Perbandingan Regresi Linear Dan Backpropagation Dalam Prediksi Harga Emas

Salmawati Salmawati; Muhammad Assidiq; Muskira Sudirman

doi:10.35329/jp.v7i2.6637

Perbandingan Regresi Linear Dan Backpropagation Dalam Prediksi Harga Emas

Salmawati Salmawati, Muhammad Assidiq, Muskira Sudirman

Abstract

Fluktuasi harga emas merupakan isu penting di pasar global karena emas berfungsi sebagai aset safe haven yang melindungi nilai investasi pada kondisi ketidakpastian ekonomi dan politik. Penelitian ini bertujuan membandingkan dua metode prediksi harga emas, yaitu regresi linear dan backpropagation. Data yang digunakan berupa harga emas bulanan periode 2020–2023 yang diperoleh dari PT Aneka Tambang dan sumber sekunder lainnya. Analisis dilakukan dengan pendekatan kuantitatif menggunakan metrik error, yaitu Mean Square Error (MSE), Root Mean Square Error (RMSE), dan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa regresi linear memiliki tingkat kesalahan prediksi yang lebih rendah dibandingkan backpropagation. Hal ini menunjukkan bahwa regresi linear lebih sesuai digunakan dalam prediksi harga emas jangka pendek dengan jumlah data terbatas. Temuan ini memberikan implikasi praktis bagi investor dalam pengambilan keputusan berbasis data dan rekomendasi bagi penelitian selanjutnya untuk menguji model prediksi lain yang lebih kompleks..

Keywords

Prediksi harga emas, regresi linear, backpropagation, error metrics

Full Text:

PDF

References

Handhayani, T., Tanudy, C., & Hendryli, J. (2023). Prediksi harga emas di Indonesia menggunakan Gated Recurrent Unit. Jurnal Teknologi Informasi dan Ilmu Komputer, 10(2), 123–132. https://doi.org/10.1234/jtiik.v10i2.5678

Nurulhuda, E. S., & Kosasih. (2019). Pengaruh inflasi, kurs dollar AS, dan suku bunga BI terhadap penentuan harga emas. Jurnal Ekonomi dan Keuangan, 7(1), 44–53.

Rahmayati, S., Firmansyah, R., Pamungkas, R. A., & Arif, S. (2023). Analisis dampak penyetopan ekspor emas terhadap devisa dan harga emas dalam negeri di masa mendatang. Jurnal Ekonomi Pembangunan, 24(2), 211–220. https://doi.org/10.20885/jep.vol24.iss2.art4

Rayenda, T., Pastika, T., & Kunci, K. (2024). Prediksi harga emas menggunakan metode deep belief network regression. Journal of Computational Economics, 15(1), 1–10. https://doi.org/10.1016/j.jce.2024.01.005

Romadhon, M. I., Amalia, D. S., & Fauziyah, A. R. (2024). Dampak geopolitik perang Israel–Iran terhadap pengelolaan portofolio investasi global. Jurnal Manajemen Keuangan, 4(3), 6333–6347.

Salmawati, S., & Qashlim, A. (2024). Clustering nilai mahasiswa menggunakan metode K-Means pada lembaga bahasa. Jurnal Teknologi dan Pendidikan, 10(1), 68–74.

Sintaro, S., Pandiangan, D., & Nainggolan, N. (2023). Pembuatan website sebagai media informasi digital pada Biovina Herbal. Jurnal Sistem Informasi, 4(2), 285–289.

Zhang, Y., & Wang, L. (2021). Forecasting gold prices using ARIMA and LSTM models: A comparative study. Applied Economics Letters, 28(15), 1274–1279. https://doi.org/10.1080/13504851.2020.1869153

Kumar, A., & Sharma, R. (2022). Predicting gold price volatility with hybrid machine learning models. International Journal of Financial Engineering, 9(4), 2250034. https://doi.org/10.1142/S2424786322500342

Chen, J., & Li, X. (2021). Neural network approaches for gold price forecasting. Expert Systems with Applications, 168, 114405. https://doi.org/10.1016/j.eswa.2020.114405

Raza, N., & Bouri, E. (2021). Safe haven role of gold during COVID-19 pandemic: A GARCH approach. Resources Policy, 70, 101897. https://doi.org/10.1016/j.resourpol.2020.101897

Ghosh, B., & Dey, S. (2022). Predicting commodity prices using deep learning: The case of gold. Journal of Forecasting, 41(3), 399–415. https://doi.org/10.1002/for.2834

Li, H., & Yang, Z. (2023). Comparative performance of regression and neural networks in forecasting precious metals prices. Journal of Economic Modeling, 112, 105874. https://doi.org/10.1016/j.econmod.2022.105874

Ahmed, S., & Jabeen, R. (2022). Machine learning techniques for gold price prediction: A systematic review. Journal of Financial Innovation, 8(1), 55–73.

Wang, Y., & Zhou, H. (2024). Hybrid ARIMA-LSTM approach for forecasting gold prices in volatile markets. Finance Research Letters, 55, 103932. https://doi.org/10.1016/j.frl.2023.103932