ANALISIS SENTIMENT KEUANGAN MENGGUNAKAN  FINE-TUNED FINBERT

Heroe Santoso; Raisul Azhar; Suryati Suryati; Melati Rosanensi; I Made Yadi Dharma; Husain Husain; Ahmat Adil; Muhamad Azwar; I Putu Hariyadi

doi:10.46764/teknimedia.v6i2.316

Heroe Santoso Universitas Bumigora
Raisul Azhar Universitas Bumigora
Suryati Suryati Universitas Bumigora
Melati Rosanensi Universitas Bumigora
I Made Yadi Dharma Universitas Bumigora
Husain Husain Universitas Bumigora
Ahmat Adil Universitas Bumigora
Muhamad Azwar Universitas Bumigora
I Putu Hariyadi Universitas Bumigora

DOI: https://doi.org/10.46764/teknimedia.v6i2.316

Kata Kunci: Analisis Sentimen, FinBERTFine-Tuning, Teks Keuangan

Abstrak

Informasi keuangan merupakan salah satu jenis informasi yang penting untuk dianalisis. Namun, karena banyak informasi teks keuangan yang bersifat tidak terstruktur dan tersebar luas, diperlukan suatu metode analisis yang tepat, salah satunya adalah melalui analisis sentimen. Dalam konteks keuangan, analisis sentimen digunakan industri keuangan untuk menilai persepsi publik tentang perusahaan atau kondisi pasar. Maka penelitian ini menggunakan model FinBERT yang telah dilakukan fine-tuning untuk melakukan analisis sentimen di bidang keuangan. Dataset yang digunakan yaitu gabungan dari FiQA (Financial Question Answering) dan The Financial Phrase Bank, yang terdiri dari kalimat berbahasa Inggris dengan label sentimen negative, neutral, dan positive. Proses penelitian meliputi pengumpulan data, tahapan pra-pemrosesan data, pelatihan model, dan evaluasi menggunakan metrik accuracy, precision, recall, F1-score, serta confusion matrix. Hasil penelitian menunjukkan bahwa model mampu mencapai akurasi 82%, dengan performa terbaik pada kelas positive yaitu F1-score 0.88 dan neutral F1-score 0.85, namun masih lemah dalam mendeteksi kelas negativeF1-score 0.49. Temuan ini menunjukkan bahwa fine-tuned FinBERT efektif digunakan untuk analisis sentimen keuangan, khususnya pada sentimen positive dan neutral, diperlukan peningkatan pada deteksi sentimen negative, dengan menambah variasi data latih atau teknik data augmentation.

Referensi

[1] H. I. Naibaho, K. Jeremi, D. Saragih, R. C. Nasution, S. H. Zebua, and A. N. Wulandari, “Use of Indonesian in Financial Reports for Investor Understanding,” As-Salam J. Islam. Soc. Sci. Humanit., vol. 2, no. 4, pp. 95–105, 2024, [Online]. Available: https://ejournal.as-salam.org/index.php/assalam/article/view/74
[2] M. N. Brilianto, Y. Susanti, and E. Zukhronah, “Analisis Sentimen terhadap Kalimat Finansial pada FiQA dan The Financial PhraseBank,” PYTHAGORAS J. Pendidik. Mat., vol. 18, no. 1, pp. 48–55, 2023, doi: 10.21831/pythagoras.v18i1.59760.
[3] N. Ima Nafila and S. Sulisetijono, “Melampaui Pembelajaran Konvensional: Mengintegrasikan Canva Dan Pembelajaran Berbasis Game Dalam Lkpd Untuk Motivasi Optimal Dalam Pendidikan Digital,” J. Inov. Teknol. dan Edukasi Tek., vol. 4, no. 1, p. 3, 2024, doi: 10.17977/um068.v4.i1.2024.3.
[4] M. Amien and G. Frendi Gunawan, “BERT dan Bahasa Indonesia: Studi tentang Efektivitas Model NLP Berbasis Transformer,” ELANG J. Interdiscip., vol. 1, pp. 132–140, 2024, doi: 10.32664/elang.v1i02.
[5] N. Anggraini, D. Arman Prasetya, and T. Trimono, “Prediksi Harga Saham Sektor Energi Menggunakan Metode Spatial Temporal Attention-Based Convolutional Network Berdasarkan Data Teks Dan Numerik,” JATI (Jurnal Mhs. Tek. Inform., vol. 9, no. 3, pp. 3872–3880, 2025, doi: 10.36040/jati.v9i3.13443.
[6] A. M. Priyatno and F. I. Firmanand, “Fitur n-gram untuk perbandingan metode machine learning pada sentimen judul berita keuangan,” J. Artif. Intell. Digit. Bus., vol. 1, no. 1, pp. 1–6, 2022, doi: 10.31004/riggs.v1i1.4.
[7] J. S. Hutagalung and Rasiban, “ANALISIS SENTIMEN KEUANGAN (DATA FIQA AND FINANCIAL PHRASEBANK) MENGGUNAKAN ALGORITMA LOGISTIC REGRESSION DAN SUPPORT VECTOR MACHINE,” J. Indones. Manaj. Inform. dan Komun., vol. 4, no. 3, pp. 1654–1669, 2023, doi: 10.35870/jimik.v4i3.404.
[8] J. Y. Huang, C. L. Tung, and W. Z. Lin, “Using Social Network Sentiment Analysis and Genetic Algorithm to Improve the Stock Prediction Accuracy of the Deep Learning-Based Approach,” Int. J. Comput. Intell. Syst., vol. 16, no. 1, 2023, doi: 10.1007/s44196-023-00276-9.
[9] L. Nurina, S. H. Hairuddin, A. A. Bakri, and A. Pilua, “Tinjauan Bibliometrik Terhadap Pemanfaatan Big Data, Analisis Sentimen, dan Kriptokurensi dalam Analisis Pajak,” Sanskara Akunt. dan Keuang., vol. 2, no. 01, pp. 66–76, 2023, doi: 10.58812/sak.v2i01.257.
[10] E. A. Marwa and A. B. Kristanto, “Analisis Sentimen Pengungkapan Informasi Manajemen: Text Mining Berbasis Metode VADER,” Own. Ris. J. Akunt., vol. 6, no. 3, pp. 2853–2864, 2022, doi: 10.33395/owner.v6i3.895.
[11] N. P. I. Maharani, A. Purwarianti, Y. Yustiawan, and F. C. Rochim, “Domain-Specific Language Model Post-Training for Indonesian Financial NLP,” in Proceedings of the International Conference on Electrical Engineering and Informatics, Bandung, Indonesia: 2023 International Conference on Electrical Engineering and Informatics (ICEEI), 2023. doi: 10.1109/ICEEI59426.2023.10346625.
[12] B. Nugroho and A. Denih, “Perbandingan Kinerja Metode Pra-Pemrosesan Dalam Pengklasifikasian Otomatis Dokumen Paten,” Komputasi J. Ilm. Ilmu Komput. dan Mat., vol. 17, no. 2, pp. 381–387, 2020, doi: 10.33751/komputasi.v17i2.2148.
[13] M. Saputra and Sri Wahyuni, “Analisis Sentimen Pengguna Pada Aplikasi Bank Digital Krom Dengan Algoritma Support Vector Machine,” INFOTECH J., vol. 10, no. 2, pp. 327–332, 2024, doi: 10.31949/infotech.v10i2.11801.
[14] L. Palupi, E. Ihsanto, and F. Nugroho, “Analisis Validasi dan Evaluasi Model Deteksi Objek Varian Jahe Menggunakan Algoritma Yolov5,” J. Inf. Syst. Res., vol. 5, no. 1, pp. 234–241, 2023, doi: 10.47065/josh.v5i1.4380.