Penerapan Metode Copeland dan Analisis Sentimen Berbasis Two-Step DSS Dalam Pengambilan Keputusan Investasi Saham Agroindustri

Abstract

Pergerakan saham agroindustri sawit dipengaruhi oleh indikator pasar dan sentimen berita finansial. Karena berita berbentuk teks tidak terstruktur, penelitian ini mengolah sentimen berita menggunakan IndoBERT dan mengintegrasikannya ke dalam Two-Step Hybrid Copeland DSS untuk membantu pemeringkatan saham investasi. Objek penelitian terdiri atas lima emiten sawit, yaitu AALI.JK, LSIP.JK, SIMP.JK, SMAR.JK, dan SSMS.JK. Tahapan penelitian meliputi pengumpulan data berita dan pasar, praproses data, pelabelan expert, pseudo-labeling menggunakan IndoBERT_Stratified, validasi expert, pelatihan IndoBERT_Final_TimeSplit, inferensi sentimen, agregasi sentimen mingguan, dan integrasi ke dalam DSS. Model IndoBERT_Final_TimeSplit digunakan sebagai model operasional karena memakai pembagian data berbasis waktu. Model IndoBERT_Final_TimeSplit memperoleh accuracy 0,8387, macro F1-score 0,8165, weighted F1-score 0,8350, dan MCC 0,7368. Hasil inferensi kemudian diubah menjadi fitur mingguan berupa sent_mean, sent_count, dan sent_conf. Pada tahap DSS, sistem diuji melalui tiga skenario, yaitu Baseline Market-Only, Static With Sentiment, dan Hybrid Ambiguity-Driven. Pada horizon utama t+1, skenario Hybrid menghasilkan Mean IC 0,300000, lebih tinggi dibandingkan Baseline sebesar 0,122222 dan Static sebesar 0,266667. Hybrid juga menghasilkan Mean Return Top-2 0,003268, Hit Rate 0,555556, dan Max Drawdown -0,058943, dengan Sent Activation Rate 0,555556. Hasil penelitian menunjukkan bahwa sentimen berita finansial dapat meningkatkan kualitas pemeringkatan saham ketika digunakan secara kondisional. Pendekatan Hybrid Ambiguity-Driven lebih adaptif karena sentimen hanya diaktifkan sebagai tie-breaker saat sinyal pasar berada dalam kondisi ambigu, bukan digunakan secara statis pada seluruh periode.