ANALISIS SENTIMEN PASAR SAHAM DENGAN HYBRID QUANTUM-CLASSICAL MACHINE LEARNING BERBASIS SIMULASI PENNYLANE PADA APLIKASI WEB

Penelitian ini bertujuan untuk mengatasi kendala kelebihan informasi (information overload) akibat banyaknya berita finansial yang menyulitkan investor, khususnya pemula, dalam menganalisis sentimen saham. Sebagai solusi, dikembangkan website peringkas berita yang mengimplementasikan Large Language Model (LLM) Google Gemini dan model klasifikasi hibrida kuantum klasik, yaitu FinBERT yang dibekukan dengan Variational Quantum Circuit (VQC) sebagai classifier head, berbasis simulasi PennyLane, yang dianalisis secara komparatif terhadap model klasik, yaitu FinBERT yang dibekukan dengan Multi-layer Perceptron (MLP) sebagai classifier head. Menggunakan dataset Financial PhraseBank, hasil evaluasi menunjukkan model hibrida lebih unggul dengan mencetak skor F1 makro minimum dan maksimum yang lebih tinggi, standar deviasi yang lebih rendah, serta nilai Expected Calibration Error (ECE) yang lebih rendah. Model hibrida juga terbukti lebih efisien jika dilihat dari jumlah parameter dan ukuran model. Model terpilih kemudian diimplementasikan ke dalam sistem aplikasi web berbasis Gradio, yang diintegrasikan dengan modul ekstraksi data web dan LLM, untuk peringkasan serta translasi teks secara otomatis. Pada hasil validasi akhir menunjukkan tingkat kepuasan pengguna berada pada skor rata-rata 7,97 dari 10, sementara pengujian pakar membuktikan tingkat validitas ringkasan berita dari LLM sebesar 30/30 dengan akurasi prediksi sentimen mencapai 28/30. Hal ini mengimplikasikan bahwa integrasi komputasi kuantum dalam analisis sentimen finansial berpotensi meningkatkan kinerja model dibandingkan pendekatan klasik semata.