KLASIFIKASI SENTIMEN BERBASIS ASPEK PADA BERITA SAHAM MENGGUNAKAN MODEL ASPECT SPECIFIC GRAPH CONVOLUTIONAL NETWORK

Pertumbuhan jumlah investor di Indonesia menjadikan berita saham sebagai sumber informasi penting dalam pengambilan keputusan investasi. Namun, berita saham sering kali memuat opini yang beragam terhadap berbagai aspek emiten sehingga analisis sentimen umum belum cukup untuk menggambarkan sentimen secara spesifik. Penelitian ini bertujuan untuk melakukan klasifikasi sentimen berbasis aspek pada berita saham perbankan berbahasa Indonesia dengan memanfaatkan model Aspect-Specific Graph Convolutional Network (ASGCN). Pemilihan model ini didasarkan pada temuan penelitian sebelumnya yang menunjukkan bahwa pendekatan berbasis Graph Convolutional Network (GCN) dan Transfer Learning lebih unggul dibandingkan metode tradisional dalam menangkap hubungan kontekstual dan nuansa bahasa pada teks berita saham. ASGCN secara khusus dirancang untuk mengintegrasikan representasi kontekstual dan struktur sintaksis melalui BiLSTM, GCN, serta aspect-specific masking, sehingga mampu menghubungkan sentimen secara langsung terhadap aspek yang dianalisis. Hasil penelitian menunjukkan bahwa model ASGCN mencapai akurasi sebesar 74,18%, yang menegaskan efektivitasnya dalam analisis sentimen berbasis aspek pada berita saham perbankan.

Kata Kunci: Aspect-Based Sentiment Analysis, Aspect-Specific Graph Convolutional Network, Berita Saha