Analisis Sentimen Headline CNBC Indonesia Menggunakan Multinomial Logistic Regression dan TF-IDF

Abstract

Penelitian ini mengajarkan penerapan Multinomial Logistic Regression dengan representasi fitur Term Frekuensi Inverse Document Frekuensi (TF-IDF) untuk mengklasifikasikan sentimen pada headline berita pasar keuangan Indonesia. Dataset penelitian mencakup 9.819 headline berita CNBC Indonesia yang dipublikasikan selama Januari 2024 hingga Maret 2025dan dianotasi secara manual ke dalam tiga kategori sentimen, yaitu positif (29,4%), netral (44,4%), dan negatif (26,2%). Representasi teks dibangun menggunakan TF-IDF dengan ukuran kosakata maksimal sebanyak 5.000 kata. Berdasarkan hasil evaluasi, model memperoleh akurasi sebesar 82,43%, dengan nilai macro perception 0,8200, macro recall 0,8233, dan macro F1-score 0,8200. Pengujian menggunakan skema 5-fold cross-validation menghasilkan rata-rata akurasi 82,04%, yang menunjukkan bahwa model memiliki kemampuan generalisasi yang baik. Analisis koefisien menunjukkan bahwa istilah anjlok dan ambruk berkontribusi terhadap prediksi sentimen negatif, sedangkan borong dan melesat menjadi indikator sentimen positif. Kesalahan klasifikasi terutama ditemukan pada headline yang mengandung ambiguitas konteks. Oleh karena itu, penelitian selanjutnya dapat memanfaatkan pendekatan berbasis transformator untuk meningkatkan pemahaman konteks dan akurasi klasifikasi sentimen.