PREDIKSI HARGA DAN VOLATILITAS EMAS DUNIA HARIAN: PERBANDINGAN MODEL GARCH DAN LONG SHORT-TERM MEMORY
DOI:
https://doi.org/10.31849/zn.v7i2.26764Keywords:
prediksi harga emas, volatilitas, LSTM, GARCH, analisis deret waktuAbstract
Penelitian ini bertujuan untuk membandingkan kinerja model Long Short-Term Memory (LSTM) dan Generalized Autoregressive Conditional Heteroskedasticity (GARCH) dalam memprediksi harga dan volatilitas emas harian. Data harga emas dunia periode 2018–2023 digunakan untuk pelatihan dan pengujian model. Pemrosesan data meliputi normalisasi dan pembagian data latih (80%) serta data uji (20%). Model LSTM dengan dua lapisan (masing-masing 100 unit) dan dropout 20% menghasilkan prediksi harga yang akurat dengan nilai RMSE 17,2521, MAE 12,9861, MAPE 0,69%, dan R² 0,9668. Sementara itu, model GARCH(1,1) menunjukkan keunggulan dalam memprediksi volatilitas dengan RMSE 0,0071 dan MAE 0,0057, meskipun kurang efektif untuk prediksi harga absolut (RMSE 278,1541, MAE 231,3126, MAPE 12,40%, R² -4,7735). Penelitian ini mengisi gap dari studi sebelumnya yang umumnya hanya memanfaatkan model tunggal. Dengan membandingkan langsung dua pendekatan berbeda, yaitu LSTM dan GARCH, penelitian ini menawarkan kontribusi baru dalam meningkatkan akurasi prediksi harga emas dan volatilitas. Temuan ini menunjukkan bahwa kombinasi keduanya dapat lebih efektif dalam menghadapi dinamika pasar yang kompleks. Disarankan juga integrasi variabel eksternal, seperti suku bunga, inflasi, dan indeks saham global, untuk meningkatkan cakupan analisis dan akurasi prediksi.
References
Y. F. Wijaya dan A. Triayudi, "Penerapan data mining pada prediksi harga emas dengan menggunakan algoritma regresi linear berganda dan ARIMA," Journal of Computer System and Informatics (JoSYC), vol. 5, no. 1, pp. 73–81, Nov. 2023.
S. Sholiha dan W. U. Dewi, "Penggunaan ARIMA Box-Jenskin dalam meramalkan harga emas Antam tahun 2025-2027 di Indonesia," Sciencestatistics: Journal of Statistics, Probability, and Its Application, vol. 2, no. 2, pp. 59–69, 2024.
I. P. A. Fadilah dan Zawawi, "Pengaruh penggunaan analisis fundamental terhadap pengambilan posisi transaksi dalam trading emas," EKBIS (Ekonomi & Bisnis), vol. 12, no. 2, pp. 228–234, 2024.
W. Andriani, G. Gunawan, dan A. E. Prayoga, "Prediksi nilai emas menggunakan algoritma regresi linear," Jurnal Ilmiah Informatika Komputer, vol. 28, no. 1, pp. 27–35, 2023.
S. Setyowibowo, M. As'ad, S. Sujito, dan E. Farida, "Forecasting of daily gold price using ARIMA-GARCH hybrid model," Jurnal Ekonomi Pembangunan, vol. 19, no. 2, pp. 257–270, 2022.
A. Mutiara, N. . Fitriyati, and M. Mahmudi, “ANALISIS LAJU PREDIKSI INFLASI DI INDONESIA: PERBANDINGAN MODEL GARCH/ARCH DENGAN LONG SHORT TERM MEMORY”, SCI TECH ED MATH, vol. 5, no. 1, pp. 94-110, Apr. 2024.
N. Fatiara, N. S. H, S. Agustian, Yusra, dan I. Afrianty, “Komparasi Metode K-Nearest Neighbors dan Long Short Term Memory pada Klasifikasi Terjemahan Al-Qur’an,” ZONAsi: Jurnal Sistem Informasi, vol. 6, no. 2, pp. 332–345, Mei 2024.
C. A. Maharani, B. Warsito, and R. Santoso, "ANALISIS SENTIMEN VAKSIN COVID-19 PADA TWITTER MENGGUNAKAN RECURRENT NEURAL NETWORK (RNN) DENGAN ALGORITMA LONG SHORT-TERM MEMORY (LSTM)," Jurnal Gaussian, vol. 12, no. 3, pp. 403-413, Feb. 2024.
D. Lanasemba, “Implementasi Long-Short Term Memory (LSTM) untuk Generasi Feedback Berbahasa Indonesia pada Sistem Penilaian Esai,” Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer), vol. 14, no. 1, 2024.
B. Jange, "Prediksi Volatilitas Indeks Harga Saham Gabungan Menggunakan GARCH," ARBITRASE: Journal of Economics and Accounting, vol. 4, no. 1, pp. 1–6, Jul. 2023.
D. Nugroho, O. Dimitrio, dan F. Tita, "The GARCH-X(1,1) Model with Exponentially Transformed Exogenous Variables," JST (Jurnal Sains dan Teknologi), vol. 12, no. 1, pp. 65–72, Apr. 2023.
E. Ivan and H. D. Purnomo, “FORECASTING PRICES OF FERTILIZER RAW MATERIALS USING LONG SHORT TERM MEMORY”, J. Tek. Inform. (JUTIF), vol. 3, no. 6, pp. 1663-1673, Dec. 2022.
I. Amansyah, J. Indra, E. Nurlaelasari, and A. R. Juwita, “Prediksi Penjualan Kendaraan Menggunakan Regresi Linear: Studi Kasus pada Industri Otomotif di Indonesia”, Innovative, vol. 4, no. 4, pp. 1199–1216, Jul. 2024.
M. wolah, S. K. Nasib, A. Arsal, I. K. Hasan, Asriadi, and S. N. Abdussamad, “Pemilihan Metode Optimal Untuk Prediksi Angka Kemiskinan Di Provinsi Gorontalo: Perbandingan Double Exponential Smoothing dan Bayesian Structural Time Series”, Res. Math. Nat. Sci., vol. 4, no. 1, pp. 74–89, Feb. 2025.
T. M. Siregar, E. N. Situngkir, J. J. Purba, M. K. Aulia, and R. N. Ramadhani, “Memprediksi Tingkat Pengangguran di Kota Medan dengan Model Regresi Non-Linier Kuadratik”, Innovative, vol. 3, no. 2, pp. 8661–8670, Jun. 2023.
R. S. Andromeda dan N. A. S. Winarsih, "Performance Comparison of LSTM and GRU Methods in Predicting Cryptocurrency Closing Prices," Sistemasi: Jurnal Sistem Informasi, vol. 14, no. 1, pp. 1–6, 2025.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 ZONAsi: Jurnal Sistem Informasi
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
CC BY-SA 4.0
Attribution-ShareAlike 4.0
You are free to:
- Share — copy and redistribute the material in any medium or format for any purpose, even commercially.
- Adapt — remix, transform, and build upon the material for any purpose, even commercially.
- The licensor cannot revoke these freedoms as long as you follow the license terms.
Under the following terms:
- Attribution — You must give appropriate credit , provide a link to the license, and indicate if changes were made . You may do so in any reasonable manner, but not in any way that suggests the licensor endorses you or your use.
- ShareAlike — If you remix, transform, or build upon the material, you must distribute your contributions under the same license as the original.
- No additional restrictions — You may not apply legal terms or technological measures that legally restrict others from doing anything the license permits.
Notices:
You do not have to comply with the license for elements of the material in the public domain or where your use is permitted by an applicable exception or limitation .
No warranties are given. The license may not give you all of the permissions necessary for your intended use. For example, other rights such as publicity, privacy, or moral rights may limit how you use the material.
