Publisher

STMIKSZNWSTMIKSZNW

Journal TEKNIMEDIA: Teknologi Informasi dan MultimediaTEKNIMEDIA: Teknologi Informasi dan Multimedia Abstract

Informasi keuangan merupakan salah satu jenis informasi yang penting untuk dianalisis. Namun, karena banyak informasi teks keuangan yang bersifat tidak terstruktur dan tersebar luas, diperlukan suatu metode analisis yang tepat, salah satunya adalah melalui analisis sentimen. Dalam konteks keuangan, analisis sentimen digunakan industri keuangan untuk menilai persepsi publik tentang perusahaan atau kondisi pasar. Maka penelitian ini menggunakan model FinBERT yang telah dilakukan fine-tuning untuk melakukan analisis sentimen di bidang keuangan. Dataset yang digunakan yaitu gabungan dari FiQA (Financial Question Answering) dan The Financial Phrase Bank, terdiri dari kalimat berbahasa Inggris dengan label sentimen negative, neutral, dan positive. Proses penelitian meliputi pengumpulan data, tahapan pra-pemrosesan data, pelatihan model, dan evaluasi menggunakan metrik accuracy, precision, recall, F1-score, serta confusion matrix. Hasil penelitian menghasilkan model mampu mencapai akurasi 82%, dengan performa terbaik pada kelas positive yaitu F1-score 0.88 dan neutral F1-score 0.85, namun masih lemah dalam mendeteksi kelas negative F1-score 0.49. Temuan ini menunjukkan bahwa fine-tuned FinBERT efektif digunakan untuk analisis sentimen keuangan, khususnya pada sentimen positive dan neutral, diperlukan peningkatan pada deteksi sentimen negative, dengan menambah variasi data latih atau teknik data augmentation.

Conclusion

Dengan menggunakan kombinasi dataset FiQA dan The Financial PhraseBank, penelitian ini berhasil menerapkan FinBERT untuk analisis sentimen teks keuangan.Hasil evaluasi menunjukkan bahwa model memiliki akurasi sebesar 82% dengan formasi terbaik untuk sentimen positive dan neutral, dengan nilai F1-score masing-masing 0.Namun, kinerja model untuk kelas negative masih rendah, dengan nilai F1-score 0.Ini menunjukkan bahwa ada upaya untuk meningkatkan kinerja melalui penambahan data latihan, penerapan teknik peningkatan data, atau penyesuaian hyperparameter.Secara keseluruhan, temuan ini menunjukkan bahwa FinBERT yang disesuaikan dengan baik berhasil mengklasifikasikan sentimen keuangan, serta menunjukkan bahwa model dapat digunakan dalam aplikasi analisis sentimen di sektor keuangan.Penelitian selanjutnya disarankan untuk mengeksplorasi teknik peningkatan kinerja pada kelas minoritas dan membandingkan performa FinBERT dengan model transformer-based lainnya.

Future Research

Penelitian lanjutan dapat fokus pada pengembangan teknik augmentasi data yang lebih efektif untuk meningkatkan deteksi sentimen negatif dalam model FinBERT, seperti menggabungkan data dari sumber berbeda atau menggunakan sintesis teks. Selain itu, perlu dilakukan komparasi performa FinBERT dengan model transformer lainnya, seperti BERT atau RoBERTa, untuk mengevaluasi keunggulan dan kelemahan masing-masing model dalam konteks analisis sentimen keuangan. Terakhir, penelitian juga dapat mengkaji pengaruh kompleksitas bahasa dan variasi struktur kalimat dalam teks keuangan terhadap akurasi klasifikasi model, dengan tujuan mengembangkan pendekatan pemrosesan bahasa yang lebih adaptif terhadap karakteristik spesifik domain keuangan.

References

1. Analisis Sentimen Pengungkapan Informasi Manajemen: Text Mining Berbasis Metode VADER | Owner : Riset... doi.org/10.33395/owner.v6i3.895Analisis Sentimen Pengungkapan Informasi Manajemen Text Mining Berbasis Metode VADER Owner Riset doi 10 33395 owner v6i3 895
2. Tinjauan Bibliometrik Terhadap Pemanfaatan Big Data, Analisis Sentimen, dan Kriptokurensi dalam Analisis... doi.org/10.58812/sak.v2i01.257Tinjauan Bibliometrik Terhadap Pemanfaatan Big Data Analisis Sentimen dan Kriptokurensi dalam Analisis doi 10 58812 sak v2i01 257
3. N-Gram Feature for Comparison of Machine Learning Methods on Sentiment in Financial News Headlines |... doi.org/10.31004/riggs.v1i1.4N Gram Feature for Comparison of Machine Learning Methods on Sentiment in Financial News Headlines doi 10 31004 riggs v1i1 4

Metadata

File size	222.67 KB
Pages	6
DMCA	Report