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.