Analisis Feature Importance Random Forest untuk Faktor Penentu Harga Emas Antam

Annisa Hestiningtyas, Sri Wahyuningsih

Abstract


Penelitian ini mengkaji pengaruh variabel makroekonomi kurs USD/IDR, inflasi, dan harga emas internasional (CNY/gram)—terhadap dampak harga emas Antam (log-transformed harga dalam IDR/gram). Data harian periode Januari 2015–Desember 2024 diagregasi menjadi rata-rata bulanan untuk meredam volatilitas intrabulan. Pra-proses meliputi: (i) penghapusan baris dengan proporsi missing < 5 % dan interpolasi linier untuk missing ≥ 5 %, (ii) winorizing di persentil 1 %–99 %, serta (iii) transformasi log1p pada semua fitur bermagnitudo besar. Model Random Forest dioptimasi melalui GridSearchCV dengan parameter n_estimators=300 dan min_samples_leaf=2, serta TimeSeriesSplit 5-fold CV (70 % data pelatihan, 30 % pengujian) semua random_state diset konsisten untuk reproduksibilitas. Setelah pelatihan, kepentingan fitur dianalisis melalui tiga pendekatan: Mean Decrease Impurity (MDI), Permutation Importance (model-agnostic), dan SHAP Values (local interpretability), serta penilaian dengan Partial Dependence Plot (PDP). Hasil menunjukkan harga emas internasional (CNY/gram) paling dominan dengan skor MDI = 0,9568 dan Permutation = 1,6924 (95 % CI [1,628–1,756]); kurs USD/IDR dan inflasi hanya memberikan kontribusi yang relatif kecil. Analisis SHAP dan PDP mengkonfirmasi efek non-linier positif harga dunia terhadap harga lokal. Validasi model menegaskan kinerja tinggi Random Forest: RMSE = 0,0270, MAE = 0,0199, dan R² = 0,9857. Temuan ini tidak hanya mempertegas pentingnya harga emas dunia sebagai penentu utama harga emas Antam, tetapi juga memberikan peta kontribusi tiap variabel. Peneliti dan praktisi keuangan dapat memanfaatkan hasil ini untuk merancang strategi investasi dan manajemen risiko. Untuk eksperimen selanjutnya disarankan menambah variabel makro lain (suku bunga BI, harga minyak, volatilitas USD/CNY) dan menerapkan sklearn.Pipeline agar alur pra-proses dan pemodelan lebih terstandarisasi dan terbuka.


Keywords


Random Forest, Feature Importance, Harga Emas Antam

Full Text:

PDF

References


I. F. Amri, S. A. Astuti, I. Sulistiya, A. Suherdi, and M. A. Haris, “Peramalan Harga Emas Antam Menggunakan Metode Generalized Autoregressive Conditional Heterokedasticity (GARCH),” Unisda J. Math. Comput. Sci., vol. 10, no. 1, pp. 26–35, 2024, doi: 10.52166/ujmc.v10i1.4679.

P. Simamora, S. Arianto Pasaribu, and V. Wijaya, “Peningkatan dan Optimalisasi Prediksi Harga Emas Menggunakan Metode Combine Machine Learning Random Forest dan Gradient Boosting,” J. Mahkota Inform., vol. 1, no. 1, pp. 42–52, 2024.

S. Wahyuningsih, Kusrini, and Hanafi, “Literature Study on Predicting Gold Prices using Machine Learning,” Dielektrika, vol. 10, no. 2, pp. 112–117, 2023, doi: 10.29303/dielektrika.v10i2.335.

D. Anggelia, Y. F. Riti, and P. W. Siswanto, “Analisis Perbandingan Metode Arima Dan Least Square Untuk Prediksi Harga Emas : Pendekatan Probabilistik Dan Statistik,” J. Sist. Inf. dan Inform., vol. 7, no. 1, pp. 95–103, 2024, doi: 10.47080/simika.v7i1.3197.

T. G. Lasijan, R. Santoso, and A. R. Hakim, “Prediksi Harga Emas Dunia Menggunakan Metode Long-Short Term Memory,” J. Gaussian, vol. 12, no. 2, pp. 287–295, 2023, doi: 10.14710/j.gauss.12.2.287-295.

D. N. Handayani and S. Qutub, “Penerapan Random Forest Untuk Prediksi Dan Analisis Kemiskinan,” RIGGS J. Artif. Intell. Digit. Bus., vol. 4, no. 2, pp. 405–412, 2025, doi: 10.31004/riggs.v4i2.512.

Ikhzal Amyza Putra and Irwan Suryadi, “Bagaimana Pengaruh Harga Emas Dunia, Harga Minyak Dunia, Dan Volatilitas Nilai tukar Terhadap Fluktuasi Harga Bitcoin Periode 2021-2023,” EKOMA J. Ekon. Manajemen, Akunt., vol. 4, no. 2, pp. 3763–3774, 2025, doi: 10.56799/ekoma.v4i2.6928.

H. Wahyudi and M. Mardiyati, “Eksplorasi Dinamika Tren Harga Emas ANTAM LM Menggunakan Pendekatan Least Square: Kajian Algoritma dalam JASP,” J. Ekon. STIEP, vol. 9, no. 1, pp. 157–165, 2024, doi: 10.54526/jes.v9i1.268.

M. S. A. Habibi, A. H. Abdillah, M. Idhom, and Trimono, “Perbandingan Kinerja Gru Dan Svr Untuk Prediksi Emas Di Indonesia,” J. Tek. Inform. Dan Multimed., vol. 5, no. 1, pp. 141–150, 2025.

R. Genuer and J.-M. Poggi, Introduction to Random Forests with R. 2020. doi: 10.1007/978-3-030-56485-8_1.

S. Mhammedi, H. El Massari, N. Gherabi, and M. Amnai, “Enhancing Book Recommendations on GoodReads: A Data Mining Approach Based Random Forest Classification,” Lect. Notes Networks Syst., vol. 938 LNNS, no. March, pp. 395–409, 2024, doi: 10.1007/978-3-031-54376-0_36.

J. Li, J. D. Malley, A. S. Andrew, M. R. Karagas, and J. H. Moore, “Detecting gene-gene interactions using a permutation-based random forest method,” BioData Min., vol. 9, no. 1, pp. 1–17, 2016, doi: 10.1186/s13040-016-0093-5.

V. Nomor, D. A. N. Disiplin, and K. Terhadap, “Jurnal Emas KEPEMIMPINAN Jurnal Emas,” vol. 6, pp. 63–79, 2025.

Y. F. Wijaya and A. Triayudi, “Penerapan Data Mining Pada Prediksi Harga Emas dengan Menggunakan Algoritma Regresi Linear Berganda dan ARIMA,” J. Comput. Syst. Informatics, vol. 5, no. 1, pp. 73–81, 2023, doi: 10.47065/josyc.v5i1.4615.

Jan Melvin Ayu Soraya Dachi and Pardomuan Sitompul, “Analisis Perbandingan Algoritma XGBoost dan Algoritma Random Forest Ensemble Learning pada Klasifikasi Keputusan Kredit,” J. Ris. Rumpun Mat. Dan Ilmu Pengetah. Alam, vol. 2, no. 2, pp. 87–103, 2023, doi: 10.55606/jurrimipa.v2i2.1470.




DOI: https://doi.org/10.15548/isrj.v5i02.12274

Refbacks

  • There are currently no refbacks.


Gedung Fakultas Sains dan Teknologi 
Kampus III Universitas Islam Negeri Imam Bonjol Padang
Sungai Bangek, Kec. Koto Tangah, Kota Padang, Sumatera Barat

Creative Commons License This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.