Prediksi Harga Emas Menggunakan Gated Recurrent Unit Berdasarkan Inflasi, Nilai Tukar, dan Suku Bunga

Moh. Wahyu Abrory; Rizka Hadiwiyanti; Nambi  Sembilu

doi:10.70340/jirsi.v5i3.382

Penulis

Moh. Wahyu Abrory Universitas Pembangunan Nasional "Veteran" Jawa Timur
Rizka Hadiwiyanti Universitas Pembangunan Nasional "Veteran" Jawa Timur
Nambi Sembilu Universitas Pembangunan Nasional "Veteran" Jawa Timur

DOI:

https://doi.org/10.70340/jirsi.v5i3.382

Kata Kunci:

Prediksi Harga Emas, GRU, Deep Learning, Makroekonomi, ANTAM LM

Abstrak

Emas merupakan aset strategis yang dimanfaatkan sebagai instrumen lindung nilai di Indonesia, dengan harga yang dipengaruhi oleh faktor makroekonomi domestik seperti inflasi, suku bunga acuan Bank Indonesia, dan nilai tukar USD/IDR. Model statistik klasik seperti ARIMA memiliki keterbatasan dalam menangkap pola non-linear dan ketergantungan jangka panjang pada data deret waktu finansial. Penelitian ini mengimplementasikan algoritma Gated Recurrent Unit (GRU) untuk memprediksi harga emas harian ANTAM LM berdasarkan variabel makroekonomi tersebut. GRU dipilih berdasarkan studi literatur yang menunjukkan efektivitas arsitektur GRU pada data deret waktu finansial berkat efisiensi komputasinya dan kemampuannya menangkap dependensi temporal dengan lebih sedikit parameter. Data mencakup periode Januari 2015 hingga September 2025 (3.926 observasi), bersumber dari PT Antam, Bank Indonesia, dan Investing.com. Proses penelitian meliputi pengumpulan data, preprocessing, eksplorasi data, pembagian dataset ke tiga skenario split (70:30, 80:20, 90:10), pemodelan dengan hyperparameter tuning, serta evaluasi menggunakan metrik RMSE dan MAPE. Hasil terbaik dicapai pada skenario split 90:10 dengan konfigurasi 256 units, tanpa dropout, dan learning rate 0,001, menghasilkan RMSE sebesar Rp35.417,91 dan MAPE sebesar 1,47%. Model GRU terbaik diimplementasikan ke dalam aplikasi web berbasis Flask dan React sebagai alat bantu pengambilan keputusan investasi emas.

Unduhan

Data unduhan belum tersedia.

Referensi

G. Duffee, D. Krueger, L. Kogan, D. Andrei, and B. Mcdonald, “Gold’s Value as an Investment,” 2023. [Online]. Available: http://finance.wharton.upenn.edu/~jermann/.

Logam Mulia, “Logam Mulia | Gold, Silver and Precious Metal Trading Company.” Accessed: Oct. 19, 2025. [Online]. Available: https://www.logammulia.com/id

S. Aprizal and M. N. Harahap, “Determinants of Gold Prices in Indonesia Period of 2018-2022,” Jurnal Ilmu Manajemen dan Ekonomika, vol. 17, no. 2, pp. 185–202, Jun. 2025, doi: 10.35384/JIME.V17I2.770.

I. C. Rahmansyah, R. Chaidir, and L. Nugraha, “Gold Price, Inflation, and Dollar Exchange Rate: The Case of Gold Investment in Indonesia,” The Indonesian Capital Market Review, vol. 13, no. 1, doi: 10.21002/icmr.v13i1.13238.

D. Makala and Z. Li, “Prediction of gold price with ARIMA and SVM,” in Journal of Physics: Conference Series, IOP Publishing Ltd, Feb. 2021. doi: 10.1088/1742-6596/1767/1/012022.

A. Varshini, P. Kayal, and M. Maiti, “How good are different machine and deep learning models in forecasting the future price of metals? Full sample versus sub-sample,” Resources Policy, vol. 92, p. 105040, May 2024, doi: 10.1016/J.RESOURPOL.2024.105040.

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. B. Barsky, C. Epstein, A. Lafont-Mueller, and Y. Yoo, “What drives gold prices?,” Chicago Fed Letter, 2021, doi: 10.21033/CFL-2021-464.

S. R. Baker, N. Bloom, and S. J. Davis, “Measuring Economic Policy Uncertainty,” Q. J. Econ., vol. 131, no. 4, pp. 1593–1636, Nov. 2016, doi: 10.1093/QJE/QJW024.

S. Hochreiter and J. Schmidhuber, “Long Short-Term Memory,” Neural Comput., vol. 9, no. 8, pp. 1735–1780, Nov. 1997, doi: 10.1162/NECO.1997.9.8.1735.

J. Chung, C. Gulcehre, and K. Cho, “Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling,” arXiv preprint arXiv, 2014.

A. Sherstinsky, “Fundamentals of Recurrent Neural Network (RNN) and Long Short-Term Memory (LSTM) network,” Physica D, vol. 404, Mar. 2020, doi: 10.1016/J.PHYSD.2019.132306.

S. B. Primananda and S. M. Isa, “Forecasting Gold Price in Rupiah using Multivariate Analysis with LSTM and GRU Neural Networks,” Advances in Science, Technology and Engineering Systems Journal, vol. 6, no. 2, pp. 245–253, 2021, doi: 10.25046/aj060227.