Integrasi Web Scraping Dan BiLSTM Untuk Pemantauan Real-Time Sentimen Saham Di Indonesia
Abstract
Abstrak— Pertumbuhan pesat investor ritel di pasar modal Indonesia meningkatkan kebutuhan akan informasi yang cepat dan mudah diinterpretasikan sebagai dasar pengambilan keputusan investasi. Selain faktor kuantitatif, persepsi yang terbentuk dari berita keuangan berperan penting dalam membentuk sentimen pasar. Volume berita yang tinggi dan penyebarannya yang cepat menimbulkan masalah information overload, sehingga diperlukan sistem analisis sentimen yang otomatis dan andal. Penelitian ini mengembangkan sistem pemantauan sentimen saham berbahasa Indonesia dengan mengintegrasikan web scraping berita dari empat portal keuangan, pra-proses teks, dan model Bidirectional Long Short-Term Memory (BiLSTM) dalam satu aplikasi web berbasis Flask. Dataset awal berisi 36.733 judul berita saham; setelah pelabelan menggunakan ChatGPT dan penghapusan kelas netral, diperoleh 25.537 data dengan dua kelas sentimen (positif dan negatif). Model BiLSTM terbaik dengan embedding 100, 128 unit LSTM, dropout 0,5, batch size 64, dan learning rate 0,001 menghasilkan akurasi 87,53%, macro precision 84,90%, macro recall 79,11%, dan macro F1-score 81,41% pada 5.108 data uji. Sistem kemudian diintegrasikan dengan modul web scraping real-time serta mekanisme rekomendasi beli/jual/tahan berbasis interval Wilson pada rata-rata probabilitas sentimen positif. Hasil menunjukkan bahwa BiLSTM efektif untuk analisis sentimen berita saham Indonesia dan siap digunakan sebagai komponen sistem pendukung keputusan investasi berbasis data.
Kata kunci— Analisis sentimen, saham, BiLSTM, web scraping, berita keuangan
References
REFERENSI
Kustodian Sentral Efek Indonesia, “Statistik Pasar Modal Indonesia,” 2025. [Online]. Available: www.ksei.co.id
A. Alamsyah et al., “Deciphering news sentiment and stock price relationships in Indonesian companies: an AI-based exploration of industry affiliation and news co-occurrence,” Discover Artificial Intelligence, vol. 5, no. 1, Dec. 2025, doi: 10.1007/s44163-025-00350-5.
A. P. Adhi, K. Umuri, and G. Triyono, “SENTIMENT ANALYSIS AND ENTITY DETECTION ON NEWS HEADLINES TO SUPPORT INVESTMENT DECISIONS,” Jurnal Teknik Informatika (Jutif), vol. 5, no. 6, pp. 1801–1810, Dec. 2024, doi: 10.52436/1.jutif.2024.5.6.3434.
F. P. Putra, M. R. Dewi, and F. Hibatullah, “Analisis Sentimen Pasar melalui Berita Finansial untuk Prediksi Harga Saham PT Bank Rakyat Indonesia Tbk,” IJAI (Indonesian Journal of Applied Informatics), vol. 9, pp. 124–137, 2024.
L. Shahrzadi, A. Mansouri, M. Alavi, and A. Shabani, “Causes, consequences, and strategies to deal with information overload: A scoping review,” International Journal of Information Management Data Insights, vol. 4, no. 2, Nov. 2024, doi: 10.1016/j.jjimei.2024.100261.
Reza Nur Fadila et al., “Media, Komunikasi, dan Jurnalistik di Era Digital,” 2024.
O. N. Akande, M. O. Lawrence, and P. Ogedebe, “Application of bidirectional LSTM deep learning technique for sentiment analysis of COVID-19 tweets: post-COVID vaccination era,” Journal of Electrical Systems and Information Technology, vol. 10, no. 1, Nov. 2023, doi: 10.1186/s43067-023-00118-w.
U. B. Mahadevaswamy and P. Swathi, “Sentiment Analysis using Bidirectional LSTM Network,” in Procedia Computer Science, Elsevier B.V., 2022, pp. 45–56. doi: 10.1016/j.procs.2022.12.400.
W. Zhang, Y. Deng, B. Liu, S. J. Pan, and L. Bing, “Sentiment Analysis in the Era of Large Language Models: A Reality Check,” May 2023, [Online]. Available: http://arxiv.org/abs/2305.15005
N. Afrianto, “Prediksi Saham dengan Bidirectional LSTM dan Analisis Sentimen,” 2022.
Christophorus Bintang Saputra and D. P. Koesrindartoto, “Pemanfaatan Analisis Sentimen Youtube untuk Prediksi Harga Saham: Studi pada Investor Retail Indonesia,” Jurnal Manajemen, vol. 21, no. 1, pp. 1–17, Jul. 2024, doi: 10.25170/jm.v21i1.5184.
M. K. Pasaribu et al., “Utilizing X Sentiment Analysis to Improve Stock Price Prediction Using Bidirectional Long Short-Term Memory,” Jurnal Ilmu Komputer dan Informasi, vol. 18, no. 1, pp. 103–111, Dec. 2024, doi: 10.21609/jiki.v18i1.1428.
J. Hartanto, T. Liundi, R. Sutoyo, and E. W. Andangsari, “ID-SMSA: Indonesian stock market dataset for sentiment analysis,” Data Brief, vol. 60, Jun. 2025, doi: 10.1016/j.dib.2025.111571.
K. L. Tan, C. P. Lee, and K. M. Lim, “A Survey of Sentiment Analysis: Approaches, Datasets, and Future Research,” Apr. 01, 2023, MDPI. doi: 10.3390/app13074550.
Dhimas Fitrian Haryanto and Edi Wibowo, “Pengaruh Harga Saham, Return Saham, dan Pelatihan Pasar Modal terhadap Minat Investasi,” Lokawati : Jurnal Penelitian Manajemen dan Inovasi Riset, vol. 2, no. 5, pp. 280–292, Aug. 2024, doi: 10.61132/lokawati.v2i5.1203.
D. Musfiroh, U. Khaira, P. E. P. Utomo, and T. Suratno, “Analisis Sentimen terhadap Perkuliahan Daring di Indonesia dari Twitter Dataset Menggunakan InSet Lexicon,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 1, pp. 24–33, 2021.
R. N. S. P. Zhafirah, R. Ade, and B. S. Erwin, “Analisis Pengaruh Normalisasi Teks pada Klasifikasi Sentimen Ulasan Produk Kecantikan,” e-Proceeding of Engineering, vol. 9, 2022.
W. Chen, Y. Su, Y. Shen, Z. Chen, X. Yan, and W. Wang, “How Large a Vocabulary Does Text Classification Need? A Variational Approach to Vocabulary Selection,” Apr. 2019, [Online]. Available: http://arxiv.org/abs/1902.10339
A. A. Pratiwi and M. Kamayani, “Perbandingan Pelabelan Data dalam Analisis Sentimen Kurikulum Proyek di platform TikTok: Pendekatan Naïve Bayes,” Jurnal Eksplora Informatika, vol. 14, no. 1, pp. 96–107, Sep. 2024, doi: 10.30864/eksplora.v14i1.1093.
M. Belal, J. She, and S. Wong, “Leveraging ChatGPT As Text Annotation Tool For Sentiment Analysis,” Jun. 2023, [Online]. Available: http://arxiv.org/abs/2306.17177
P. G. Andersson, “A Note on Confidence Intervals for a Binomial p: Andersson–Nerman vs. Wilson,” Stat, vol. 13, no. 4, Dec. 2024, doi: 10.1002/sta4.70027.
S. Greenland et al., “Statistical tests, P values, confidence intervals, and power: a guide to misinterpretations,” Eur J Epidemiol, vol. 31, no. 4, pp. 337–350, Apr. 2016, doi: 10.1007/s10654-016-0149-3.
A. Ahadi Ningrum, “Penerapan Framework Flask Pada Machine Learning Dalam Memprediksi Umur Transformer,” KONVERGENSI, vol. 19, no. 2, pp. 51–59, 2023.
N. Setiawan, “PENENTUAN UKURAN SAMPEL MEMAKAI RUMUS SLOVIN DAN TABEL KREJCIE-MORGAN: TELAAH KONSEP DAN APLIKASINYA,” 2007.
