Prediksi Pergerakan Harga Saham Berdasarkan Judul Berita Menggunakan Support Vector Machine (SVM) dan Long-Short Term Memory (LSTM)

karimah, ummu (2022) Prediksi Pergerakan Harga Saham Berdasarkan Judul Berita Menggunakan Support Vector Machine (SVM) dan Long-Short Term Memory (LSTM). Other thesis, Institut Teknologi Sepuluh Nopember.

Text 06211840000091-Undergraduate_Thesis.pdf Restricted to Repository staff only Download (1MB) | Request a copy

Abstract

Pergerakan harga saham dapat dipengaruhi oleh beberapa faktor seperti ekonomi, inflasi, sentimen pasar, dan aktivitas sebuah perusahaan yang mengeluarkan lembar saham. Artikel atau berita yang menjelaskan tentang fundamental perusahaan atau terkait ekonomi tentunya secara tidak langsung dapat memberikan dampak pada pergerakan harga saham. Kondisi dan situasi terkini terkait saham yaitu perekonomian maupun fundamental perusahaan dapat terlihat melalui berita yang dirilis. Oleh karena itu pada penelitian ini akan membahas tentang prediksi harga saham dengan input berupa judul berita terkait saham gabungan LQ45 yang didapatkan dari portal berita khusus membahas perekonomian yaitu bisnis.com. Data target yang digunakan adalah harga saham gabungan LQ45 yang dikategorikan menjadi tiga kelas dan dua kelas menggunakan metode abnormal return. Penelitian ini bertujuan untuk membandingkan metode Support Vector Machine (SVM) dan Long-Short Term Memory (LSTM) menggunakan perhitungan vektor kata yang berbeda yaitu TF-IDF, Word2vec, dan Doc2vec. Ketepatan klasifikasi yang paling baik untuk model SVM adalah pada model klasifikasi 2 kelas menggunakan vektor kata Doc2vec dengan akurasi sebesar 60,50% dan Matthews Correlation Coefficient (MCC) sebesar 0,133. Model NN dengan ketepatan klasifikasi yang paling baik diberikan oleh model yang menggunakan vektor kata doc2vec pada klasifikasi 2 kelas dengan besaran akurasi dan MCC adalah sebesar 54,80% dan 0,010. Sebagai perbandingan dari 12 model yang dibangun berdasarkan variasi yang digunakan, model dengan metode SVM yang menggunakan vektor kata Doc2vec memberikan ketepatan klasifikasi yang lebih baik dibandingkan sisa model yang ada.Kata Kunci: Berita, Harga Saham, Long-Short Term Memory, Prediksi, Support Vector Machine.
==============================================================================================================================
Stock price movements can be influenced by several factors such as the economy, inflation, market sentiment, and the activities of a company that issues shares. Articles or news that explain the company's fundamentals or are related to the economy, of course, can indirectly have an impact on stock price movements. The latest conditions and situations related to stocks, namely the economy and company fundamentals, can be seen through the released news. Therefore, in this study, we will discuss stock price prediction with input in the form of headline news related to the LQ45 joint stock obtained from a news portal specifically discussing the economy, namely Bisnis.com. The target data used is the joint-stock price of LQ45 which is categorized into three classes and two classes using the abnormal return method. This study aims to compare the Support Vector Machine (SVM) and Long-Short Term Memory (LSTM) methods using different word vector calculations, namely TF-IDF, Word2vec, and Doc2vec. The best classification accuracy for the SVM model is the 2-class classification model using the Doc2vec word vector with an accuracy of 60.50% and Matthew's Correlation Coefficient (MCC) of 0.133. The LSTM model with the best classification accuracy was given by a model using the word vector Doc2vec in the classification of 2 classes with great accuracy and MCC of 54.80% and 0.010, respectively. As a comparison of the 12 models built based on the variations used, the model with the SVM method using the Doc2vec word vector provides a better classification accuracy than the rest of the existing models.Keywords: Long-Short Term Memory, News, Predict, Stock Price, Support Vector Machine.

Item Type:	Thesis (Other)
Additional Information:	RSSt 519.53 Kar p-1 2022
Uncontrolled Keywords:	support vector machine. long-short term memory. support vector machine support vector machine. long short term memory.
Subjects:	H Social Sciences > HA Statistics
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Statistics > 49201-(S1) Undergraduate Thesis
Depositing User:	Mr. Marsudiyana -
Date Deposited:	11 Jun 2026 04:05
Last Modified:	11 Jun 2026 04:05
URI:	http://repository.its.ac.id/id/eprint/133730

Actions (login required)

View Item