MODEL ABSA BERBASIS BERT DENGAN BIO TAGGING DAN CROSS-ATTENTION UNTUK ANALISIS MAKROEKONOMI DALAM BERITA FINANSIAL

Abstract

Perkembangan volume pemberitaan ekonomi global yang semakin masif menuntut sistem analisis teks finansial yang mampu mengekstraksi sentimen secara granular terhadap berbagai indikator makroekonomi. Pendekatan sentiment analysis konvensional yang hanya menghasilkan satu label sentimen per kalimat terbukti tidak memadai untuk teks berita finansial yang memuat banyak aspek dengan polaritas berbeda dalam satu kalimat. Selain itu, model Aspect-Based Sentiment Analysis (ABSA) yang ada belum mampu mengekstraksi hubungan eksplisit antara aspek, opini, dan sentimen secara simultan pada domain makroekonomi. Penelitian ini bertujuan membangun model ABSA berbasis Bidirectional Encoder Representations from Transformers (BERT) yang mengintegrasikan skema BIO Tagging dan mekanisme cross-attention untuk mengekstraksi triplet aspek–opini–sentimen secara end-to-end dari teks berita makroekonomi. Dataset terdiri atas 3.873 kalimat dari Investing.com, Bloomberg Economics, dan CNBC International yang dianotasi secara manual sebagai triplet aspek–opini–sentimen dengan skema BIO. Model dilatih secara end-to-end menggunakan pendekatan multi-task learning. Hasil eksperimen menunjukkan model mencapai kinerja tinggi pada seluruh komponen, dengan F1 pairing 0,94–0,95, akurasi klasifikasi sentimen 0,86–0,89 dengan Macro-F1 0,80–0,85, serta triplet F1 pada kisaran 0,87–0,88.