Detail Cantuman

Harga saham yang fluktuatif menjadi tantangan tersendiri bagi investor dalam mengambil keputusan investasi. Penelitian ini bertujuan untuk mengembangkan model prediksi harga saham dengan menggunakan metode Long Short-Term Memory (LSTM) yang dikombinasikan dengan analisis sentimen dari berita keuangan. Data yang digunakan mencakup harga penutupan harian dan berita finansial dari beberapa saham dalam periode Juli 2024 hingga Januari 2025. Sentimen berita dianalisis menggunakan model FinBERT dan digabungkan dengan fitur teknikal sebagai input ke dalam model LSTM.
Hasil penelitian menunjukkan bahwa penambahan fitur sentimen memberikan kontribusi positif terhadap akurasi prediksi harga saham, meskipun peningkatannya tidak terlalu besar. Konfigurasi terbaik diperoleh pada lag sentimen 5 dan time steps 3, di mana error model menurun sekitar 2.4% untuk RMSE, 7.1% untuk MAE dan 9.9% untuk MAPE dibandingkan model tanpa sentimen. Hal ini menegaskan bahwa informasi sentimen layak dipertimbangkan sebagai variabel tambahan dalam peramalan harga saham, khususnya untuk jangka pendek.

Stock price fluctuations present a considerable challenge for investors in making investment decisions. This study aims to develop a stock price prediction model using the Long Short-Term Memory (LSTM) method combined with sentiment analysis of financial news. The data used includes daily closing prices and financial news from several stocks during the period of July 2024 to January 2025. News sentiment was analyzed using the FinBERT model and integrated with technical features as inputs to the LSTM model.
The results indicate that the inclusion of sentiment features provides a positive contribution to the accuracy of stock price prediction, although the improvement is not substantial. The best configuration was achieved with sentiment lag 5 and time steps 3, where the model error decreased by approximately 2.4% for RMSE, 7.1% for MAE, and 9.9% for MAPE compared to the model without sentiment. These findings highlight that sentiment information is worth considering as an additional variable in stock price forecasting, particularly for short-term predictions.