ANALISIS KETANGGUHAN ALGORITMA META PROPHET DALAM PERAMALAN DERET WAKTU HARGA EMAS PADA KONDISI FLUKTUATIF
Abstract
Peramalan data deret waktu pada sektor finansial, khususnya instrumen harga emas, sering kali mengalami penurunan tingkat akurasi yang sangat drastis ketika terjadi guncangan makroekonomi yang memicu volatilitas ekstrem di bursa. Mayoritas algoritma peramalan konvensional gagal beradaptasi dengan cepat terhadap anomali data dan pergeseran tren secara tajam, yang pada akhirnya dapat menghasilkan rekomendasi keliru pada sistem pendukung keputusan investasi. Penelitian ini bertujuan untuk mengevaluasi tingkat ketangguhan algoritma machine learning modern, yaitu Meta Prophet, dalam meramalkan harga emas Antam harian. Metode yang diusulkan menyegmentasi dataset historis periode 2010 hingga 2026 ke dalam tiga fase pengujian yang terisolasi secara ketat: fase normal (2019), fase krisis pandemi (2020–2022), dan fase pemulihan ekonomi (2023–2026). Hasil eksperimen membuktikan bahwa algoritma Meta Prophet secara signifikan sangat adaptif pada kondisi pasar yang bergejolak. Melintasi fase krisis dan pemulihan, Prophet mampu secara konsisten mempertahankan nilai Mean Absolute Percentage Error (MAPE) keseluruhan yang rendah sebesar 13,90%. Kesimpulan penelitian ini menunjukkan bahwa arsitektur Meta Prophet terbukti secara empiris tangguh terhadap pergeseran tren. Metode ini sangat direkomendasikan sebagai mesin prediktif utama untuk mengoptimalkan sistem pendukung keputusan di masa depan.
Downloads
References
S. Salmawati, M. Assidiq, and M. Sudirman, “Perbandingan Regresi Linear Dan Backpropagation Dalam Prediksi Harga Emas,” J. Peqguruang Conf. Ser., vol. 7, no. 2, 2025, doi: 10.35329/jp.v7i2.6637.
H. A. Fikri, “Prediksi Harga Emas Dengan Algoritma Backpropagation,” J. Sains Komput. Inform., vol. 7, no. 1, 2023.
P. Simamora, S. A. Pasaribu, and Vera Wijaya, “Peningkatan dan Optimalisasi Prediksi Harga Emas Menggunakan Metode Combine Machine Learning Random Forest dan Gradient Boosting,” J. Mahkota Inform., vol. 1, no. 1, 2025, doi: 10.59929/mahtik.v1i1.37.
I. Ikhsani, . M., A. R. Dikananda, and . M., “Prediksi Harga Emas Menggunakan Algoritma Seasonal Auto Regressive Integrated Moving Average,” J. Inf. dan Komput., vol. 13, no. 01, 2025, doi: 10.35959/jik.v13i01.639.
M. Hisyam, Z. Fitri, H. Al, and K. Aidilof, “Implementasi Algoritma XGBoost dengan Walk Forward Validation untuk Prediksi Harga Emas Antam,” J. Ris. Komputer), vol. 12, no. 4, 2025.
A. Tholib, N. K. Agusmawati, and F. Khoiriyah, “Prediksi Harga Emas Menggunakan Metode Lstm Dan Gru,” J. Inform. dan Tek. Elektro Terap., vol. 11, no. 3, 2023, doi: 10.23960/jitet.v11i3.3250.
J. Lemantara and T. Lusiani, “Analisis Prediksi Penyakit Diabetes Pada Wanita Menggunakan Metode Naïve Bayes Dan K-Nearest Neighbor,” J. Inform. dan Tek. Elektro Terap., vol. 12, no. 3, 2024, doi: 10.23960/jitet.v12i3.4911.
N. Nurdin, Fajriana, R. Meiyanti, Adelia, and M. Maulita, “Clustering and Mapping of Agricultural Production Based on Geographic Information System Using K-Medoids Algorithm,” J. Artif. Intell. Technol., vol. 5, 2025, doi: 10.37965/jait.2025.0633.
N. Amalia, Nurdin, and Fajriana, “Improving K-Medoids Clustering with Z-Score Initialization: A Novel Approach to Reducing Iterations and Enhancing Performance,” in 2025 International Conference on Smart Computing, IoT and Machine Learning, SIML 2025, 2025. doi: 10.1109/SIML65326.2025.11081011.
D. M. Erwansyah, “Prediksi Harga Emas Menggunakan Algoritma Regresi Linear,” Comput. Insight J. Comput. Sci., vol. 5, no. 1, 2024, doi: 10.30651/comp_insight.v5i1.21764.
I. M. Gananta, I. N. Purnama, and K. Queena Fredlina, “Optimasi Prediksi Harga Emas Dengan Metode Support Vector Regression (SVR) Menggunakan Algoritma Grid Search,” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 6, 2024, doi: 10.36040/jati.v7i6.8000.
W. Andriani, Gunawan, and A. E. Prayoga, “Prediksi Nilai Emas Menggunakan Algoritma Regresi Linear,” J. Ilm. Inform. Komput., vol. 28, no. 1, 2023, doi: 10.35760/ik.2023.v28i1.8096.
S. A, M. S. Christo, and J. V. Elizabeth, “A hybrid approach to time series forecasting: Integrating ARIMA and prophet for improved accuracy,” Results Eng., vol. 27, 2025, doi: 10.1016/j.rineng.2025.105703.
K. Kashif and R. Ślepaczuk, “LSTM-ARIMA as a hybrid approach in algorithmic investment strategies,” Knowledge-Based Syst., vol. 320, 2025, doi: 10.1016/j.knosys.2025.113563.
A. A. Pierre, S. A. Akim, A. K. Semenyo, and B. Babiga, “Peak Electrical Energy Consumption Prediction by ARIMA, LSTM, GRU, ARIMA-LSTM and ARIMA-GRU Approaches,” Energies, vol. 16, no. 12, 2023, doi: 10.3390/en16124739.
N. Susanti, Nurdin, and Y. Afrillia, “Expert System for Diagnosing Dengue Fever with Comparison of Naïve Bayes and Dempster Shafer Methods,” Int. J. Eng. Sci. Inf. Technol., vol. 5, no. 1, 2025, doi: 10.52088/ijesty.v5i1.691.
A. Karta Wijaya, P. Pandunata, and M. A. Hidayat, “Comparative Analysis Of Lstm, Gru And Meta Prophet Stock Forecasting Methods With Var-Es Risk Evaluation,” Semin. Nas. Tek. Elektro, Sist. Informasi, dan Tek. Inform., 2025.
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
