PREDIKSI PERGERAKAN HARGA SAHAM BERDASARKAN LAPORAN TAHUNAN PERUSAHAAN TERBUKA MENGGUNAKAN METODE CONTEXTUAL EMBEDDING BERT DAN LONG SHORT-TERM MEMORY

Yosafat, - (2024) PREDIKSI PERGERAKAN HARGA SAHAM BERDASARKAN LAPORAN TAHUNAN PERUSAHAAN TERBUKA MENGGUNAKAN METODE CONTEXTUAL EMBEDDING BERT DAN LONG SHORT-TERM MEMORY. S1 thesis, Universitas Pendidikan Indonesia.

	Text S_KOM_2009929_Title.pdf Download (1MB)
	Text S_KOM_2009929_Chapter1.pdf Download (2MB)
	Text S_KOM_2009929_Chapter2.pdf Restricted to Staf Perpustakaan Download (2MB)
	Text S_KOM_2009929_Chapter3.pdf Download (2MB)
	Text S_KOM_2009929_Chapter4.pdf Restricted to Staf Perpustakaan Download (2MB)
	Text S_KOM_2009929_Chapter5.pdf Download (2MB)
	Text S_KOM_2009929_Appendix.pdf Restricted to Staf Perpustakaan Download (2MB)

Abstract

Pasar saham bersifat kompleks dan cenderung memiliki volatilitas yang tinggi. Hal ini menyebabkan proses pengambilan keputusan investasi menjadi sulit. Informasi tekstual pada laporan tahunan perusahaan terbuka dapat dijadikan data untuk memprediksi pergerakan harga saham. Namun, prediksi ini memiliki tantangan tersendiri karena perlu memproses data teks yang memiliki sifat tidak terstruktur. Penelitian ini mengusulkan metode contextual embedding BERT untuk mengubah teks laporan tahunan menjadi representasi vektor dan melakukan klasifikasi menggunakan Long Short-Term Memory (LSTM). Dataset yang digunakan terdiri dari 304 laporan tahunan dari 34 perusahaan terbuka yang dikumpulkan mulai dari tahun 2005 sampai dengan tahun 2020. Berdasarkan eksperimen yang dilakukan terhadap 4 skenario: (1) penggunaan data; (2) baseline; (3) pemotongan teks (truncation); dan (4) hyperparameter, diperoleh temuan yang menunjukkan bahwa laporan tahunan yang memiliki pengaruh signifikan terhadap pergerakan harga saham adalah laporan tahunan yang terbit 2-3 tahun sebelumnya. Selain itu, bagian akhir (tail) pada teks laporan tahunan mengandung informasi penting dan berpengaruh signifikan terhadap pergerakan harga saham. Model klasifikasi terbaik menghasilkan F1-Score untuk kelas harga saham naik yaitu 0.78 dan menggunakan data 3 tahun setelah laporan tahunan diterbitkan, menggunakan bagian akhir (tail) teks, dan batch size 16. Sedangkan untuk kelas harga saham turun, model terbaik menghasilkan F1-Score yaitu 0.57 dan menggunakan data 2 tahun setelah laporan tahunan terbit, menggunakan bagian akhir (tail) teks, dan batch size 16. The stock market is complex and tends to have high volatility. This makes the investment decision-making process difficult. Textual information in the annual reports of listed companies can be used as data to predict stock price movements. However, this prediction has its own challenges because it needs to process text data that has an unstructured nature. This research proposes a contextual embedding BERT method to convert annual report text into vector representation and perform classification using Long Short-Term Memory (LSTM). The dataset used consists of 304 annual reports from 34 public companies collected from 2005 to 2020. Based on experiments conducted on 4 scenarios: (1) data usage; (2) baseline; (3) truncation; and (4) hyperparameter, the findings show that annual reports that have a significant influence on stock price movements are annual reports published 2-3 years earlier. In addition, the tail of the annual report text contains important information and has a significant effect on stock price movements. The best classification model produces F1-Score for the rising price class which is 0.78 and uses data 3 years after the annual report is published, uses the tail part of the text, and batch size 16. As for the descending class, the best model produces F1-Score which is 0.57 and uses data 2 years after the annual report is published, uses the tail part of the text, and batch size 16.

Item Type:	Thesis (S1)
Additional Information:	https://scholar.google.com/citations?hl=en ID SINTA Dosen Pembimbing: Yudi Wibisono: 260167 Ani Anisyah: 6786982
Uncontrolled Keywords:	Prediksi Pergerakan Harga Saham, Laporan Tahunan, Contextual Embedding, BERT, LSTM Stock Price Movement Prediction, Annual Report, Contextual Embedding, BERT, LSTM
Subjects:	H Social Sciences > H Social Sciences (General) Q Science > Q Science (General) Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Fakultas Pendidikan Matematika dan Ilmu Pengetahuan Alam > Program Studi Ilmu Komputer
Depositing User:	Yosafat -
Date Deposited:	10 Sep 2024 07:00
Last Modified:	10 Sep 2024 07:00
URI:	http://repository.upi.edu/id/eprint/123267

Actions (login required)

View Item