Penggunaan Latent Dirichlet Alocation untuk Topic Modeling Berita Saham Indeks LQ45

Abstract

Investasi saham di Indonesia semakin diminati karena potensi keuntungan yang tinggi, meskipun memiliki risiko signifikan. Pandemi COVID-19 menyebabkan penurunan IHSG, tetapi jumlah investor, terutama milenial dan Gen Z, meningkat berkat kemudahan teknologi dalam transaksi saham. Analisis informasi menjadi krusial dalam pengambilan keputusan investasi, namun meningkatnya volume dan kompleksitas berita menimbulkan tantangan. Untuk mengatasi hal ini, metode Latent Dirichlet Allocation (LDA) digunakan untuk mengidentifikasi tema utama secara otomatis dan efisien. Evaluasi coherence score dalam rentang dua hingga sepuluh topik menunjukkan bahwa jumlah optimal adalah lima, dengan nilai tertinggi 0,604946. Selain itu, coherence score menunjukkan LDA memiliki performa lebih tinggi dibandingkan HDP dan NMF. Dengan rata-rata tertinggi (0,559308) dan median terbesar (0,581115), LDA mampu menghasilkan topik yang lebih berkualitas dan konsisten. Meskipun standar deviasinya lebih besar dibanding HDP, keterkaitan kata yang lebih koheren menjadikannya metode paling efektif dalam memahami pola utama dalam berita saham.