Prediksi Harga Emas Harian Menggunakan Algoritma Support Vector Regression Dan Random Forest Regression

Radhiatur, Dwi Egil (2026) Prediksi Harga Emas Harian Menggunakan Algoritma Support Vector Regression Dan Random Forest Regression. Skripsi thesis, Universitas Islam Negeri Imam Bonjol.

	Text (Cover) Cover Dwi Egil Radhiatur.pdf - Published Version Download (1MB)
	Text (BAB I) BAB I Dwi Egil Radhiatur.pdf - Published Version Download (388kB)
	Text (BAB III) BAB III Dwi Egil Radhiatur.pdf - Published Version Download (246kB)
	Text (BAB V) BAB V Dwi Egil Radhiatur.pdf - Published Version Download (367kB)
	Text (Full Text) Full Text Dwi Egil Radhiatur.pdf - Published Version Restricted to Repository staff only Download (5MB)

Abstract

Emas telah lama dipandang sebagai komoditas strategis dan instrumen investasi safe haven karena kemampuannya dalam mempertahankan nilai selama periode ketidakpastian ekonomi. Meskipun memiliki stabilitas dalam jangka panjang, harga emas harian menunjukkan volatilitas jangka pendek yang cukup tinggi akibat dipengaruhi oleh faktor-faktor makroekonomi seperti inflasi, suku bunga, dan nilai tukar mata uang. Kondisi tersebut menyebabkan prediksi harga emas menjadi sulit dilakukan menggunakan metode statistik konvensional, seperti regresi linear dan Auto-Regressive Integrated Moving Average (ARIMA), yang memiliki keterbatasan dalam menangkap pola nonlinear pada data deret waktu yang kompleks. Pendekatan machine learning, khususnya Support Vector Regression (SVR) dan Random Forest Regression (RFR), menawarkan fleksibilitas yang lebih besar dalam memodelkan hubungan nonlinear tersebut. Penelitian ini bertujuan untuk menganalisis pola pergerakan harga emas harian serta membandingkan kinerja prediksi algoritma SVR dan RFR. Penelitian dilakukan menggunakan kerangka Cross-Industry Standard Process for Data Mining (CRISP-DM) dengan memanfaatkan data historis harian Gold Futures (GC=F) yang diperoleh dari Yahoo Finance pada periode Januari 2021 hingga Desember 2025, dengan atribut Open, High, Low, Close, dan Volume (OHLCV) sebagai variabel masukan. Enam skenario eksperimen dilakukan dengan mengombinasikan tiga periode data historis, yaitu 1, 3, dan 5 tahun, dengan kedua algoritma. Sliding window selama 30 hari digunakan untuk membentuk input deret waktu, sedangkan evaluasi model menggunakan TimeSeriesSplit dengan 5-fold cross-validation untuk mencegah terjadinya data leakage. Optimasi hyperparameter dilakukan menggunakan GridSearchCV untuk SVR dan RandomizedSearchCV untuk RFR. Kinerja model diukur menggunakan Mean Absolute Error (MAE), Root Mean Square Error (RMSE), dan Coefficient of Determination (R²). Hasil penelitian menunjukkan bahwa SVR secara konsisten menghasilkan kinerja yang lebih baik dibandingkan RFR pada seluruh skenario, serta kinerjanya meningkat seiring dengan bertambahnya periode data pelatihan. Sementara itu, kinerja RFR cenderung stagnan dan bahkan menurun pada periode data yang lebih panjang karena keterbatasannya dalam melakukan ekstrapolasi nilai di luar rentang data pelatihan. Hasil terbaik diperoleh menggunakan data historis selama 5 tahun dengan nilai MAE sebesar 20,9316, RMSE sebesar 30,6621, dan R² sebesar 0,9981. Model yang dihasilkan kemudian diimplementasikan sebagai aplikasi berbasis web interaktif menggunakan Streamlit. Hasil penelitian menunjukkan bahwa SVR lebih sesuai dibandingkan RFR untuk melakukan prediksi harga emas harian, khususnya pada kondisi pasar yang menunjukkan tren.

Actions (login required)

View Item