Analisis Sentimen Berita Keuangan Berbahasa Indonesia Menggunakan IndoBERT dan LSTM untuk Klasifikasi Tren Harga Saham pada Lima Emiten Blue Chip LQ45

Abstrak

Pergerakan harga saham blue chip pada indeks LQ45 bersifat non-linear dan stokastik, sehingga pendekatan statistik konvensional kerap gagal menghasilkan prediksi yang andal. Penelitian ini mengembangkan dan mengevaluasi arsitektur deep learning hybrid yang memadukan IndoBERT—model bahasa berbasis BERT yang dilatih pada korpus bahasa Indonesia—dengan jaringan Long Short-Term Memory (LSTM) untuk mengklasifikasikan arah tren harga saham harian (naik/turun). Label tren ditentukan berdasarkan nilai return harian: jika return > 0 maka berlabel Naik (1), sebaliknya berlabel Turun (0). Skor sentimen diekstraksi melalui fine-tuning IndoBERT dari 9.819 artikel berita keuangan berbahasa Indonesia (CNBC Indonesia) dan digabungkan dengan data historis OHLCV serta indikator teknikal sebagai fitur masukan. Eksperimen dilakukan pada lima emiten blue chip LQ45: BBRI.JK, BBNI.JK, BBCA.JK, BMRI.JK (Sektor Keuangan), dan GOTO.JK (Teknologi). Model hybrid mengungguli baseline pada tiga dari lima emiten, dengan peningkatan akurasi tertinggi pada BBCA.JK (+23,21 poin, dari 33,93% menjadi 57,14%) dan BMRI.JK (+12,50 poin, dari 46,43% menjadi 58,93%). Rata-rata Relative Error Reduction (RER) keseluruhan mencapai +9,81%, membuktikan bahwa integrasi sentimen IndoBERT memberikan nilai tambah signifikan bagi prediksi tren saham berbasis LSTM di pasar modal Indonesia.