Implementasi Bidirectional Long Short-Term Memory untuk Identifikasi Entitas Saham

Abstrak

Salah satu produk keuangan di pasar modal yang banyak diminati adalah saham. Saham adalah bukti kepemilikan suatu perusahaan yang berfluktuasi dan cenderung memiliki tingkat risiko yang tinggi serta perubahan harga yang bersifat nonliniear. Untuk mendapat keputusan investasi yang tepat, investor dituntut untuk dapat melakukan analisis informasi saham yang sangat melimpah dengan teliti dan cepat. Dalam menghadapi tantangan ini, Named Entity Recognition (NER) dapat menjadi solusi yang berpotensi dalam analisis informasi saham dengan mengenali entitas saham serta mengelompokkannya ke label tertentu. Pada penelitian ini NER dikembangkan dengan algoritma Bidirectional Long Short-Term Memory, yang digunakan untuk mengidentifikasi lima entitas saham yaitu Nama Perusahaan, Kode Saham, Indeks Saham, Sektor Industri dan Sub Sektor. Dengan hasil accuracy sebesar 99.81% pada data pengujian, algoritma Bi-LSTM dapat mengidentifikasi entitas dengan baik dan mengelompokkan masing-masing token ke lima entitas tersebut.