PIPI

JOISIE (Journal Of Information Systems And Informatics Engineering)JOISIE (Journal Of Information Systems And Informatics Engineering)

Investasi saham semakin diminati, namun fluktuasi harga yang tinggi membuat prediksi menjadi tantangan. Harga saham dipengaruhi oleh banyak hal, seperti berita keuangan yang menunjukkan sentimen pasar. Namun, banyak model prediksi bergantung pada data sebelumnya tanpa memperhitungkan pendapat media. Penelitian ini bertujuan untuk memprediksi perubahan harga saham perusahaan XYZ dengan menggabungkan model Long Short-Term Memory (LSTM) dan analisis sentimen terhadap berita keuangan dari IDX Channel. Data historis harga saham diambil dari Yahoo Finance, sedangkan data sentimen diperoleh melalui klasifikasi opini berita berbasis model IndoBERT. Data kemudian diproses menggunakan pendekatan normalisasi Min-Max Scaling dan dibentuk dalam format time series menggunakan teknik window sliding dengan time step sebesar 30. Hasil penelitian menunjukkan bahwa model LSTM mampu memprediksi harga saham dengan nilai RMSE sebesar 35,92 dan korelasi positif lemah antara sentimen dan harga saham sebesar 0,27. Prediksi harga satu hari ke depan yang dihasilkan model menunjukkan nilai Rp 4.097,00. Visualisasi residual menunjukkan sebaran kesalahan yang stabil di sekitar nol, menunjukkan generalisasi model yang cukup baik.

Penelitian ini menunjukkan bahwa penggabungan analisis sentimen berita keuangan dari IDX Channel dengan model prediktif LSTM dapat menghasilkan hasil prediksi harga saham yang cukup akurat.Model LSTM menghasilkan nilai RMSE sebesar 35,92, dan visualisasi residual menunjukkan kesalahan prediksi tersebar hampir nol, yang mencerminkan kemampuan generalisasi model yang baik terhadap data baru.Prediksi harga satu hari ke depan menunjukkan nilai sebesar Rp 4.097,00, dan analisis korelasi antara sentimen dan harga saham menghasilkan nilai 0,27 (positif lemah).Hal ini mengindikasikan bahwa meskipun sentimen berita memiliki pengaruh terhadap pergerakan harga saham, pengaruh tersebut tidak terlalu signifikan secara statistik.Pendekatan hybrid yang mengintegrasikan LSTM dan analisis sentimen ini menunjukkan potensi sebagai alat bantu dalam pengambilan keputusan investasi berbasis data.

Penelitian lanjutan dapat mengembangkan model prediksi multi-horizon dengan arsitektur sequence-to-sequence untuk mengatasi keterbatasan prediksi satu hari ke depan. Selain itu, integrasi data sentimen dari media sosial seperti Twitter dan forum investor dapat meningkatkan konteks prediktif. Penggunaan model transformer yang dioptimalkan dengan algoritma Multi-Objective Escape Bird Search (MOEBS) juga layak dieksplorasi untuk meningkatkan akurasi prediksi jangka panjang.

  1. 0. pdf obj endobj filter flatedecode length e7 gf 4t7 ze 4bo wo xw f1 qlb bo ulb vq yf yx xv yyv yy6... doi.org/10.1504/IJCEE.2025.1450220 pdf obj endobj filter flatedecode length e7 gf 4t7 ze 4bo wo xw f1 qlb bo ulb vq yf yx xv yyv yy6 doi 10 1504 IJCEE 2025 145022
  2. A Novel Hybrid GCN-LSTM Algorithm for Energy Stock Price Prediction: Leveraging Temporal Dynamics and... ieeexplore.ieee.org/document/10858154A Novel Hybrid GCN LSTM Algorithm for Energy Stock Price Prediction Leveraging Temporal Dynamics and ieeexplore ieee document 10858154
  3. Perbandingan LSTM dan Bidirectional LSTM pada Sistem Prediksi Harga Saham Berbasis Website | Ranah Research... doi.org/10.38035/rrj.v7i1.1255Perbandingan LSTM dan Bidirectional LSTM pada Sistem Prediksi Harga Saham Berbasis Website Ranah Research doi 10 38035 rrj v7i1 1255
Read online
File size628.56 KB
Pages11
DMCAReport

Related /

ads-block-test