VOKASI NEWS – Pasar modal Indonesia terus mengalami perkembangan yang pesat dalam beberapa tahun terakhir. Hal ini ditunjukkan oleh kapitalisasi pasar yang mencapai Rp13.390 triliun serta jumlah investor yang meningkat hingga lebih dari 17 juta pada pertengahan tahun 2025. Dinamika harga saham di Bursa Efek Indonesia saat ini tidak lagi hanya dipengaruhi oleh laporan keuangan emiten. Opini publik yang beredar luas di media sosial X juga turut berperan dalam memengaruhi pergerakan harga saham. Fenomena tersebut menjadi latar belakang dilakukannya sebuah riset mengenai analisis sentimen saham di media sosial X. Penelitian ini membandingkan dua pendekatan kecerdasan buatan, yaitu Support Vector Machine (SVM) dan IndoBERTweet, untuk mengklasifikasikan sentimen investor. Analisis dilakukan terhadap enam saham yang termasuk dalam 50 saham teratas IHSG, yaitu BBRI, BMRI, TLKM, ISAT, ICBP, dan UNVR, yang mewakili sektor perbankan, telekomunikasi, serta consumer goods.
Pengumpulan dan Pelabelan Data dan Analisis Sentimen
Riset ini menganalisis sebanyak 117.054 tweet berbahasa Indonesia yang dikumpulkan dari platform X. Data tersebut berasal dari periode pengamatan tahun 2018 hingga 2025. Data penelitian dibagi ke dalam tiga rentang waktu, yaitu sebelum, selama, dan sesudah pandemi Covid-19. Pembagian tersebut dilakukan untuk melihat pergeseran pola sentimen investor dari waktu ke waktu. Setiap tweet diberikan label sentimen menggunakan metode lexicon-based. Hasil pelabelan tersebut kemudian divalidasi oleh ahli (expert) untuk memastikan kualitas dan akurasi anotasi data yang digunakan dalam penelitian.
Perbandingan Metode SVM dan IndoBERTweet
Bahasa yang digunakan di media sosial X umumnya bersifat informal serta banyak mengandung singkatan dan istilah slang. Kondisi tersebut menjadi salah satu tantangan utama dalam proses analisis opini atau sentimen pengguna. Untuk menjawab tantangan tersebut, penelitian ini menguji dua algoritma yang berbeda dalam klasifikasi sentimen. Algoritma pertama adalah Support Vector Machine (SVM) yang menggunakan metode ekstraksi fitur Term Frequency–Inverse Document Frequency (TF-IDF). Algoritma kedua adalah IndoBERTweet, yaitu model bahasa berbasis Transformer yang dilatih secara khusus menggunakan puluhan juta tweet berbahasa Indonesia.
Hasil pengujian menunjukkan bahwa IndoBERTweet secara konsisten memiliki kinerja yang lebih baik dibandingkan SVM. Keunggulan tersebut terlihat dari rata-rata tingkat akurasi yang mencapai 93,41%. Keunggulan tersebut didukung oleh kemampuan IndoBERTweet dalam memahami konteks kalimat secara dua arah melalui mekanisme self-attention. Kemampuan ini membuat model lebih adaptif dalam mengenali dan menginterpretasikan bahasa informal yang umum digunakan oleh warganet Indonesia. Meskipun demikian, SVM tetap relevan digunakan sebagai model alternatif dalam kondisi tertentu. Hal ini karena proses pelatihannya relatif lebih singkat dibandingkan IndoBERTweet. Selain itu, SVM juga memiliki keunggulan dalam efisiensi waktu komputasi selama proses pemodelan.
Pengembangan Sistem StockSenseID
Selanjutnya, model dengan performa terbaik dari hasil perbandingan tersebut diimplementasikan ke dalam sebuah sistem berbasis web. Sistem tersebut dikembangkan menggunakan framework Flask dan diberi nama StockSenseID. Sistem ini mengintegrasikan seluruh tahapan analisis sentimen ke dalam satu platform yang terpadu. Tahapan tersebut meliputi proses pengumpulan data, praproses teks, pemodelan, hingga visualisasi hasil sentimen. Dengan integrasi tersebut, pengguna dapat melakukan analisis secara lebih praktis dan efisien dalam satu sistem. Dashboard analisis sentimen dengan filter periode, grafik tren historis, visualisasi distribusi sentimen per saham, dan fitur analisis kalimat langsung adalah fitur yang tersedia. Selain itu, pengguna dapat menganalisis dataset baru melalui unggahan file CSV, yang menghasilkan grafik, tabel, dan statistik yang dapat diunduh.
Pengujian fungsionalitas yang dilakukan menggunakan metode Black Box Testing membuktikan bahwa semua fitur sistem berjalan sesuai dengan rencana tanpa kendala teknis. Selain itu, metode Mean Opinion Score digunakan untuk menilai kepuasan pengguna yang melibatkan 31 responden menghasilkan skor keseluruhan 3,98 dari skala lima, tergolong kategori baik. Aspek kegunaan sistem mendapat penilaian tertinggi dengan skor 4,14, menandakan bahwa sistem dinilai efektif membantu pengguna memahami persepsi sentimen terhadap saham tertentu.
Potensi Pemanfaatan Sentimen dalam Pengambilan Keputusan Investasi
Sistem seperti StockSenseID dinilai berpotensi menjadi alat pendukung dalam memahami dinamika pasar, khususnya bagi investor ritel yang kerap terpengaruh oleh sentimen viral di media sosial sebelum mengambil keputusan jual beli saham. Pemantauan sentimen secara real-time semakin penting di tengah arus informasi digital yang cepat karena fenomena herd behavior, yaitu kecenderungan investor untuk mengikuti opini mayoritas tanpa melakukan riset fundamental mendalam.
Rekomendasi Pengembangan dan Penelitian Lanjutan
Beberapa masukan dari pengguna menjadi bahan pengembangan lanjutan, seperti penambahan fitur tutorial penggunaan, notifikasi perubahan sentimen, integrasi harga saham secara real-time, word cloud, hingga versi aplikasi mobile. Rekomendasi untuk penelitian lanjutan juga mencakup memperluas cakupan saham dan sektor industri, serta integrasi data secara real-time melalui API resmi platform X, juga menjadi rekomendasi untuk penelitian selanjutnya. Riset ini diharapkan dapat menjadi referensi tambahan bagi investor maupun akademisi dalam memahami dinamika sentimen di pasar modal Indonesia, tanpa dimaksudkan sebagai dasar pengambilan keputusan investasi secara langsung.
Inovasi pemanfaatan kecerdasan buatan untuk mendukung transparansi informasi dan literasi pasar modal ini turut sejalan dengan agenda Sustainable Development Goals (SDGs), khususnya poin ke-8 mengenai Pekerjaan Layak dan Pertumbuhan Ekonomi serta poin ke-9 mengenai Industri, Inovasi, dan Infrastruktur, melalui pengembangan teknologi yang mendukung pengambilan keputusan ekonomi yang lebih inklusif dan berbasis data.
[BACA JUGA: Profil Lipid: Kunci Deteksi Dini Risiko Penyakit Jantung Koroner]
Penulis: Muhamad Ghandi Nur Setiawan
Pembimbing: Eto Wuryanto
Editor: Aghnia Faizatus (Tim Branding Vokasi)
