BUFNETSBUFNETS

Bulletin of Network Engineer and InformaticsBulletin of Network Engineer and Informatics

Dinamika pasar keuangan sangat dipengaruhi oleh persepsi publik yang tercermin dalam berita ekonomi. Sentimen negatif dalam berita sering menjadi sinyal awal dari volatilitas pasar. Namun, dimensi tinggi dan ambigu semantik data teks keuangan menimbulkan tantangan untuk klasifikasi otomatis. Penelitian ini menerapkan metode hybrid dari Latent Semantic Analysis (LSA) dan Machine Learning untuk klasifikasi sentimen berita ekonomi. Menggunakan dataset Financial PhraseBank, teks diproses melalui pra-pengolahan dan ekstraksi fitur TF-IDF sebelum menjalani reduksi dimensi menggunakan LSA dengan ? = 300 komponen laten melalui Singular Value Decomposition. Hasil eksperimen menunjukkan bahwa algoritma Support Vector Machine (SVM) dengan kernel RBF memberikan kinerja terbaik dengan akurasi 88,2% dan F1-Score 85,8%. Temuan ini membuktikan bahwa integrasi ruang laten dalam LSA efektif menangkap konteks semantik berita ekonomi, memungkinkan digunakan sebagai instrumen andal untuk mitigasi risiko pasar dini.

Berdasarkan Gambar 1, akurasi model meningkat secara signifikan seiring bertambahnya jumlah komponen hingga mencapai plateau stabil pada kisaran.melampaui 300, terjadi penurunan ringan pada akurasi.Fenomena ini menunjukkan munculnya noise, di mana dimensi tambahan mulai menangkap varian spesifik dokumen dan fitur linguistik yang tidak relevan daripada konsep semantik umum.= 300 adalah parameter optimal untuk menangkap struktur laten dari dataset keuangan ini.Penelitian ini menyimpulkan bahwa implementasi Hybrid LSA dan SVM sangat efektif untuk klasifikasi sentimen berita ekonomi, dengan mencapai akurasi 88,2%.Peran LSA dalam menangkap hubungan semantik laten terbukti krusial, sementara SVM memberikan klasifikasi stabil untuk data berdimensi tinggi.Hasil ini berkontribusi pada peta jalan Financial Risk Intelligence.Penelitian masa depan dianjurkan untuk mengintegrasikan data harga saham real-time dan mengeksplorasi Large Language Models (LLMs) untuk analisis kontekstual yang lebih dalam.

Untuk penelitian lanjutan, disarankan untuk mengintegrasikan data harga saham real-time dan memanfaatkan Large Language Models (LLMs) untuk analisis kontekstual yang lebih dalam. Selain itu, dapat dieksplorasi penggunaan algoritma lain seperti Random Forest untuk membandingkan kinerja dan mengidentifikasi algoritma terbaik untuk klasifikasi sentimen dalam konteks keuangan. Penelitian lebih lanjut juga dapat dilakukan untuk mengeksplorasi metode pengurangan dimensi alternatif selain LSA, seperti Word2Vec atau GloVe, untuk meningkatkan akurasi dan efisiensi dalam klasifikasi sentimen berita ekonomi.

  1. One moment, please.... one moment please wait request verified doi.org/10.33395/sinkron.v9i1.14296One moment please one moment please wait request verified doi 10 33395 sinkron v9i1 14296
  2. Advances in Data-Driven Product Roadmaps for Financial Technology: Strategy, Forecasting, and Execution... everant.org/index.php/etj/article/view/1896Advances in Data Driven Product Roadmaps for Financial Technology Strategy Forecasting and Execution everant index php etj article view 1896
Read online
File size642.73 KB
Pages6
DMCAReport

Related /

ads-block-test