INTEGRASI FINANCIAL ROBERTA DAN FORECASTING SAHAM DENGAN PENDEKATAN DEEP LEARNING UNTUK PREDIKSI SAHAM PERBANKAN

Akurasi prediksi harga saham masih menjadi tantangan dalam pengambilan keputusan investasi, terutama ketika model hanya mengandalkan data historis tanpa mempertimbangkan sentimen pasar yang dipengaruhi oleh berita keuangan. Di sisi lain, model analisis sentimen seperti Financial RoBERTa telah terbukti unggul dalam memahami konteks bahasa finansial, namun tidak cukup bila digunakan tanpa mempertimbangkan faktor teknikal seperti tren harga. Untuk mengatasi keterbatasan ini, penelitian ini mengusulkan pendekatan hybrid dengan mengintegrasikan Financial RoBERTa untuk analisis sentimen dari berita keuangan dan Gated Recurrent Unit (GRU) untuk forecasting berbasis data historis. Data dikumpulkan dari saham sektor perbankan Indonesia yaitu BBRI, BMRI, dan BBCA dengan sumber sentimen dari CNBC Indonesia dan Bisnis.com. Empat skenario input diuji: hanya data historis, historis + CNBC, historis + Bisnis.com, dan kombinasi semua. Hasil menunjukkan bahwa seluruh skenario yang melibatkan sentimen mampu menurunkan error dibandingkan penggunaan data historis saja. Skenario dengan sentimen Bisnis.com memberikan hasil terbaik, dengan nilai RMSE, MAE, dan MAPE masing-masing sebesar 14.07, 19.72, dan 0.41 pada saham BBRI serta RMSE 33.50 dan MAPE 0.39 pada saham BMRI. Temuan ini menegaskan bahwa integrasi data kuantitatif dan kualitatif mampu meningkatkan akurasi prediksi saham dan dapat menjadi fondasi sistem prediktif yang adaptif terhadap dinamika pasar keuangan Indonesia.

Kata kunci: Analisis Sentimen, Deep learning, Financial RoBERTa, GRU, Peramalan Harga Saham