital ITB

Prediksi pergerakan harga saham merupakan permasalahan yang kompleks karena dipengaruhi oleh berbagai faktor, termasuk sentimen publik yang tersebar di media sosial. Penelitian ini mengusulkan model StockSentimentModel berbasis Heterogeneous Graph Neural Network (HeteroGNN) dan LSTM untuk memprediksi arah pergerakan harga saham dengan memanfaatkan data sentimen dari platform X. Data post dikumpulkan melalui API resmi platform X dalam rentang waktu dua tahun dan direpresentasikan sebagai graf heterogen dengan relasi antar pengguna dan konteks percakapan dimodelkan secara eksplisit melalui mekanisme message passing. Model yang diusulkan dibandingkan dengan dua model komparasi, yaitu TweetAgg yang menggunakan agregasi rata-rata vektor post tanpa struktur graf, dan StockOnly yang hanya mengandalkan fitur teknikal harga saham. Evaluasi dilakukan pada dua saham, yaitu BBCA dan GOTO, menggunakan pendekatan single temporal split dengan data uji mulai Oktober 2025, dengan seluruh angka performa dirata-ratakan lintas 5 seed pelatihan untuk memastikan ketangguhan hasil terhadap variasi inisialisasi bobot acak. Pada saham BBCA, HeteroGNN mencatatkan rerata Macro F1 tertinggi (0,2969±0,0320), mengungguli TweetAgg sebesar +9,4% relatif, namun selisihnya dengan StockOnly (0,2950±0,0519) sangat kecil sehingga kedua model tidak dapat dibedakan secara statistik. Pada saham GOTO, StockOnly mencapai rerata Macro F1 terbaik (0,4153 ± 0,0351), mengungguli HeteroGNN (0,3082 ± 0,0267) sebesar +34,7% relatif secara tangguh pada seluruh 5 seed yang diuji, sementara HeteroGNN tetap mengungguli TweetAgg (0,2832 ± 0,0173) sebesar +8,8% relatif. Hasil ini menunjukkan bahwa pemodelan struktur relasional graf secara konsisten memberikan nilai tambah dibandingkan agregasi teks sederhana pada kedua saham, sementara efektivitasnya dibandingkan sinyal harga murni bergantung pada karakteristik saham: pada GOTO, StockOnly unggul secara tangguh, sedangkan pada BBCA keunggulan HeteroGNN atas StockOnly tidak dapat dianggap sebagai temuan yang terkonfirmasi.