Meningkatkan Performa Model Prediksi Arah Pergerakan Saham pada Periode Krisis Menggunakan Analisis Sentimen

RYAN KUSNADI, Syukron Abu Ishaq Alfarozi, S.T., Ph.D. ; Dr. Dyonisius Dony Ariananda, S.T., M.Sc.

2025 | Skripsi | TEKNOLOGI INFORMASI

Saat krisis ekonomi terjadi, pasar menjadi sulit diprediksi karena peningkatan volatilitas dan perubahan perilaku pasar. Karena hal ini, model prediksi saham tradisional yang hanya mempertimbangkan data historis kesulitan memprediksi pergerakan saham secara akurat. Oleh karena itu, diperlukan pendekatan yang lebih efektif. Berdasarkan pendekatan behavioral finance, yang menyatakan bahwa perilaku pasar tidak selalu rasional dan terdorong oleh sentimen, serta didukung oleh berbagai penelitian yang mengindikasikan pengaruh sentimen yang besar selama krisis, penulis mengeksplorasi integrasi analisis sentimen ke dalam model-model prediksi untuk meningkatkan performanya di masa krisis.

Penulis mengkaji beberapa model prediksi saham seperti Random Forest (RF), Artificial Neural Network (ANN), Convolutional Neural Network (CNN), dan Long Short-Term Memory (LSTM), dan mengintegrasikannya dengan FinBERT, sebuah model analisis sentimen yang dilatih khusus untuk memahami sentimen dalam teks finansial. Setelah dibandingkan dengan model baseline seperti naive/persistence, random walk, dan beberapa model pembelajaran mesin lainnya, penulis menemukan bahwa integrasi FinBERT secara signifikan meningkatkan performa model prediksi saham, terutama pada model RF dan ANN. Model ANN dengan integrasi FinBERT (ANN-F) menunjukkan performa terbaik, dengan akurasi meningkat dari 51,30% menjadi 72,49% pada dataset XOM, dan mencapai 69,52% pada dataset AMZN. Selain itu, penulis menemukan bahwa model dasar tanpa integrasi analisis sentimen yang memiliki performa terbaik adalah CNN, yang mengungguli semua model baseline. Namun, integrasi FinBERT pada CNN dan LSTM tidak selalu meningkatkan performa, menunjukkan bahwa efek analisis sentimen dapat kurang efektif bergantung pada model dan dataset yang digunakan. Secara umum, model yang mengintegrasikan FinBERT memiliki performa yang lebih baik dibandingkan model-model baseline yang tidak mengintegrasikan analisis sentimen.

In times of economic crises, the market becomes hard to predict due to increases in volatility and changes in market behavior. Because of this, traditional stock prediction models that only consider historical data have difficulty predicting stock movements accurately. Therefore, more effective methods are needed. Referring to Behavioral Finance, which states that market behavior is not always rational and is often influenced by sentiment, as well as past research that integrates sentiment analysis into stock prediction models, the writer explores integrating sentiment analysis into predictive models to improve their performance during crises.

The writer examines several stock prediction models such as Random Forest (RF), Artificial Neural Network (ANN), Convolutional Neural Network (CNN), and Long Short-Term Memory (LSTM), integrating them with FinBERT, a sentiment analysis model fine-tuned for financial text data. After comparing these models with baselines such as naïve/persistence, random walk, and several other machine learning models, the writer finds that integrating FinBERT significantly improves the performance of stock prediction models, especially for RF and ANN. The ANN model integrated with FinBERT (ANN-F) emerges as the best-performing model, with accuracy improving from 51.30% to 72.49% on the XOM dataset and reaching 69.52% on the AMZN dataset. Additionally, the writer finds that the best-performing model without sentiment analysis integration is CNN, which outperformed all other baseline models. However, integrating FinBERT into CNN and LSTM did not always enhance their performance, indicating that the effect of sentiment analysis may not be equally effective across different models or datasets. Overall, models that integrate FinBERT perform significantly better compared to those that do not incorporate sentiment analysis.

Kata Kunci : Prediksi Saham, Krisis Ekonomi, Analisis Sentimen, Pembelajaran Mesin, Pembelajaran Mendalam