Prediksi Harga Saham Sektor Energi di BEI Menggunakan Model Multimodal LSTM dengan Integrasi Fitur Numerik dan Sentimen Berita Pasar Modal di Indonesia
DOI:
https://doi.org/10.58466/jm8dtf93Kata Kunci:
prediksi harga saham, LSTM, multimodal, Analisis Sentimen, IndoBERTAbstrak
Pergerakan harga saham sektor energi memiliki volatilitas tinggi yang dipengaruhi oleh data historis dan sentimen berita. Penelitian ini mengevaluasi performa prediksi harga saham dengan mengintegrasikan data numerik dan teks berita ekonomi menggunakan arsitektur Long Short-Term Memory (LSTM) multimodal. Data yang digunakan meliputi harga saham ADRO, PGAS, dan INDY dari periode 2021 hingga 2026 beserta berita ekonomi berbahasa Indonesia. Ekstraksi sentimen teks berita menggunakan model IndoBERT. Hasil penelitian menunjukkan bahwa model IndoBERT memiliki akurasi dan F1-score sebesar 83%. Evaluasi pada model unimodal (hanya data historis) menghasilkan Mean Absolute Percentage Error (MAPE) sebesar 3,62% untuk ADRO, 3,17% untuk PGAS, dan 5,90% untuk INDY. Sementara itu, model multimodal yang menggabungkan fitur numerik dan sentimen menghasilkan MAPE sebesar 4,00% (ADRO), 5,46% (PGAS), dan 8,47% (INDY). Kesimpulannya, model LSTM unimodal terbukti efektif , namun integrasi fitur sentimen dalam skema multimodal belum memberikan peningkatan akurasi yang signifikan akibat karakteristik volatilitas saham yang tinggi.
Referensi
D. I. Puteri, “Implementasi Long Short Term Memory (LSTM) dan Bidirectional Long Short Term Memory (BiLSTM) Dalam Prediksi Harga Saham Syariah,” Euler J. Ilm. Mat. Sains dan Teknol., vol. 11, no. 1, pp. 35–43, 2023, doi: 10.34312/euler.v11i1.19791.
A. S. Sanfa and B. B. Tjandrasa, “Pengaruh faktor-faktor makroekonomi pada dinamika Indeks Harga Saham Gabungan (IHSG),” J. Manaj. Bisnis dan Kewirausahaan, vol. 8, no. 6, pp. 1507–1521, 2024, doi: 10.24912/jmbk.v8i6.32167.
H. A. Utami, E. Herwiyanti, and I. Suparlinah, “Pengaruh Sentimen Pasar Terhadap Pergerakan Harga Saham Pada Perusahaan Industri Manufaktur Pada Bursa Efek Indonesia,” Bisnis dan Akunt., vol. 26, no. 1, pp. 25–34, 2024, [Online]. Available: www.idx.co.id.
R. Julian and M. R. Pribadi, “Peramalan Harga Saham Pertambangan Pada Bursa Efek Indonesia (BEI) Menggunakan Long Short Term Memory (LSTM),” JATISI (Jurnal Tek. Inform. dan Sist. Informasi), vol. 8, no. 3, pp. 1570–1580, 2021, doi: 10.35957/jatisi.v8i3.1159.
E. Pramudya, D. Retnoningsih, and D. Ruswanti, “Implementasi Metode LSTM untuk Prediksi Harga Saham PT Indofood CBP Sukses Makmur TBK,” J. Nas. Teknol. Inf. dan Apl. , vol. 3, no. 4, pp. 933–940, 2025, [Online]. Available: https://ejournal2.unud.ac.id/index.php/jnatia/article/view/186
F. R. Arnanda and A. ’Azizah N. Rahmah, “Deteksi Pergerakan IHSG Berdasarkan Berita Daring Menggunakan Model Deep Learning Berbasis Transformer,” Semin. Nas. Off. Stat., vol. 2024, no. 1, pp. 439–448, 2024, doi: 10.34123/semnasoffstat.v2024i1.1951.
Y. Asri, D. Kuswardani, W. N. Suliyanti, Y. O. Manullang, and A. R. Ansyari, “Sentiment analysis based on Indonesian language lexicon and IndoBERT on user reviews PLN mobile application,” Indones. J. Electr. Eng. Comput. Sci., vol. 38, no. 1, p. 677, 2025, doi: 10.11591/ijeecs.v38.i1.pp677-688.
R. Hidayat and W. Gata, “Pemanfaatan IndoBERT Untuk Analisis Sentimen Ulasan Aplikasi Depok Single Window,” Inf. Syst. Educ. Prof. J. Inf. Syst., vol. 10, no. 1, p. 13, 2025, doi: 10.51211/isbi.v10i1.3334.
S. Yacine, B. Abdenour, and A. Mohamed, “Early , intermediate and late fusion strategies for robust deep learning-based multimodal action recognition,” 2021.
E. M. Rizqiyani, N. Y. Setiawan, and M. C. Saputra, “Studi Komparatif Algoritma Long Short Term Memory (Lstm) Dan Gated Recurrent Unit (Gru) Dalam Peramalan Harga Saham Pt. Fast Food Indonesia Tbk (Fast),” vol. 9, no. 11, pp. 2548–964, 2025, [Online]. Available: http://j-ptiik.ub.ac.id
A. N. H. Ika Apriliani, “ANALISIS TEKNIKAL SEBAGAI DASAR PENGAMBILAN KEPUTUSAN DALAM JUAL BELI SAHAM PADA JII-30 PERIODE,” vol. 3, pp. 100–114, 2023.
G. Budiprasetyo, M. Hani’ah, and D. Z. Aflah, “Prediksi Harga Saham Syariah Menggunakan Algoritma Long Short-Term Memory (LSTM),” J. Nas. Teknol. dan Sist. Inf., vol. 8, no. 3, pp. 164–172, 2023, doi: 10.25077/teknosi.v8i3.2022.164-172.
W. J. Kusoema, I. Ibrahim, P. Studi, T. Informatika, K. Bandung, and J. Barat, “Analisis Sentimen dalam Kasus Korupsi PT . Pertamina menggunakan Metode indoBERT dan RCNN Sentiment Analysis on the PT Pertamina Corruption Case using IndoBERT and RCNN Methods,” vol. 14, pp. 2246–2257, 2025.
F. Putra, Ferdyansyah Permana. Dewi, Mukti Ratna. Hibatullah, “Analisis Sentimen Pasar melalui Berita Finansial untuke Prediksi Harga Saham PT Bank Rakyat Indonesia Tbk,” IIJAI (Indonesian J. Appl. Informatics), vol. 9, p. 14, 2024.
Z. Li and C. Yang, “A Comparative Sentiment Analysis of Airline Customer Reviews Using Bidirectional Encoder Representations from Transformers ( BERT ) and Its Variants,” 2024.
N. Afrianto, “Prediksi Saham dengan Bidirectional LSTM dan Analisis Sentimen,” 2022.
N. Anggraini et al., “PREDIKSI HARGA SAHAM SEKTOR ENERGI MENGGUNAKAN METODE SPATIAL TEMPORAL ATTENTION-BASED CONVOLUTIONAL NETWORK BERDASARKAN DATA TEKS DAN NUMERIK,” vol. 9, no. 3, pp. 3872–3880, 2025.
A. Heiden, “Applying LSTM for Stock Price Prediction with Sentiment Analysis,” 2021.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2026 Naufal Lathifan Yumna, Ghufron Ghufron
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
