Prediksi Harga Emas Harian Menggunakan Random Forest Regressor Berbasis Indikator Teknikal
Keywords:
Harga Emas, Random Forest Regressor, Time Series, Indikator Teknikal, Machine LearningAbstract
Pergerakan harga emas harian bersifat fluktuatif dan dipengaruhi oleh berbagai faktor ekonomi global, sehingga diperlukan metode prediksi yang akurat untuk membantu pengambilan keputusan investasi. Penelitian sebelumnya banyak menggunakan pendekatan deep learning seperti Long Short-Term Memory (LSTM) dalam memprediksi harga emas berbasis data time series. Meskipun memberikan hasil yang cukup baik, model LSTM memiliki kompleksitas tinggi dan membutuhkan sumber daya komputasi yang besar. Oleh karena itu, penelitian ini mengusulkan penggunaan Random Forest Regressor sebagai alternatif metode prediksi yang lebih sederhana dan mudah diinterpretasikan. Dataset yang digunakan merupakan data harga emas harian periode 2013–2023 dengan total 2.583 data. Tahapan penelitian meliputi preprocessing data, feature engineering menggunakan indikator teknikal seperti Simple Moving Average (SMA), Exponential Moving Average (EMA), Relative Strength Index (RSI), dan Moving Average Convergence Divergence (MACD), serta pemodelan menggunakan Random Forest Regressor. Evaluasi model dilakukan menggunakan Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), dan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa model Random Forest Regressor yang dimodifikasi mampu mencapai nilai MAPE sebesar 0,0034 dengan tingkat akurasi sebesar 0,9965. Nilai ini lebih tinggi dibandingkan model LSTM pada penelitian sebelumnya yang memperoleh akurasi sebesar 0,9674. Dengan demikian, Random Forest Regressor terbukti efektif sebagai metode prediksi harga emas harian berbasis indikator teknikal.
References
Kecerdasan Buatan Alat Pendeteksi Maling Berbasis Arduino Menggunakan Sensor Ultrasonic Melalui SMS. (n.d.). Scientia Sacra: Jurnal Sains, Teknologi dan Masyarakat.
Kecerdasan Buatan pada Sistem Kunci Motor Menggunakan Voice Recognition Berbasis Raspberry Pi. (n.d.). Scientia Sacra: Jurnal Sains, Teknologi dan Masyarakat.
Maharani, I. A. (2023). Forecasting the Indonesian gold price using the ARIMA method. JATISI (Jurnal Teknik Informatika dan Sistem Informasi).
Maulana, I., Umam, K., Rizqiandry Saputra, A., Al Amin, H., & Rosyani, P. (2023). Teknologi berbasis kecerdasan buatan pada aplikasi Grab penumpang maupun driver menggunakan metode Forward Chaining. BINER: Jurnal Ilmu Komputer, Teknik dan Multimedia, 1(3), 505–509.
Miladi, R. R., & Yulianti. (2025). Prediksi harga emas dengan menggunakan metode Naive Bayes dalam investasi untuk meminimalisasi resiko. OKTAL: Jurnal Ilmu Komputer dan Sains.
Nekouei, F. (2023). Gold price prediction using LSTM (96% accuracy) [Kaggle notebook]. Kaggle. https://www.kaggle.com/code/farzadnekouei/gold-price-prediction-lstm-96-accuracy
Pemanfaatan Kecerdasan Buatan (Artificial Intelligence) untuk Mendeteksi Hasil CT Scan Paru-Paru Pasien yang Terinfeksi COVID-19. (n.d.). Journal of Research and Publication Innovation (JORAPI).
Prasetyo, H. D., Syhabudin, W., Nuryana, A., Yunarsih, I., & Rosyani, P. (2022). Implementasi kecerdasan buatan dengan logika fuzzy pada aspek pendidikan dalam menentukan prestasi belajar siswa. Jurnal Manajemen, Ekonomi, Hukum, Kewirausahaan, Kesehatan, Pendidikan dan Informatika (MANEKIN), 1(1), 20–23.
Sankar, D. S., & Sahu, H. (2023). Gold prices prediction using Random Forest. IJRASET Journal for Research in Applied Science and Engineering Technology.
Triadi, A. (2024). Perbandingan algoritma Random Forest dan XGBoost untuk identifikasi pergerakan harga emas. Universitas Mercu Buana Repository.
