Prediksi Saham Dengan Bidirectional LSTM Dan Analisis Sentimen
Abstract
Pertumbuhan ekonomi dunia melemah pada tiga bulan pertama pada tahun 2020 yaitu
sebesar 3,3%. Hal ini disebabkan akibat penurunan aktivitas konsumsi dan investasi yang
seiring dengan ketidakpastian ekonomi global. Pasar modal salah satu opsi yang sangat
penting sebagai penggerak ekonomi dan pertumbuhan suatu negara. Dengan teknologi
pembelajaran mesin, permasalahan prediksi saham dapat diselesaikan. Deep learning adalah
bagian dari pembelajaran mesin yang memiliki performa baik dalam mengelola data. Data
saham diambil dari yahoo finance. Sentimen publik diambil dari Twitter. Data twitter yang
digunakan adalah tweet yang mengandung simbol saham ($) diikuti dengan kode nama
perusahaan ($BBCA). Simbol saham adalah rangkaian huruf unik pada sekuritas yang
bertujuan perdagangan. Perancangan model memiliki dua komponen, yaitu BILSTM
sebagai arsitektur dasar dari pengembangan model prediksinya dan VADER sebagai
algoritma perhitungan nilai sentimen publiknya. Perhitungan sentimen dengan metode
VADER perhitungan nilai compound score. penelitian menggunakan data dengan
menggabungkan data sentimen dan data tanpa sentimen. Pada pelatihan, empat skenario
disusun menggunakan data uji yang sama dengan panjang data latih yang berbeda dari sisi
panjang jendela datanya. Evaluasi model dilakukan dengan menghitung MSE, RMSE, dan
MAPE. Studi sebelumnya menggunakan model LSTM menghasilkan nilai RMSE sebesar
1120,6517. Pada pemodelan yang dilakukan, prediksi model yang dibangun dengan
menggabungkan data sentimen menghasilkan nilai MSE terkecil 0,094, nilai RMSE terkecil
0,306 dan nilai MAPE terkecil 23.85. Prediksi model dengan tanpa menggunakan data
sentimen menghasilkan nilai MSE terkecil 0.148, nilai RMSE terkecil 0.38, dan nilai MAPE
terkecil 30,57. Prediksi dengan menggabungkan data sentimen memiliki nilai error lebih
baik dibandingkan dengan data tanpa sentimen.