Analisis Prediksi Harga Emas Menggunakan Regresi Linear dan K-Nearest Neighbors: Studi pada Data Harga Emas Harian Periode 2014–2025

Ricky Martin; Faisal Faisal; Ikhsan Nur  Aditya; Ahmad Jurnaidi Wahidin; Beni Rahmatullah; Ika Kurniawati

doi:10.31004/riggs.v4i4.3606

Authors

Ricky Martin Universitas Bina Sarana Informatika
Faisal Universitas Bina Sarana Informatika
Ikhsan Nur Aditya Universitas Bina Sarana Informatika
Ahmad Jurnaidi Wahidin Universitas Bina Sarana Informatika
Beni Rahmatullah Universitas Bina Sarana Informatika
Ika Kurniawati Universitas Nusa Mandiri

DOI:

https://doi.org/10.31004/riggs.v4i4.3606

Keywords:

Prediksi Harga Emas, Regresi Linear, K-Nearest Neighbors, Machine Learning, Deret Waktu

Abstract

Penelitian ini membandingkan kinerja dua algoritma machine learning, yaitu Regresi Linear dan K-Nearest Neighbors (KNN), dalam memprediksi harga emas berdasarkan data harga penutupan harian dari Januari 2014 hingga Januari 2025. Dataset yang digunakan diperoleh dari platform Kaggle dan merepresentasikan dinamika harga emas internasional selama sekitar sepuluh tahun, sehingga dianggap cukup representatif untuk menggambarkan pola pergerakan harga jangka panjang. Proses pra-pemrosesan data meliputi pembersihan data untuk menghapus missing values, normalisasi seluruh fitur numerik menggunakan StandardScaler, serta pembagian data menjadi 80% data latih dan 20% data uji untuk memastikan proses pelatihan dan pengujian model berjalan terukur. Model dikembangkan menggunakan bahasa pemrograman Python dengan pustaka Scikit-learn. Nilai K pada algoritma KNN ditetapkan sebesar 5 berdasarkan hasil eksperimen awal yang mempertimbangkan keseimbangan antara kompleksitas model dan kinerja prediksi. Kinerja model dievaluasi menggunakan tiga metrik utama, yaitu koefisien determinasi (R²), Root Mean Squared Error (RMSE), dan Mean Absolute Error (MAE). Hasil pengujian menunjukkan bahwa Regresi Linear memberikan performa terbaik dengan nilai R² sebesar 0,9996, RMSE 0,0021, dan MAE 0,0008. Sebaliknya, KNN hanya mencapai R² sebesar 0,1107, RMSE 0,0834, dan MAE 0,0412. Perbedaan signifikan ini menunjukkan bahwa hubungan antara data historis harga emas dan nilai prediksinya cenderung linier dan dapat dimodelkan secara efektif oleh Regresi Linear. Sementara itu, pendekatan berbasis kedekatan tetangga seperti KNN kurang mampu menangkap pola tersebut secara optimal. Oleh karena itu, Regresi Linear lebih sesuai digunakan untuk prediksi harga emas berbasis data historis pada periode penelitian ini dibandingkan algoritma KNN.

Downloads

Download data is not yet available.

References

A. Azhari and N. Umniati, “Gold Price Prediction using Linear Regression and Polynomial Regression Method,” vol. 15, no. 01, pp. 56–65, 2025.

R. Kong, “Machine Learning Models for Gold Price Prediction: A Comparative Analysis and Evaluation,” Highlights Business, Econ. Manag., vol. 40, pp. 429–435, 2024, doi: 10.54097/04pjnj11.

B. Xie, “Gold Price Forecast: A Summary of the Integration of Economic Factors and Calculation Methods,” no. Icdse, pp. 360–365, 2025, doi: 10.5220/0013697400004670.

N. Tripurana, B. Kar, S. Chakravarty, B. K. Paikaray, and S. Satpathy, “Gold Price Prediction Using Machine Learning Techniques,” CEUR Workshop Proc., vol. 3283, no. May, pp. 274–281, 2021, doi: 10.54097/gdm0kc53.

A. Nanda, M. R. N. P.; Martha, Z.; Vionanda, D.; Salma, “Prediction of World Gold Price Using k-Nearest Neighbor Method,” 2024. doi: doi: 10.24036/ujsds/vol2-iss4/314.

A. B. Nagata, M. S. Hidajat, D. A. Wibowo, W. Widyatmoko, and N. B. M. Yaacob, “Predicting Gold Price Movement Using Long Short-Term Memory Model,” J. Appl. Intell. Syst., vol. 9, no. 1, pp. 19–28, 2025, doi: 10.62411/jais.v9i1.10305.

R. A. Dalimunthe, R. T. Adek, and C. Agusniar, “Gold Price Prediction Using Long-Short Term Memory Algorithm Based on Web Application,” Int. J. Eng. Sci. Inf. Technol., vol. 5, no. 1, pp. 329–339, 2025, doi: 10.52088/ijesty.v5i1.724.

G. Aditama, N. Yudistira, and W. F. Mahmudy, “Gold Prices Prediction using Univariate Long Short Term Memory Method,” vol. 10, no. 2, pp. 63–73, 2025.

D. A. Adha, A. Ramadhan, H. Maulana, P. P. H. Harahap, and E. Ismanto, “Jurnal Computer Science and Information Technology ( CoSciTech ) Peramalan Harga Emas Berbasis Time Series Menggunakan Arsitektur LSTM Deep Learning Gold Price Forecasting Based on Time Series Using the LSTM Deep Learning Architecture,” vol. 6, no. 2, pp. 329–336, 2025.

H. M. Zangana and S. R. Obeyd, “Deep Learning-based Gold Price Prediction: A Novel Approach using Time Series Analysis,” Sistemasi, vol. 13, no. 6, p. 2581, 2024, doi: 10.32520/stmsi.v13i6.4651.

D. A. Yanumatrajaya, I. Fikri, D. Asmarayani, and H. Soetanto, “Comparing CNN and GRU for Gold Price Prediction Using Deep Learning,” vol. 14, pp. 530–537, 2025.

Y. R. M. Ferdinandus, K. Kusrini, and T. Hidayat, “Gold Price Prediction Using the ARIMA and LSTM Models,” Sinkron, vol. 8, no. 3, pp. 1255–1264, 2023, doi: 10.33395/sinkron.v8i3.12461.

R. Sakti et al., “Review of Literature on Improving the KNN Algorithm,” Trans. Mach. Learn. Artif. Intell., vol. 11, no. 3, pp. 63–72, 2023, doi: 10.14738/tecs.113.14768.

Nisarg Chodvadiya, “Daily Gold Price (2015-2025) Time Series.” [Online]. Available: https://www.kaggle.com/datasets/nisargchodavadiya/daily-gold-price-20152021-time-series/data

M. N. Fahmi, “Implementasi Mechine Learning menggunakan Python Library : Scikit-Learn (Supervised dan Unsupervised Learning),” Sains Data J. Stud. Mat. dan Teknol., vol. 1, no. 2, pp. 87–96, 2023, doi: 10.52620/sainsdata.v1i2.31.