Prediksi Indeks Harga Saham Gabungan (IHSG) Berbasis Sentimen Berita Ekonomi Indonesia Menggunakan Integrasi IndoBERT dan LSTM

Mario Walewangko, Felix (2026) Prediksi Indeks Harga Saham Gabungan (IHSG) Berbasis Sentimen Berita Ekonomi Indonesia Menggunakan Integrasi IndoBERT dan LSTM. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (619kB)
	PDF BAB_I.pdf Download (213kB)
	PDF BAB_II.pdf Download (355kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (339kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (3MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (262kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (213kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (804kB)
	Archive (ZIP) 00000070498_2521_LembarPengesahan.pdf Restricted to Registered users only Download (66kB)

Abstract

Pergerakan Indeks Harga Saham Gabungan (IHSG) yang fluktuatif menjadi tantangan dalam proses prediksi pasar modal karena dipengaruhi oleh pola historis harga, indikator teknikal, serta sentimen dari berita ekonomi. Metode statistik konvensional seperti ARIMA memiliki keterbatasan dalam menangkap pola non- linear dan informasi tekstual yang dapat memengaruhi arah pergerakan pasar. Oleh karena itu, penelitian ini mengembangkan model Cross-Attention Hybrid LSTM-IndoBERT untuk memprediksi pergerakan IHSG dengan mengintegrasikan data teknikal dan sentimen berita ekonomi Indonesia. Penelitian ini menggunakan data historis IHSG periode 2020­2024 yang terdiri atas 1.211 observasi OHLCV mentah. Setelah pembentukan indikator teknikal dan penghapusan nilai kosong akibat perhitungan indikator, diperoleh 1.178 observasi siap model dengan 12 fitur teknikal. Data tekstual berupa 3.592 artikel berita ekonomi Indonesia diproses menggunakan zero-shot classification untuk memperoleh label sentimen, kemudian dikonversi menjadi embedding menggunakan IndoBERT. Representasi sentimen direduksi menggunakan PCA dan digabungkan dengan representasi temporal LSTM melalui mekanisme multi-head cross-attention. Model dilatih menggunakan DirectionalMSELoss agar tidak hanya meminimalkan kesalahan nilai prediksi, tetapi juga memperhatikan ketepatan arah pergerakan IHSG. Hasil penelitian menunjukkan bahwa model Cross-Attention Hybrid LSTM-IndoBERT memperoleh Directional Accuracy sebesar 62,72%, Balanced Accuracy sebesar 0,6276, MCC sebesar 0,2572, RMSE log return sebesar 0,005325, dan MAPE sebesar 0,3626%. Model ini mengungguli Naive Baseline dengan DA 50,00% dan ARIMA (5,1,0) dengan DA 49,72%. Selain itu, simulasi trading menunjukkan bahwa strategi berbasis prediksi model menghasilkan total net return sebesar +16,54%, sedangkan IHSG sebagai benchmark menghasilkan return sebesar -0,68%. Hasil ini menunjukkan bahwa integrasi IndoBERT dan LSTM melalui mekanisme cross-attention dapat memberikan kontribusi positif dalam prediksi arah pergerakan IHSG.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Mario Walewangko, Felix (00000070498)
Contributors:	Winarno, Winarno
Keywords:	Atensi Silang, IHSG, IndoBERT, LSTM, Prediksi Saham, Sentimen Berita
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	21 Jul 2026 07:59
URI:	https://kc.umn.ac.id/id/eprint/47800

Actions (login required)

View Item