PREDIKSI HARGA EMAS UNTUK INVESTASI MASA DEPAN MENGGUNAKAN MODEL SEASONAL AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (SARIMA)

Nurul Qisthi; Shofa Lutfiah Fitri; Angel Imannuel; Dhita Diana Dewi

Authors

Nurul Qisthi Program Studi Teknik Informatikai, Sekolah Tinggi Ilmu Komputer Poltek Cirebon
Shofa Lutfiah Fitri Program Studi Komputerisasi Akuntansi, Sekolah Tinggi Ilmu Komputer Poltek Cirebon
Angel Imannuel Program Studi Komputerisasi Akuntansi, Sekolah Tinggi Ilmu Komputer Poltek Cirebon
Dhita Diana Dewi Program Studi Teknik Informatika, Universitas Nusa Putra

Keywords:

Harga Emas, Analisis Deret Waktu, Peramalan, Seasonal Autoregressive Integrated Moving Average (SARIMA)

Abstract

Emas merupakan aset investasi yang diminati karena stabilitasnya, namun harga emas rentan terhadap fluktuasi yang dipengaruhi berbagai faktor eksternal, seperti kondisi ekonomi global dan ketegangan geopolitik. Penelitian ini bertujuan untuk memprediksi harga emas menggunakan model Seasonal Autoregressive Integrated Moving Average (SARIMA). Data yang digunakan dalam penelitian ini adalah harga emas bulanan dalam mata uang IDR per gram dari Januari 2017 hingga November 2024. Hasil penelitian menunjukkan bahwa model SARIMA (0,2,1)(0,1,1)₁₂ merupakan model yang terbaik dan dapat menghasilkan prediksi yang cukup akurat untuk harga emas. Dengan demikian, model SARIMA (0,2,1)(0,1,1)₁₂ dapat dijadikan sebagai alat prediksi harga emas untuk periode mendatang serta memberikan informasi yang relevan bagi investor dan pelaku usaha di Indonesia dalam mengambil keputusan investasi emas pada masa mendatang.

References

Adiningtyas, S., & Hakim, L. (2022). Pengaruh Investasi, Motivasi, dan Uang Saku Terhadap Minat Mahasiswa Berinvestasi di Pasar Modal Syariah dengan Risiko Investasi sebagai Variabel Intervening. Jurnal Ilmiah Ekonomi Islam, 8(1), 474.

Kesarditama, F., Haryadi, H., & Amzar, Y. V. (2020). Pengaruh Inflasi, Nilai Tukar Rupiah per Dollar Amerika, Harga Minyak Mentah Dunia dan Indeks Harga Saham Gabungan Terhadap Harga Emas Di Indonesia. e-Journal Perdagangan, Industri, dan Moneter, 8(2), 55–64.

Cahyani, N. N. M., & Mahyuni, L. P. (2020). Akurasi Moving Average dalam Prediksi Saham LQ45 di Bursa Efek Indonesia. E-Jurnal Manajemen Universitas Udayana, 9(7), 2769.

Maharditya, M. A., Layyinaturrobaniyah, L., & Anwar, M. (2018). Implication of Macroeconomic Factors to Stock Returns of Indonesian Property and Real Estate Companies. Jurnal Dinamika Manajemen, 9(1), 100–113.

Rosadi, D. (2014). Analisis Runtun Waktu. Yogyakarta: Gadjah Mada University Press.

Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction. New York: Springer.

Bishop, C. M. (2006). Pattern Recognition and Machine Learning. New York: Springer.

Gujarati, D. N., & Porter, D. C. (2009). Basic Econometrics (5th ed.). New York: McGraw-Hill.

Makridakis, S., Wheelwright, S. C., & Hyndman, R. J. (1998). Forecasting: Methods and Applications. New York: John Wiley & Sons.

Massey, F. J., Jr. (1951). The Kolmogorov-Smirnov Test for Goodness of Fit. Journal of the American Statistical Association, 46(253), 68–78.

Ernawati, I., Somayasa, W., Arman, & Alfian. (2023). Pemilihan Model Regresi Linier Berganda dengan Kriteria AIC. Jurnal Matematika, Komputasi dan Statistika, 3(1), 1–233.

Cavanaugh, J. E., & Neath, A. A. (2019). The Akaike Information Criterion: Background, Derivation, Properties, Application, Interpretation, and Refinements. Wiley Interdisciplinary Reviews: Computational Statistics, 11(1), e1460.

Lewis, C. D. (1982). Industrial and Business Forecasting Methods. London: Butterworth Scientific.