Analisis Sentimen Berita Keuangan terhadap Pergerakan Harga Saham BBCA Menggunakan Model Zero-Shot mDeBERTa-v3
DOI:
https://doi.org/10.52436/1.jpti.1819Kata Kunci:
analisis sentimen, berita keuangan, harga saham, mDeBERTa-v3, zero-shot classification, BBCAAbstrak
Penelitian ini mengkaji hubungan antara sentimen berita keuangan dan pergerakan harga saham PT Bank Central Asia Tbk (BBCA), salah satu emiten dengan kapitalisasi pasar terbesar di Indonesia, pada periode Mei 2025 hingga Mei 2026. Sebanyak 3.113 artikel berita diklasifikasikan menggunakan model zero-shot berbasis mDeBERTa-v3 ke dalam tiga kategori sentimen, yaitu positif (66,1%), negatif (31,3%), dan netral (2,6%). Penggunaan mDeBERTa-v3 tanpa proses fine-tuning dan tanpa kebutuhan data berlabel menjadi kontribusi penelitian ini dalam penerapan metode analisis sentimen yang lebih efisien pada pasar modal Indonesia. Compound score harian dihitung sebagai agregat skor sentimen dan dianalisis korelasinya terhadap harga penutupan dan return harian BBCA. Hasil analisis Pearson menunjukkan korelasi positif signifikan antara compound score harian dan return harian (r = 0,2446; p < 0,001), sedangkan korelasi sentimen lag D-1 terhadap return harian tidak signifikan (r = -0,0717; p = 0,2715), yang mengindikasikan bahwa pasar bereaksi pada hari yang sama dengan munculnya berita. Rolling correlation 30 hari menunjukkan hubungan yang bervariasi, berkisar antara -0,15 hingga 0,53 selama periode pengamatan. Evaluasi arah prediksi menggunakan sentimen lag D-1 menghasilkan akurasi sebesar 45,1%, sehingga sentimen berita tidak dapat diandalkan sebagai prediktor tunggal arah harga saham. Temuan ini menunjukkan bahwa sentimen berita memiliki hubungan yang signifikan dengan kondisi pasar pada hari yang sama, namun lebih tepat dimanfaatkan sebagai fitur pelengkap dalam model prediksi harga saham multivariat yang menggabungkan faktor teknikal, fundamental, dan variabel ekonomi lainnya. Dengan demikian, penelitian ini memberikan alternatif pendekatan analisis sentimen berbasis zero-shot yang lebih efisien untuk mendukung pengambilan keputusan di pasar modal Indonesia.
Unduhan
Referensi
M. P. Bordoloi and S. K. Biswas, “Sentiment Analysis: A Survey on Design Framework, Applications and Future Scopes,” Artificial Intelligence Review, vol. 56, no. 4, pp. 3505-3560, 2023, doi: 10.1007/s10462-022-10233-3.
A. Adebiyi and M. A. Alshammari, “Innovative Sentiment Analysis and Prediction of Stock Price Using FinBERT, GPT-4 and Logistic Regression: A Data-Driven Approach,” Big Data and Cognitive Computing, vol. 8, no. 11, Art. 143, 2024, doi: 10.3390/bdcc8110143.
S. Linhares, N. Oliveira, P. Cortez, and V. Ramos, “Sentiment Trading with Large Language Models,” arXiv preprint arXiv:2412.19245, 2025. [Online]. Available: https://arxiv.org/abs/2412.19245.
P. He, J. Gao, and W. Chen, “DeBERTaV3: Improving DeBERTa using ELECTRA-Style Pre-Training with Gradient-Disentangled Embedding Sharing,” in Proc. ICLR 2023, 2023. [Online]. Available: https://arxiv.org/abs/2111.09543.
M. Laurer, W. van Atteveldt, A. Casas, and K. Welbers, “Building Efficient Universal Classifiers with Natural Language Inference,” arXiv preprint arXiv:2312.17543, 2023. [Online]. Available: https://arxiv.org/abs/2312.17543.
A. Jadhav and V. Mirza, “Large Language Models in Equity Markets: Applications, Techniques, and Insights,” Frontiers in Artificial Intelligence, vol. 8, 2025, doi: 10.3389/frai.2025.1608365.
Y. Lin and S. Wang, “Enhancing Stock Market Prediction with Sentiment Analysis Using a BERT-based Model,” Transactions on Computer Science and Intelligent Systems Research, vol. 7, pp. 309-315, 2024, doi: 10.62051/tq61jb84.
C. Zhang, “Dynamic Asset Pricing: Integrating FinBERT-Based Sentiment Quantification with the Fama–French Five-Factor Model,” arXiv preprint arXiv:2505.01432, 2025. [Online]. Available: https://arxiv.org/abs/2505.01432.
X. Liu, Y. Zhao, H. Wang, and J. Chen, “Stock Price Prediction Using FinBERT-Enhanced Sentiment with SHAP Explainability and Differential Privacy,” Mathematics, vol. 13, no. 17, Art. 2747, 2025, doi: 10.3390/math13172747.
C. Zhang, B. Yang, H. Zhou, T. Ali Babar, and X. Y. Liu, “Enhancing Financial Sentiment Analysis via Retrieval Augmented Large Language Models,” in Proc. 4th ACM Int. Conf. AI in Finance, pp. 349-356, 2023, doi: 10.1145/3604237.3626870.
S. Linhares et al., “Impact of LLMs News Sentiment Analysis on Stock Price Movement Prediction,” arXiv preprint arXiv:2602.00086, 2026. [Online]. Available: https://arxiv.org/abs/2602.00086.
T. Gangopadhyay and S. Majumder, “Stock Market Forecasting: From Traditional Predictive Models to Large Language Models,” Computational Economics, 2025, doi: 10.1007/s10614-025-11024-w.
A. Huang, H. Wang, and Y. Yang, “FinBERT: A Large Language Model for Extracting Information from Financial Text,” Contemporary Accounting Research, vol. 40, no. 2, pp. 806-841, 2023, doi: 10.1111/1911-3846.12832.
Q. Zheng, C. Yu, J. Cao, Y. Zhang, Y. Jin, and M. Zhu, “Predicting Stock Prices with FinBERT-LSTM: Integrating News Sentiment Analysis,” in Proc. 8th Int. Conf. Cloud and Big Data Computing, pp. 1-8, 2024, doi: 10.1145/3694860.3694870.
K. Kirtac and G. Germano, “Enhanced Financial Sentiment Analysis and Trading Strategy Development Using Large Language Models,” in Proceedings of the 14th Workshop on Computational Approaches to Subjectivity, Sentiment & Social Media Analysis, 2024, pp. 225–236.
