PREDIKSI PERGERAKAN HARGA SAHAM BERDASARKAN BERITA MENGGUNAKAN METODE LONG SHORT-TERM MEMORY

• Main Author: Fenny Feronika Maharani, - (Author)
• Format: Book
• Published: 2022-04-27.
• Subjects: Thesis; NonPeerReviewed
• Online Access: Link Metadata
• Notes: http://repository.upi.edu/73225/1/S_KOM_1703015_Title.pdf; http://repository.upi.edu/73225/2/S_KOM_1703015_Chapter1.pdf; http://repository.upi.edu/73225/3/S_KOM_1703015_Chapter2.pdf; http://repository.upi.edu/73225/4/S_KOM_1703015_Chapter3.pdf; http://repository.upi.edu/73225/5/S_KOM_1703015_Chapter4.pdf; http://repository.upi.edu/73225/6/S_KOM_1703015_Chapter5.pdf; http://repository.upi.edu/73225/11/S_KOM_1703015_Appendix.pdf
• Keywords: H Social Sciences (General); L Education (General)

Pasar saham memiliki perilaku yang kompleks dan dinamis, sehingga pengambilan keputusan investasi di pasar saham merupakan tugas yang sulit. Informasi publik berupa berita dapat dijadikan sebagai data untuk memprediksi pergerakan harga saham, namun prediksi pergerakan harga saham berdasarkan berita memiliki tantangan tersendiri karena sifat berita yang tidak terstruktur. Penelitian ini menggunakan model word2vec untuk merepresentasikan berita ke dalam bentuk vektor, dan metode Long Short-Term Memory untuk klasifikasinya. Kami memanfaatkan 11.854 dataset berita saham dengan 750 lebih kode saham yang berasal dari Indonesia pada rentang tahun 2020-2021. Berdasarkan 6 model eksperimen yang dilakukan: (1) penggunaan data; (2) baseline; (3) arsitektur; (4) penambahan data; (5) hyperparameter; dan (6) penggunaan data 100 saham tertinggi, temuan memperlihatkan bahwa berita yang signifikan mempengaruhi pergerakan harga saham adalah berita yang terbit pada 6-7 hari sebelumnya. Hasil F1-Score terbaik yang didapatkan yaitu 0,32 untuk kelas harga naik dan 0,43 untuk kelas harga turun menggunakan data 6 hari setelah berita terbit, arsitektur LSTM 1-layer sebagai layer input, batch size 64, dan optimizer adam. The stock market has a complex and dynamic behavior, so making investment decisions in the stock market is a difficult task. Public information in the form of news can be used as data to predict stock price movements, but prediction of stock price movements based on news has its own challenges because of the unstructured nature of news. This study uses the word2vec model to represent news in vector form, and the Long Short-Term Memory method for classification. We utilize 11,854 stock news datasets with more than 750 stock codes originating from Indonesia in the range of 2020-2021. Based on 6 experimental models: (1) data usage; (2) baselines; (3) architecture; (4) addition of data; (5) hyperparameters; and (6) the use of data from the highest 100 stocks, the findings show that news that significantly affects stock price movements is news published on the previous 6-7 days. The best F1-Score results obtained are 0.32 for the rising price class and 0.43 for the descending price class using data 6 days after the news was published, 1-layer LSTM architecture as the input layer, batch size 64, and the adam optimizer.