Program Studi Bisnis Digital • FEB UNDIP

Machine Learning in Finance

Pertemuan 11 — Sentiment Analysis dan Algorithmic Trading

Mengubah teks berita dan media sosial menjadi sinyal kuantitatif untuk pengambilan keputusan trading otomatis.

RPS MINGGU 12 • 2×50 MENIT

Tujuan Pembelajaran Hari Ini

Setelah pertemuan ini, Anda diharapkan mampu menjelaskan bagaimana teks finansial diubah menjadi sinyal trading serta menilai risikonya. Secara rinci:

KONSEP

NLP

Natural Language Processing dasar

Memahami pipeline pengolahan teks (tokenisasi, lexicon, skor sentimen) untuk data finansial tak terstruktur.

PENERAPAN

Sinyal

Dari sentimen ke keputusan trading

Merancang aturan sederhana yang mengubah skor sentimen menjadi sinyal beli/jual/tahan dalam sistem algorithmic trading.

Mengapa Ini Penting?

Harga saham bergerak bukan hanya karena laporan keuangan — tapi juga karena persepsi dan emosi pasar yang tersebar di jutaan teks setiap hari.

Kasus nyata: Saat rumor merger GoTo – Grab ramai dibicarakan di media dan media sosial pada 2023–2024, harga saham GOTO di BEI sempat bergejolak tajam hanya dalam hitungan jam — jauh sebelum laporan keuangan resmi terbit. Dana kelolaan (hedge fund) global memakai sentiment analysis otomatis untuk menangkap pergerakan seperti ini dalam hitungan detik.

Manusia tidak sanggup membaca ribuan berita dan cuitan setiap menit — di sinilah machine learning mengambil alih peran "membaca dan menyimpulkan" secara masif dan cepat.

Coba bayangkan Anda seorang analis di sebuah sekuritas dan setiap pagi ada seribu artikel berita plus puluhan ribu cuitan tentang emiten yang Anda pantau — mustahil dibaca satu per satu sebelum pasar buka pukul sembilan. Kasus GOTO yang saya sebutkan tadi nyata terjadi: rumor dan sentimen publik bergerak lebih cepat daripada laporan keuangan resmi, dan pelaku pasar yang punya sistem otomatis membaca sentimen bisa bereaksi lebih dulu. Inilah alasan bank investasi dan hedge fund besar dunia, termasuk yang beroperasi di Asia Tenggara, menginvestasikan banyak sumber daya pada sistem sentiment analysis real-time. Hari ini Anda akan belajar prinsip di baliknya — bukan untuk jadi trader spekulan, tapi untuk memahami bagaimana data teks menjadi bagian dari pengambilan keputusan keuangan modern.

Bagian 1 dari 3

NLP & Sentiment Analysis Dasar

Bagaimana komputer mengubah kalimat berita menjadi angka sentimen yang bisa dihitung.

Apa Itu Sentiment Analysis?

Sentiment analysis (analisis sentimen) adalah teknik NLP (Natural Language Processing, pengolahan bahasa alami oleh komputer) untuk mengklasifikasikan polaritas teks — positif, negatif, atau netral — secara otomatis.

Sumber Data Teks Finansial

Berita ekonomi (Kontan, Bisnis Indonesia, CNBC ID)
Media sosial (X/Twitter, forum saham StockBit)
Siaran pers & keterbukaan informasi BEI (IDX)
Transkrip earnings call emiten

Output Sentimen

Positif — berita optimistis, laba naik
Negatif — skandal, laba turun, gugatan
Netral — laporan administratif rutin

Pipeline NLP Dasar

Sebelum dihitung skornya, teks mentah harus melalui beberapa tahap pembersihan dan penyederhanaan.

Stopword = kata umum yang tidak membawa makna sentimen (contoh: "yang", "dan", "namun"). Lexicon = kamus kata beserta skor sentimennya (mis. "melonjak" = +2).

Dua Pendekatan Utama

Ada dua cara utama membangun mesin pembaca sentimen, masing-masing dengan kelebihan dan keterbatasan.

Aspek	Lexicon-based	ML-based (Machine Learning)
Cara kerja	Cocokkan kata dengan kamus skor tetap	Model belajar pola dari data berlabel
Contoh alat	VADER, Loughran-McDonald	FinBERT, Logistic Regression, LSTM
Butuh data latih?	Tidak	Ya, dataset berlabel besar
Tangkap konteks/sarkasme?	Lemah	Lebih kuat (terutama model transformer)
Kecepatan & biaya komputasi	Sangat cepat, murah	Lebih lambat, butuh GPU untuk model besar

Hitung dari Nol: Skor Sentimen Lexicon-Based

Kalimat berita: "Laba BBCA melonjak saham menguat namun risiko kredit meningkat." Lexicon sederhana: melonjak = +2, menguat = +1, risiko = −1, meningkat (konteks risiko) = −1.

Langkah	Perhitungan	Nilai
1. Tokenisasi kalimat	"Laba BBCA melonjak saham menguat namun risiko kredit meningkat" → 9 kata	9 token
2. Hapus stopword	9 token − 1 stopword ("namun")	8 token
3. Cocokkan ke lexicon	melonjak(+2) + menguat(+1) + risiko(−1) + meningkat(−1)	4 kata bermuatan
4. Jumlahkan skor	2 + 1 + (−1) + (−1)	Total = 1
5. Normalisasi (skor ÷ token)	1 ÷ 8	0,125 (positif lemah)

Bagian 2 dari 3

Dari Sentimen ke Sinyal Trading

Mengubah angka sentimen menjadi keputusan beli, jual, atau tahan — inti dari algorithmic trading.

Dari Skor Sentimen ke Sinyal Trading

Sistem trading otomatis membutuhkan aturan ambang batas (threshold) yang mengubah angka sentimen menjadi keputusan konkret.

SKOR > 0,10

BELI

Sentimen cukup positif — sistem membuka posisi beli (long).

−0,10 ≤ SKOR ≤ 0,10

TAHAN

Sinyal terlalu lemah untuk ditindaklanjuti — posisi tidak berubah.

SKOR < −0,10

JUAL

Sentimen cukup negatif — sistem menutup posisi atau jual (short).

Ambang batas 0,10 bersifat ilustratif — di praktik nyata nilainya dikalibrasi lewat backtesting historis, bukan ditebak begitu saja.

Bayangkan sistem ini seperti sakelar dengan tiga posisi: kalau skor sentimen melewati batas atas, sakelar bergerak ke "beli"; kalau melewati batas bawah, bergerak ke "jual"; kalau berada di tengah, sakelar dibiarkan diam di posisi terakhir. Angka nol koma sepuluh yang saya tampilkan di sini hanyalah contoh ilustratif — dalam praktik nyata di industri, ambang batas semacam ini ditentukan lewat proses backtesting, yaitu menguji aturan tersebut pada data historis untuk melihat performanya sebelum dipakai dengan uang sungguhan. Penting untuk Anda pahami bahwa sinyal sentimen jarang dipakai sendirian; biasanya digabung dengan indikator teknikal lain seperti volume perdagangan atau tren harga supaya keputusan lebih robust. Di slide berikutnya kita akan lihat studi kasus nyata bagaimana logika sederhana ini bereaksi terhadap sebuah berita.

Coba Sendiri: Uji Ambang Batas Sinyal Sentimen

Geser ambang batas beli/jual dan amati bagaimana hasil backtest strategi sentimen berubah pada data historis yang sama.

Studi Kasus: Reaksi Harga terhadap Berita

Walkthrough dua tahap: bagaimana sebuah kabar tentang BBCA bergerak dari teks mentah sampai memengaruhi harga di lantai bursa.

Tahap 1 — Sebelum Berita (Kondisi Normal)

Harga saham BBCA bergerak stabil di kisaran Rp9.800–Rp9.850 tanpa katalis khusus. Skor sentimen berita harian netral, sekitar 0,02. Sistem algorithmic trading berada di posisi TAHAN karena skor berada dalam rentang netral.

Tahap 2 — Berita Laba Kuartal Terbit

BBCA merilis laba kuartalan naik signifikan; ratusan artikel dan cuitan memakai kata "melonjak", "rekor", "optimis". Skor sentimen agregat naik ke 0,34 — melewati ambang beli 0,10. Sistem otomatis membuka posisi beli dalam hitungan detik, jauh lebih cepat daripada investor ritel yang baru membaca beritanya sore hari.

Kita ikuti ceritanya selangkah demi selangkah. Pada tahap normal, tidak ada kabar istimewa tentang BBCA, sehingga skor sentimen harian berkutat di angka nol koma nol dua saja — praktis netral, dan sistem trading kita hanya diam di posisi tahan. Begitu laporan laba kuartalan dirilis dan ternyata melampaui ekspektasi pasar, ratusan artikel dan cuitan langsung memakai kata-kata positif seperti "melonjak" dan "rekor", mendorong skor sentimen agregat naik tajam ke nol koma tiga empat, jauh melewati ambang batas beli. Yang membuat algorithmic trading istimewa adalah kecepatannya — sistem bisa membaca ribuan sumber teks dan bereaksi dalam hitungan detik, sementara investor individu biasanya baru membaca berita itu sore hari setelah harga sudah bergerak. Inilah mengapa kecepatan pemrosesan data menjadi keunggulan kompetitif utama dalam trading berbasis sentimen.

Apa Itu Algorithmic Trading?

Algorithmic trading adalah eksekusi transaksi jual-beli aset finansial secara otomatis oleh program komputer berdasarkan aturan atau model tertentu, tanpa intervensi manual per transaksi.

MOMENTUM

Ikuti Tren

Beli saat harga/sentimen naik kuat, jual saat melemah — ikuti arah pasar.

MEAN REVERSION

Balik Rerata

Asumsikan harga akan kembali ke rerata historis setelah reaksi berlebihan.

SENTIMENT-DRIVEN

Ikuti Berita

Strategi yang kita pelajari hari ini — sinyal berasal dari skor teks, bukan harga.

Arsitektur Sistem Sentiment-Driven Trading

Dari sumber teks mentah sampai eksekusi order — lima komponen utama yang bekerja berurutan.

Komponen manajemen risiko adalah pengaman terakhir — membatasi ukuran posisi maksimum agar satu sinyal keliru tidak menghancurkan portofolio.

Hitung dari Nol: Backtest Strategi Sentimen

Aturan: skor > 0,10 → beli; skor < −0,10 → jual. Data 3 hari saham hipotetis "XYZA": Hari-1 harga Rp1.000 skor 0,15; Hari-2 harga Rp1.030 skor 0,05; Hari-3 harga Rp1.050 skor −0,12.

Langkah	Perhitungan	Nilai
1. Sinyal Hari-1 (skor 0,15 > 0,10)	Skor melewati ambang beli	Posisi = BELI @ Rp1.000
2. Sinyal Hari-2 (skor 0,05)	−0,10 ≤ 0,05 ≤ 0,10 → netral	Posisi tetap BELI
3. Sinyal Hari-3 (skor −0,12 < −0,10)	Skor melewati ambang jual	Posisi = JUAL @ Rp1.050
4. Hitung return kotor transaksi	(1.050 − 1.000) ÷ 1.000 × 100%	Return = 5%
5. Kurangi biaya transaksi (~0,3%)	5% − 0,3%	4,7% (return bersih)

Sekarang mari kita simulasikan sistem lengkapnya, dari sinyal sampai hasil akhir dalam persentase keuntungan. Hari pertama, skor sentimen nol koma lima belas melewati ambang beli, sehingga sistem kita membuka posisi di harga seribu rupiah. Hari kedua, skor turun ke nol koma nol lima, masih dalam rentang netral, jadi sistem tidak melakukan apa-apa dan posisi beli tetap dipertahankan. Hari ketiga, skor jatuh ke minus nol koma dua belas, melewati ambang jual, sehingga sistem menutup posisi di harga seribu lima puluh rupiah, menghasilkan return kotor lima persen — namun setelah dikurangi estimasi biaya transaksi broker dan pajak sekitar nol koma tiga persen, return bersihnya menjadi empat koma tujuh persen. Latihan ini menunjukkan bahwa strategi yang terdengar canggih pun pada intinya hanyalah aritmetika sederhana yang dijalankan berulang kali secara otomatis dan sangat cepat.

Bagian 3 dari 3

Risiko, Evaluasi & Praktik

Sistem otomatis bukan tanpa cacat — kita tutup dengan risiko, cara mengevaluasi, dan aturan mainnya di Indonesia.

Risiko & Jebakan Sentiment Trading

Risiko Teknis

Noise — skor sentimen bisa keliru karena sarkasme atau bahasa gaul
Latency — keterlambatan pemrosesan membuat sinyal basi
Overfitting — aturan terlalu pas dengan data historis, gagal di data baru

Risiko Pasar & Etika

Pump-and-dump — sentimen palsu sengaja disebar untuk menggoreng harga
Herding otomatis — banyak sistem bereaksi serentak, memperbesar gejolak
Data medsos rentan bot dan akun palsu yang mendistorsi skor sentimen

Sistem sentiment trading bukan tanpa cela, dan Anda sebagai calon praktisi keuangan wajib memahami jebakannya. Dari sisi teknis, ada risiko noise ketika bahasa sarkasme atau gaul membingungkan mesin — misalnya cuitan "wah untung banget nih rugi lagi" yang mengandung sarkasme, atau keterlambatan pemrosesan yang membuat sinyal sudah basi saat dieksekusi. Ada juga overfitting, di mana strategi terlihat sangat bagus di data historis tapi gagal total ketika dihadapkan pada kondisi pasar baru yang belum pernah dilihat modelnya. Dari sisi pasar, ada praktik pump-and-dump di mana pihak tak bertanggung jawab sengaja menyebar sentimen palsu lewat akun bot untuk menggoreng harga saham kecil, lalu menjualnya begitu harga naik — dan sistem otomatis yang naif bisa terjebak ikut membeli di puncak harga palsu itu.

Mengevaluasi Performa Strategi

Untung sekali bukan bukti strategi bagus — dibutuhkan metrik yang mengukur konsistensi dan risiko.

Sharpe Ratio = (Return Rata-rata − Risk-free Rate) ÷ Standar Deviasi Return

SHARPE RATIO

> 1

Umumnya dianggap baik — imbal hasil sepadan dengan risikonya.

WIN RATE

Persentase transaksi yang menghasilkan untung dari total transaksi.

MAX DRAWDOWN

↓

Penurunan nilai portofolio terbesar dari puncak ke titik terendah.

Bayangkan dua strategi trading, keduanya menghasilkan untung sepuluh persen dalam setahun — apakah keduanya sama bagusnya? Belum tentu, karena Sharpe ratio membandingkan return dengan tingkat risikonya: strategi yang naik-turun liar tapi berujung untung sepuluh persen jauh lebih berisiko dibanding strategi yang naik stabil dengan hasil yang sama, dan Sharpe ratio menangkap perbedaan itu secara matematis. Win rate memberi tahu Anda seberapa sering strategi benar, tapi hati-hati — strategi dengan win rate rendah pun bisa tetap menguntungkan kalau kerugian kecil dan keuntungannya besar saat benar. Max drawdown, atau penurunan maksimum, mengukur skenario terburuk yang pernah dialami portofolio Anda — angka ini penting terutama bagi manajer investasi yang harus menjelaskan risiko ke nasabahnya, karena investor sering lebih takut kehilangan daripada senang untung.

Regulasi, Etika & Tools Populer

Regulasi & Etika di Indonesia

OJK melarang manipulasi pasar dan penyebaran informasi menyesatkan (UU P2SK)
Insider trading (perdagangan berbasis informasi orang dalam) dilarang keras
Emiten wajib keterbukaan informasi material via BEI sebelum dipakai untuk trading algoritmik

Tools NLP Populer

VADER — lexicon ringan, cocok teks media sosial berbahasa Inggris
FinBERT — model transformer khusus teks keuangan
NLTK / spaCy — pustaka Python untuk pipeline NLP dasar

Sebagai calon praktisi bisnis digital dan keuangan, Anda perlu tahu bahwa OJK melalui Undang-Undang Pengembangan dan Penguatan Sektor Keuangan secara tegas melarang manipulasi pasar, termasuk menyebar sentimen palsu untuk menggerakkan harga saham demi keuntungan pribadi. Insider trading, yaitu berdagang berdasarkan informasi orang dalam yang belum dipublikasikan ke publik, juga merupakan pelanggaran serius dengan sanksi pidana di Indonesia — sistem sentiment trading yang legal hanya boleh memakai informasi yang sudah terbuka untuk umum. Dari sisi peralatan, VADER adalah pustaka lexicon ringan yang populer untuk analisis cepat teks media sosial, sementara FinBERT adalah model yang lebih canggih karena sudah dilatih khusus memahami istilah dan konteks keuangan. NLTK dan spaCy adalah dua pustaka Python paling umum dipakai mahasiswa dan praktisi untuk membangun pipeline NLP dari awal, seperti yang kita bahas konsepnya hari ini.

Latihan Diskusi Kelas

Skenario: Sebuah sistem sentiment trading Anda mendeteksi skor sentimen saham "UMKM Digital Tbk" melonjak ke 0,42 dalam satu jam karena ribuan cuitan memuji produk barunya. Namun volume perdagangan sahamnya sangat tipis dan sebagian akun yang mencuit baru dibuat minggu ini.

Diskusikan berpasangan (5 menit), lalu siap ditunjuk untuk menjawab:

PERTANYAAN 1

Apakah sistem Anda harus langsung mengeksekusi sinyal beli? Jelaskan pertimbangan risikonya.

PERTANYAAN 2

Indikator tambahan apa yang bisa Anda pasang untuk memfilter sinyal palsu seperti ini?

Silakan berdiskusi dengan teman di sebelah Anda selama lima menit untuk kasus ini, karena skenario semacam ini sangat mungkin terjadi di dunia nyata terutama pada saham-saham kecil dengan kapitalisasi rendah. Perhatikan dua petunjuk penting dalam skenario: volume perdagangan yang tipis dan akun-akun yang baru dibuat minggu ini — keduanya adalah ciri khas indikasi pump-and-dump yang kita bahas sebelumnya. Saya ingin Anda memikirkan indikator tambahan apa yang bisa dipasang sebagai filter, misalnya syarat minimum jumlah akun unik yang berbicara, usia minimum akun, atau syarat volume perdagangan minimum sebelum sinyal dieksekusi. Setelah diskusi, saya akan menunjuk beberapa pasangan secara acak untuk berbagi jawaban ke seluruh kelas, jadi pastikan Anda benar-benar berdiskusi, bukan sekadar menunggu giliran.

Rangkuman & Persiapan Minggu Depan

Konsep	Inti
Sentiment analysis	Ubah teks jadi skor polaritas via lexicon atau model ML
Sinyal trading	Skor sentimen dipetakan ke aturan beli/jual/tahan (threshold)
Evaluasi	Sharpe ratio, win rate, max drawdown — bukan sekadar untung sekali
Risiko	Noise, latency, overfitting, pump-and-dump

Minggu depan: kita masuk ke teknik supervised learning — logistic regression, decision tree, random forest, dan KNN — untuk klasifikasi data keuangan. Tugas: baca ringkas cara kerja logistic regression sebelum kelas berikutnya.

Mari kita rangkum perjalanan kita hari ini: kita mulai dari cara mengubah teks mentah menjadi skor sentimen lewat pipeline NLP, lalu belajar bagaimana skor itu dipetakan menjadi sinyal trading lewat aturan threshold, dan kita tutup dengan cara mengevaluasi apakah strategi tersebut benar-benar baik lewat Sharpe ratio dan metrik lainnya, tanpa melupakan risiko seperti pump-and-dump yang mengintai. Materi hari ini adalah pintu masuk yang bagus menuju topik minggu depan, karena logistic regression, decision tree, random forest, dan KNN semuanya adalah teknik supervised learning yang bisa dipakai untuk mengklasifikasikan sentimen teks secara lebih akurat daripada lexicon sederhana yang kita pakai hari ini. Saya minta Anda membaca sekilas cara kerja logistic regression sebelum pertemuan berikutnya, supaya kita bisa langsung masuk ke praktik tanpa mengulang teori dari nol. Terima Kasih atas partisipasi aktif Anda hari ini — sampai jumpa di pertemuan berikutnya.

📖 Baca juga: Dcf Valuation — penjelasan mendalam dan contoh numerik.