Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol.
No.
Desember 2025, hlm.
p-ISSN: 2355-7699
e-ISSN: 2528-6579
IMPLEMENTASI XGBOOST DAN SUPPORT VECTOR REGRESSION DALAM
PREDIKSI HARGA EMAS DENGAN BAYESIAN OPTIMIZATION
Aniysah Fauziyyah Alfa *1.
Dwi Arman Prasetya2 .
Sugiarto3
1,2,3
Universitas Pembangunan Nasional "Veteran" Jawa Timur.
Surabaya Email: 121083010083@student.
id, 2arman.
sada@upnjatim.
if@upnjatim.
Penulis Korespondensi (Naskah masuk: 24 April 2025, diterima untuk diterbitkan: 16 Desember 2.
Abstrak Harga emas menunjukkan tren peningkatan sepanjang waktu yang dipengaruhi oleh berbagai faktor spesifik.
Prediksi harga emas memainkan peran penting dalam pengambilan keputusan keuangan.
Namun, fluktuasi harga yang dipengaruhi oleh faktor makroekonomi menghadirkan tantangan tersendiri dalam proses peramalan, terutama bagi investor dan pelaku pasar.
Penelitian ini membahas kebutuhan model prediksi harga emas yang tepat dalam lingkungan ekonomi Indonesia dengan mengintegrasikan Bayesian Optimization pada algoritma XGBoost dan Support Vector Regression (SVR) untuk meningkatkan akurasi prediksi berdasarkan data inflasi dan suku bunga.
Metode yang digunakan meliputi pra-pemrosesan data, rekayasa fitur .
eature engineerin.
, pembuatan model dan Bayesian Optimization untuk tuning hyperparameter, dengan evaluasi model menggunakan metrik MAE.
RMSE, dan MAPE.
Hasil menunjukkan performa luar biasa dari kedua model dengan nilai RA melebihi 0,9992.
Model XGBoost lebih unggul dengan MAPE sangat rendah sebesar 0,18% dibandingkan SVR sebesar 0,36%.
Analisis menunjukkan bahwa Bayesian Optimization berhasil meningkatkan akurasi model dengan menemukan parameter Fitur tambahan seperti lag dan moving average terbukti efektif dalam merepresentasikan pola historis Penelitian ini memberikan manfaat untuk pengambilan keputusan yang berharga bagi investor dan pembuat kebijakan dalam merumuskan strategi investasi emas di tengah ketidakpastian ekonomi.
Kata kunci: XGBoost.
Support Vector Regression.
Bayesian Optimization.
Harga emas.
Inflasi.
Suku bunga
IMPLEMENTATION OF XGBOOST AND SUPPORT VECTOR REGRESSION IN
GOLD PRICE PREDICTION WITH BAYESIAN OPTIMIZATION
Abstract Gold prices show an upward trend over time influenced by various specific factors.
Gold price prediction plays an important role in financial decision making.
However, price fluctuations influenced by macroeconomic factors present their own challenges in the forecasting process, especially for investors and market players.
This study discusses the need for an appropriate gold price prediction model in the Indonesian economic environment by integrating Bayesian Optimization on the XGBoost algorithm and Support Vector Regression (SVR) to improve prediction accuracy based on inflation and interest rate data.
The methods used include data pre-processing, feature engineering, model building and Bayesian Optimization for hyperparameter tuning, with model evaluation using MAE.
RMSE, and MAPE metrics.
The results show excellent performance of both models with RA values The XGBoost model is superior with a very low MAPE of 0.
18% compared to SVR of 0.
The analysis shows that Bayesian Optimization successfully improves model accuracy by finding optimal Additional features such as lag and moving averages prove effective in representing historical price This research provides valuable decision-making benefits for investors and policy makers in formulating gold investment strategies amid economic uncertainty.
Keywords: XGBoost.
Support Vector Regression.
Bayesian Optimization.
Gold Price.
Inflation.
Interest rate berbagai kondisi (Agusmawati et al.
, 2.
Harga emas telah menjadi indikator penting dalam ekonomi global dan mempertahankan nilai jual yang tinggi dan relatif stabil.
Secara umum, harga emas menunjukkan tren peningkatan selama bertahun-tahun, dengan PENDAHULUAN Emas merupakan logam mulia yang paling banyak dicari sebagai aset investasi dan dikenal sebagai mata uang yang dapat diperdagangkan dalam 1444 Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK).
Vol.
No.
Desember 2025, hlm.
kelebihan sebagai aset yang tahan terhadap inflasi dan berfungsi sebagai portofolio tambahan yang stabil (Asnawi et al,.
Sebagai aset safe haven selama kondisi ekonomi tidak pasti, harga emas sering berfluktuasi sebagai respons terhadap berbagai faktor ekonomi, termasuk inflasi dan suku bunga.
Ketika inflasi meningkat, nilai mata uang cenderung menurun, mendorong investor beralih ke emas untuk melindungi aset (Susmiati et , 2.
Sebaliknya, suku bunga yang lebih tinggi sering mengurangi permintaan emas karena meningkatnya biaya peluang (Utami, 2.
Dalam beberapa bulan terakhir, harga emas telah berfluktuasi signifikan.
Menurut logammulia.
pada Juli 2024, emas ANTAM mencapai harga puncak Rp 1.
000 per gram, dan grafik harga enam bulan (April-Oktobe.
menunjukkan tren kenaikan signifikan sebesar 13,6% selama enam bulan terakhir.
Memahami dan memprediksi fluktuasi harga emas sangat penting bagi investor dan pemangku kepentingan lainnya.
Dengan meningkatnya ketidakpastian ekonomi global dan volatilitas pasar, prediksi harga emas yang akurat dapat memberikan wawasan berharga untuk pengambilan keputusan investasi (Saadah and Salsabila, 2.
Penelitian ini bertujuan untuk mengembangkan model prediksi harga emas yang efektif dengan menggunakan pendekatan machine learning.
Metode machine learning yang dipilih dalam penelitian ini meliputi XGBoost dan Support Vector Regression (SVR), yang dioptimalkan dengan Bayesian Optimization.
XGBoost dikenal unggul dalam menangani data besar dan memiliki mekanisme optimasi yang efisien, serta fitur tambahan seperti regularisasi dan pemrosesan paralel (Rayadin, et al,.
Sementara SVR merupakan algoritma yang kuat untuk memprediksi data dengan margin yang jelas, terutama dalam masalah yang melibatkan variabel ekonomi (Aulia, et al,.
Penelitian sebelumnya oleh Gono et al.
menggunakan XGBoost untuk meramalkan harga perak mencapai MAPE 5,98%, sementara penelitian oleh (Putri et al,.
menerapkan SVR untuk memprediksi indeks batubara dengan RMSE terbaik 0,619.
Keduanya menunjukkan efektivitas metode machine learning dalam peramalan komoditas, namun masih ada ruang untuk peningkatan akurasi melalui optimasi yang tepat.
Bayesian Optimization digunakan dalam penelitian ini untuk mengoptimalkan parameter dalam kedua algoritma.
Metode ini dirancang untuk mengoptimalkan fungsi kompleks yang memerlukan biaya tinggi dalam proses evaluasi, terutama ketika bekerja dalam ruang parameter yang besar (Permana et al,.
Dibandingkan dengan teknik hyperparameter tuning konvensional.
Bayesian Optimization menawarkan efisiensi yang lebih tinggi dalam menemukan konfigurasi parameter optimal.
Penelitian ini bertujuan untuk membandingkan kinerja XGBoost dan SVR dengan Bayesian Optimization untuk memprediksi harga emas berdasarkan data inflasi dan suku bunga di Indonesia.
Diharapkan penelitian ini memberikan wawasan tentang algoritma yang paling efektif dan bagaimana faktor makroekonomi mempengaruhi prediksi harga emas, sehingga dapat membantu investor dan pembuat kebijakan dalam mengambil keputusan yang lebih informatif dan strategis di tengah ketidakpastian METODE PENELITIAN Penelitian ini membandingkan kinerja model Extreme Gradient Boosting (XGBoos.
dan Support Vector Regression (SVR) dengan Bayesian Optimization dalam memprediksi harga emas di Indonesia berdasarkan data inflasi dan suku bunga.
Tahapan penelitian dijelaskan sebagai berikut:
Pengumpulan Data Penelitian ini menggunakan data dari tahun 2020 hingga 2024 dengan tiga variabel utama: harga emas, inflasi, dan suku bunga dari Indonesia seperti pada Tabel 1.
Variabel Harga Emas Inflasi Suku Bunga Tabel 1.
Variabel Penelitian Deskripsi Sumber Harga emas ANTAM .
er gram/har.
Bank Indonesia Persentase inflasi .
Bank Indonesia Persentase BI-rate .
Dataset terdiri dari 1.
827 data dan mencakup periode dari Januari 2020 hingga Desember 2024, dengan data harga emas dikumpulkan secara harian, sedangkan data inflasi dan suku bunga dalam bentuk bulanan yang disesuaikan menjadi format harian.
Pra-pemrosesan Data (Data Pre-processin.
Persiapan dan Pembersihan Data Pada tahap ini, kolom tanggal dikonversi menjadi format datetime dan ditetapkan sebagai indeks, sementara nilai inflasi dan suku bunga dikonversi menjadi tipe data numerik.
Nilai kosong .
issing valu.
yang muncul karena tidak adanya data pada hari libur dihapus, dan untuk nilai yang hilang lainnya dilakukan imputasi menggunakan metode forward fill.
Rekayasa Fitur (Feature Engineerin.
Untuk ditambahkan fitur turunan dari variabel harga emas seperti pada Tabel 2.
Fitur-fitur ini dirancang untuk mengidentifikasi pola historis dan dinamika harga yang tidak terlihat dalam data asli, memungkinkan model untuk memahami tren, fluktuasi, dan perubahan harga emas dengan lebih mendalam.
Alfa, dkk.
Implementasi XGboost dan Support VectorA 1445 Gambar 1.
Diagram Alur Penelitian Tabel 2.
Fitur Teknis dalam Model Prediksi
Variabel
Deskripsi
MA7
Moving average 7 hari dari harga emas MA30 Moving average 30 hari dari harga emas Harga Emas Lag1 Harga emas dengan lag 1 hari Harga Emas Lag7 Harga emas dengan lag 7 hari Standar deviasi rolling 7 hari dari harga Volatility Trend Perbedaan harga emas harian Momentum Selisih harga saat ini dengan 7 hari lalu ROC Persentase perubahan harga dalam 7 hari Implementasi Model (Model Implementatio.
Pemisahan dan Normalisasi Data Dataset dibagi menjadi 80% untuk data pelatihan .
dan 20% untuk data pengujian .
Proses ini menghasilkan 1.
372 data untuk pelatihan dan 343 data untuk pengujian.
Normalisasi data menggunakan MinMaxScaler dengan rentang .
,1, .
dilakukan untuk menyamakan skala antar fitur sehingga model dapat belajar pola lebih efektif.
Pentingnya proses normalisasi ini untuk membantu mencegah fitur dengan rentang numerik yang lebih besar mendominasi fitur dengan rentang yang lebih kecil, yang pada akhirnya meningkatkan kinerja model (Fahira, 2.
Extreme Gradient Boosting (XGBoos.
XGBoost adalah algoritma ensemble berbasis pohon keputusan yang efisien dan dapat diskalakan (Gono et al,.
Model ini bekerja dengan menggabungkan sejumlah pohon keputusan menggunakan metode penjumlahan.
Formulasi dasar XGBoost dapat dijelaskan dengan persamaan:
ycn = Ocya yco=1 yceyco .
cuycn ), yceyco OO ya .
Dimana ycn adalah nilai prediksi untuk observasi ycn, ya adalah total pohon regresi dalam model, yceyco .
cuycn ) adalah fungsi prediksi pohon yco yang diterapkan pada fitur input, dan ya adalah kumpulan semua fungsi pohon keputusan yang mungkin.
Fungsi objektif XGBoost adalah:
ya = Ocycn yco.
cn , ycycn ) Ocyco .
ceyco ) .
Dimana yco adalah fungsi kerugian dan adalah fungsi regularisasi untuk mengontrol kompleksitas model.
Support Vector Regression (SVR) Support Vector Regression adalah metode regresi yang dikembangkan dari algoritma Support Vector Machine yang efektif mengatasi masalah overfitting (Mas Diyasa et al,.
Bentuk umum fungsi regresi dalam SVR adalah:
cu ) = yc ycN yuc .
cu ) yca Dimana yce .
cu ) adalah fungsi regresi, yc adalah vektor bobot, yuc.
cu ) adalah fungsi pemetaan nonlinier, dan yca adalah bias.
1446 Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK).
Vol.
No.
Desember 2025, hlm.
Dalam penelitian ini digunakan kernel Radial Basis Function (RBF) dengan formula seperti berikut:
exp(OeyuAnycu Oe ycuAAn2 ) .
Di mana ycu merupakan nilai aktual, ycuA adalah nilai prediksi, dan adalah parameter gamma.
Kernel RBF dipilih karena efektivitasnya dalam menangani data non-linier seperti harga emas (X.
Ding et al,.
Bayesian Optimization Bayesian Optimization adalah metode untuk membangun model surrogate dari fungsi objektif, digunakan untuk menemukan hyperparameter optimal pada kedua algoritma (Permana et al,.
Persamaan umumnya adalah:
yeayeOyeayeoyc yeN.
Formula ini menjelaskan proses untuk mencari nilai minimum dari fungsi objektif yeN.
Variabel ycu merupakan parameter yang nilainya akan dioptimalkan dan berada dalam ruang pencarian ycU, yang merupakan himpunan dari semua nilai kemungkinan ycu.
Kemudian, mencari nilai ycu OO ycU yang menghasilkan nilai minimum dari yce.
, tanpa harus mengevaluasi secara menyeluruh seluruh ruang Evaluasi Model (Model Evaluatio.
Kinerja model dievaluasi menggunakan beberapa Mean Absolute Error (MAE) MAE mengukur besarnya rata-rata kesalahan mempertimbangkan arahnya.
MAE menghitung selisih absolut rata-rata antara harga emas yang diprediksi dan nilai aktual (Chicco et al,.
ycAyaya = yco Ocyco ycn=.
ycUycn Oe ycUycn | .
Root Mean Square Error (RMSE) RMSE adalah cara standar untuk mengukur kesalahan model dalam memprediksi data kuantitatif (Putri et al,.
RMSE adalah akar kuadrat dari rata-rata selisih kuadrat antara prediksi dan observasi Ocycu .
c OeycUyc.
2 ycIycAycIya = Oo ycn=1 ycuycn Mean Absolute Percentage Error (MAPE) Mean Absolute Percentage Error (MAPE) merupakan metode untuk mengevaluasi kinerja model dengan mengukur persentase rata-rata kesalahan absolut.
Metrik ini memberikan pendekatan komprehensif untuk menilai akurasi model prediktif dengan menyatakan kesalahan sebagai persentase dari nilai yang diamati (Caraka et MAPE dihitung menggunakan rumus ycAyaycEya = .
cUycn Oeyaycn | (Ocycu ycn=1 ycUycn ycu ycu 100% .
R-squared (RA) R-squared merupakan koefisien determinasi yang menggambarkan persentase dampak variabel X terhadap variabel Y.
Metrik ini mengevaluasi sejauh mana variabel independen menjelaskan variabilitas dalam variabel dependen.
Nilai R-squared yang lebih tinggi menunjukkan keselarasan model yang lebih tepat dengan data yang mendasarinya (Khumaedi.
Rumusnya adalah sebagai berikut:
ycIycIycI
ycI2 = 1 Oe ycNycIycI
HASIL DAN PEMBAHASAN
Analisis Hubungan Variabel Analisis korelasi dilakukan untuk melihat hubungan antar variabel seperti pada Gambar 2.
Hasil analisis menunjukkan suku bunga memiliki korelasi positif kuat dengan harga emas .
, berbeda dengan teori ekonomi konvensional yang umumnya menunjukkan hubungan terbalik.
Inflasi menunjukkan korelasi negatif lemah dengan harga emas (-0,.
, bertentangan dengan pandangan bahwa emas berfungsi sebagai lindung nilai inflasi.
Indikator teknis (MA7.
MA30.
Lag1.
Lag.
menunjukkan korelasi sangat kuat (>0,.
dengan harga emas, mengkonfirmasi dominasinya dalam model prediksi.
Hal ini menyoroti dinamika unik pasar emas Indonesia, dimana faktor teknis jangka pendek lebih berpengaruh dalam prediksi harga daripada variabel Evaluasi Performa Model Berikut adalah hasil evaluasi model XGBoost dan SVR seperti pada Tabel 3.
Kedua model menunjukkan kinerja sangat baik dengan nilai RA melebihi 0,999.
Model XGBoost lebih unggul di semua metrik evaluasi, terutama dalam MAPE .
,18% vs 0,36% SVR), menunjukkan penyimpangan rata-rata kurang dari 0,2% dari nilai Diagram residual error pada tampilan berikut mengungkapkan XGBoost memiliki magnitud kesalahan keseluruhan lebih kecil dibandingkan SVR.
Scatter plot nilai prediksi dengan nilai aktual pada tampilan berikut mengkonfirmasi akurasi tinggi dari kedua model, dengan model XGBoost menunjukkan pengelompokan sedikit lebih rapat dibanding SVR.
Alfa, dkk.
Implementasi XGboost dan Support VectorA 1447 Gambar 2.
Heatmap Korelasi Antar Variabel
Model
XGBoost
XGBoost
SVR
SVR
Tabel 3.
Perbandingan Matrik Kinerja Model
MAE
RMSE
MAPE
Dataset
(%)
Training 376,76 495,69 0,04 1,0000 Testing 1880,11 4321,07 0,18 0,9993 Training 3394,39 4167,76 0,33 0,9994 Testing 3678,67 4638,52 0,36 0,9993 Parameter Model Terbaik Kedua model dioptimalkan menggunakan Bayesian Optimization dengan hasil sebagai berikut:
Tabel 4.
Optimasi Hyperparameter XGBoost dan SVR
Model
Paramater Nilai Optimal
XGBoost
n_estimators max_depth learning_rate 0,1084 0,6905 colsample_bytree 0,9777 SVR
0,8783
0,1216
0,0104
XGBoost berkinerja terbaik dengan struktur pohon yang relatif dalam .
ax_depth: .
dan jumlah pohon .
, menunjukkan model mendapat manfaat dari menangkap hubungan non-linier kompleks sambil menghindari overfitting.
Untuk SVR, nilai C yang relatif rendah .
,8.
menunjukkan prioritas pada fungsi keputusan yang lebih halus, dengan nilai epsilon kecil .
,0.
menunjukkan tujuan presisi tinggi dalam prediksi.
Visualisasi Hasil Prediksi Visualisasi harga emas aktual versus prediksi pada tampilan berikut ini menggambarkan akurasi tinggi kedua model:
Model XGBoost .
aris putus-putus bir.
menunjukkan kesepakatan sangat baik dengan nilai aktual, terutama selama periode volatilitas tinggi.
Model SVR .
aris titik-garis mera.
juga mampu mengikuti pola harga emas dengan baik namun sedikit tertinggal dalam menangkap fluktuasi yang cukup tinggi.
Kedua model secara konsisten menghasilkan prediksi yang sangat dekat dengan harga emas aktual sepanjang periode pengujian.
Prediksi Harga di Masa Depan Dengan dioptimalkan, dihasilkan perkiraan harga emas untuk tiga hari pertama tahun 2025:
Tabel 5.
Prediksi Harga Emas Januari 2025
SVR
Rata-rata Tanggal XGBoost (IDR) (IDR) 01-01-2025
02-01-2025
03-01-2025
Kedua model memberikan prediksi harga yang hampir sama untuk 1 Januari 2025, namun perbedaan mulai muncul pada hari-hari berikutnya.
XGBoost memperkirakan penurunan signifikan pada hari ketiga (Rp 899.
, sementara SVR menunjukkan tren harga yang lebih stabil.
Perbedaan ini 1448 Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK).
Vol.
No.
Desember 2025, hlm.
menunjukkan bagaimana masing-masing model menginterpretasikan fitur input dengan cara yang dengan kesalahan berkisar antara 0,06%-0,76%, sementara SVR mencatat kesalahan lebih kecil pada hari-hari tertentu .
,01% pada 22 November 2.
Perbandingan Kinerja Model Tabel 7.
Perbandingan Prediksi Model SVR dengan Aktual
Tanggal Aktual
Prediksi
Error (%) 2024-11-22
2024-11-26
2024-12-08
2024-12-12
2024-12-18
2024-12-19
2024-12-30
Tabel 6.
Perbandingan Prediksi Model XGboost dengan Aktual
Tanggal Aktual
Prediksi
Error (%) 2024-11-22
2024-11-26
2024-12-08
2024-12-12
2024-12-18
2024-12-19
2024-12-30
Gambar 3.
Residual Error Model Hasil ini merupakan peningkatan substansial dibandingkan penelitian sebelumnya yang dilakukan oleh (Gono et al,.
menggunakan XGBoost untuk prediksi harga perak mencapai MAPE 5,98%, jauh lebih tinggi dari hasil penelitian ini .
,18%).
Dibandingkan dengan penelitian (Fahrudin et al,.
yang menggunakan metode deret waktu tradisional untuk prediksi harga emas ANTAM, pendekatan machine learning dengan XGBoost dan SVR dalam studi ini menunjukkan peningkatan signifikan dalam akurasi prediksi, terutama pada metrik MAPE dan RMSE.
Hal ini menunjukkan bahwa pendekatan yang diusulkan dalam studi ini memiliki tingkat akurasi yang lebih tinggi, mencerminkan efektivitas pemilihan fitur, praproses data, dan teknik optimasi model yang diterapkan.
Analisis Dinamika Pasar Emas Indonesia Gambar 4.
Scatter plot Hasil Prediksi dengan Nilai Aktual Gambar 5.
Visualisasi Prediksi Model XGBoost dan SVR Pada tampilan tabel perbandingan prediksi dengan data pengujian selama 7 hari terakhir menunjukkan kedua model mampu mengikuti tren harga emas dengan baik.
XGBoost menunjukkan kinerja stabil Penelitian ini mengungkapkan beberapa dinamika unik dalam pasar emas Indonesia.
Pertama, ditemukan korelasi positif kuat .
antara suku bunga dan harga emas, bertentangan dengan pandangan tradisional bahwa suku bunga tinggi menurunkan harga emas.
Kedua, terdapat korelasi negatif lemah (-0,.
antara inflasi dan harga emas, berbeda dengan konsep emas sebagai lindung nilai Ketiga, faktor teknis seperti harga historis dan moving average lebih berpengaruh dalam prediksi harga emas jangka pendek daripada data Temuan ini konsisten dengan penelitian Hindrayani et al.
yang menunjukkan efektivitas machine learning dalam prediksi harga Selain itu, penggunaan teknik analitis seperti yang dilakukan oleh Prasetya et al.
faktor-faktor mempengaruhi pasar dapat menjadi pendekatan yang berguna untuk lebih memahami dinamika pasar emas Indonesia.
Pendekatan ini menggunakan berbagai variabel ekonomi dan pasar, menyoroti pentingnya menemukan pola yang ada.
Meskipun faktor makroekonomi tetap relevan, keputusan investasi emas di Indonesia juga dipengaruhi oleh kondisi pasar lokal atau kebijakan Hasil ini berbeda dengan penelitian Susmiati et al.
yang menyatakan emas berfungsi sebagai lindung nilai inflasi, memberikan Alfa, dkk.
Implementasi XGboost dan Support VectorA 1449 wawasan baru tentang dinamika pasar emas di Indonesia.
KESIMPULAN
Penelitian ini berhasil mengembangkan dan membandingkan model XGBoost dan SVR dengan Bayesian Optimization untuk memprediksi harga emas berdasarkan inflasi dan suku bunga di Indonesia.
Kedua model menunjukkan kinerja prediksi sangat baik nilai RA sebesar 0,999, dengan XGBoost lebih unggul di semua kriteria evaluasi dengan menghasilkan MAPE 0,18% sedangkan 0,36% untuk model SVR.
Analisis hubungan variabel menunjukkan fitur teknis memiliki korelasi lebih tinggi dengan harga emas dibandingkan variabel makroekonomi, namun keduanya tetap relevan dalam pengembangan model Bayesian Optimization meningkatkan kinerja model SVR melalui kombinasi hyperparameter optimal (C: 0,878.
epsilon: 0,010.
gamma: 0,.
Perbandingan prediksi menunjukkan perbedaan proyeksi dari kedua model, dengan XGBoost memprediksi penurunan signifikan pada hari ketiga Januari 2025, sementara SVR memprediksi dengan Hasil ini dapat membantu bagi para investor dan pemerintah untuk membuat keputusan yang lebih baik dalam menghadapi kondisi ekonomi yang kurang stabil saat ini.
Pada penelitian berikutnya, disarankan untuk tambahan, mengeksplorasi metode deret waktu .
ime serie.
, atau menggunakan teknik machine learning lainnya secara hybrid, serta menganalisis kinerja model dalam berbagai kondisi pasar.
DAFTAR PUSTAKA