Prediksi harga saham merupakan tantangan yang kompleks karena
dipengaruhi oleh berbagai faktor seperti kinerja fundamental perusahaan, kondisi
ekonomi global, kebijakan moneter, hingga sentimen pasar. Model tradisional
seperti ARIMA sering digunakan dalam analisis runtun waktu, namun memiliki
keterbatasan dalam menangkap pola non-linear dan volatilitas ekstrem, khususnya
pada periode krisis seperti pandemi COVID-19. Selain itu, pemanfaatan data
sentimen sebagai salah satu faktor utama yang memengaruhi pergerakan harga
saham masih jarang dieksplorasi secara mendalam.
Untuk menjawab tantangan tersebut, penelitian ini menggunakan model
Long Short-Term Memory (LSTM) dengan integrasi data sentimen dari Twitter
menggunakan teknik scraping dan analisis VADER. Data sentimen diselaraskan
dengan data harga saham Apple Inc. (AAPL) melalui proses resampling,
interpolasi, serta pemberian lag satu hari. Selain sentimen, penelitian ini juga
menambahkan indikator teknikal. Data kemudian dinormalisasi, sementara
optimasi model dilakukan melalui Bayesian Tuning dan Stateful Transfer
Learning. Sebagai pembanding, model ARIMA digunakan sebagai baseline.
Hasil penelitian menunjukkan bahwa LSTM secara konsisten unggul
dibandingkan ARIMA. Pada periode pandemi COVID-19, LSTM tetap stabil
dengan MAPE 0,0923%, sementara ARIMA mengalami penurunan performa
dengan MAPE 0,5303%. Berdasarkan analisis kontribusi fitur sentimen
juga, penelitian ini membuktikan efektivitas integrasi data sentimen dan model
non-linear dalam meningkatkan prediksi harga saham modern.