Klasifikasi Kondisi Pasar Harga Emas ANTAM Indonesia Menggunakan Algoritma Decision Tree
DOI:
https://doi.org/10.62712/juktisi.v4i3.800Keywords:
Gold, Market Conditions, Machine learning, Decision Tree, ClassificationAbstract
This study aims to classify Indonesian ANTAM gold market states using a Decision Tree model built on daily price data from 2010–2024. Market conditions are categorized into three classes: bullish, bearish, and sideways, based on forward returns with an adaptive quantile-based thresholding scheme. The feature set comprises multi-horizon rolling volatility indicators (e.g., std_5, std_10, std_20) and momentum measures (e.g., mom_5, mom_10, mom_20). A time-based split is applied, allocating 80% of observations for training and 20% for testing. Evaluation on the test set yields an accuracy of 0.337 with a macro-F1 of approximately 0.34, indicating limited predictive performance in a three-class setting. Interpretability analysis reveals that std_20 is the most influential feature, followed by std_10 and mom_5, while one-day returns contribute marginally. These findings suggest that aggregated volatility and momentum patterns are more informative than single-day fluctuations for market regime mapping. Overall, the Decision Tree is best positioned as an interpretable baseline for transparent market-state analysis, providing a foundation for future work involving richer features and more robust models.
Downloads
References
A. Z. Kamalia, “Prediksi Harga Emas Dengan Membandingkan Algoritma Naïve Bayes, K-Nearest Neighbor Dan Support Vector Machine Untuk Meminimalkan Resiko Investasi,” President University, 2019.
R. Ruswana, M. S. Ma’arif, and K. Kirbrandoko, “Kebijakan Strategis Pt. Aneka Tambang Tbk,” J. Apl. Bisnis dan Manaj., vol. 6, no. 3, pp. 602–616, 2020, doi: 10.17358/jabm.6.3.602.
M. Zaenal Asikin, “Peran Emas sebagai Lindung Nilai terhadap Ketidakpastian Pasar Keuangan Global,” Hawalah Kaji. Ilmu Ekon. Syariah, vol. 3, no. 3, pp. 123–133, 2024, doi: 10.57096/hawalah.v3i3.54.
A. Ainur, “Pengaruh Ketidakpastian Ekonomi Global Terhadap Inflasi, Kurs, Foreign Direct Investment(Fdi), Harga Emas, Dan Pertumbuhan Ekonomi Di Indonesia,” J. Ekon. Perrjuangan, vol. 6, no. 1, pp. 43–54, 2024.
W. Rodrigo et al., “Kausalitas Harga Emas Dunia, Harga Berlian (0,3 Carat, Clarity If-Vvs, Color D- F, Round Brilliant Cut) Dunia, Dan Nilai Tukar Usd Terhadap Return Saham Perusahaan Jewellery Terkemuka Di Dunia,” vol. 24, no. 12, 2025.
I. R. Munthe, B. H. Rambe, S. R. Munthe, S. Subagio, R. Aditiya, and E. F. Susilo, Inovasi Pemodelan Prediksi Saham dengan CNN-BiGRU dan Attention Untuk Ketepatan Keputusan Berinvestasi. Sumatera Utara: PT. JASA NIAGA DIGITAL INDONESIA, 2025.
D. Chaidana et al., “Analisis Ketidakpastian dan Risiko Dalam Investasi,” J. Ilm. Nusant., vol. 2, no. 2, pp. 83–93, 2025.
Yenniemar and G. Br Surbakti, “Prediksi Harga Emas Berdasarkan Finansial Global Dengan Menggunakan Algoritma Gradien Boosting Regression,” Unpri Press, 2024.
D. Sunaryo, Hamdan, A. Anggriani, C. Winata, and D. D. Alumi, “Prediksi Tren Risiko Keuangan Perusahaan Berdasarkan Model Machine Learning (Arima) : Tinjauan Literatur,” vol. 32, no. 3, pp. 167–186, 2025.
A. F. Alkayes and T. Sugihartono, “Perbandingan Algoritma XGBoost dan LSTM dalam Prediksi Harga Saham Tesla Menggunakan Data Tahun 2025,” J. Pendidik. dan Teknol. Indones., vol. 5, no. 6, pp. 1563–1573, 2025, doi: 10.52436/1.jpti.836.
R. N. Ramadhon, A. Ogi, A. P. Agung, R. Putra, S. S. Febrihartina, and U. Firdaus, “Implementasi Algoritma Decision Tree untuk Klasifikasi Pelanggan Aktif atau Tidak Aktif pada Data Bank,” Karimah Tauhid, vol. 3, no. 2, pp. 1860–1874, 2024, doi: 10.30997/karimahtauhid.v3i2.11952.
M. Fajar, S. Adam, B. Putra, S. I. Puteri, A. Fajrissiddiq, and L. Sani, “Eksplorasi dan Analisis Data Mining untuk Prediksi Pola Konsumen Menggunakan Teknik Klasifikasi dan Clustering,” Sentim. (Seminar Nas. Teknol. Informasi, Mekatronika dan Ilmu Komputer) Univ. Nusa Putra, 17 Mei 2025 Eksplor., 2025.
H. Purnomo, R. E. Pambudi, and R. Irawan, “Penerapan Decision Tree untuk Klasifikasi Penyakit Berdasarkan Data Rekam Medis Hendri,” J. Internet Softw. Eng., vol. 2, no. 1, pp. 1104–1116, 2023, [Online]. Available: https://doi.org/10.55338/saintek.v5i2.2347%0Ahttps://doi.org/10.1016/j.csa.2023.100031%0Ahttps://jurnal.ittc.web.id/index.php/jibs/index%0Ahttps://ejournal.bsi.ac.id/ejurnal/index.php/ijse/article/view/11091%0Ahttp://jti.aisyahuniversity.ac.id/index.php/A
R. Saputra, Yuhandri, and S. Arlis, “Sistem Deteksi Kepuasan Pelanggan dengan Teknik Pengelolaan CitraMenggunakan Convolutional Neural Networks,” J. Pustaka AI, vol. 5, no. 2, pp. 324–334, 2025, [Online]. Available: https://jurnal.pustakagalerimandiri.co.id/index.php/pustakaaiDOI:https://doi.org/10.55382/jurnalpustakaai.v5i2.1219
I. Farisi, J. Shadiq, W. Priyadi, D. Maulana, A. Acep, and S. F. Gusril, “Penerapan Model Recurrent Neural Network (RNN) untuk Prediksi Curah Hujan Berbasis Data Historis,” Inf. Syst. Educ. Prof. J. Inf. Syst., vol. 9, no. 2, p. 217, 2024, doi: 10.51211/isbi.v9i2.3280.
Fathoni, M. A. Irwansyah, A. Triana, E. D. Simanullang, Y. N. Alinda, and A. Ibrahim, “Prediksi Harga Dan Volatilitas Emas Dunia Harian: Perbandingan Model Garch Dan Long Short-Term Memory,” Zo. J. Sist. Inf., vol. 7, no. 2, pp. 466–475, 2025.
Sofyan Rahmad, “Prediksi Tren Momen Penjualan pada Minimarket Menggunakan Metode Moving Average dan Trend Moment,” It (Informatic Tech. J., vol. 13, no. Vol. 13 No. 1 (2025): IT Journal, pp. 14–26, 2025.
M. Maksar, “Prediktabilitas Sample Skewness Terhadap Return Pasar Saham Indonesia,” Distribution, vol. 22, no. 1, pp. 3–7, 2023.
Safira Cintyarani and N. K. Indrawati, “Prediksi Financial Distress Dengan Model Altman, Zmijewski, Grover, Dan Springate,” Manag. Anal. J., vol. 0, no. 0, pp. 1–15, 2022.
A. Arman, Manajemen pasar modal untuk pemula. Jepara: UNISNU Press, 2022.
T. Novianti, S. A. Mandati, and E. K. Andana, “Peningkatan Evaluasi Risiko Kredit Menggunakan Decision Tree C 4.5,” J. Manuf. Ind. Eng. Technol., vol. 2, no. 2, pp. 1–9, 2023, doi: 10.30651/mine-tech.v2i2.21749.
S. Y. Nailendra, W. Witanti, and G. Abdillah, “Optimasi Prediksi Penjualan Retail Online Menggunakan LightGBM dan Hyperparameter Tuning,” pp. 1931–1942, 2025, doi: 10.33364/algoritma/v.22-2.2551.
D. Muriyatmoko, A. Musthafa, and M. H. Wijaya, “Klasifikasi Profil Kelulusan Nilai AKPAM Dengan Metode Decision Tree,” Semin. Nas. Sains dan Teknol. 2024 Fak., no. April, pp. 448–453, 2024.
T. Latifah and G. D. Anggitha, “Implementasi Metode Random Forest , KNN ( K-Nearest Neighbour ), Decision Tre e Classification menggunakan Machine Learning untuk Stroke Prediction,” Stat. Dep. ITS Surabaya, pp. 1–18, 2021.
A. F. Azmi and A. Voutama, “Prediksi Churn Nasabah Bank Menggunakan Klasifikasi Random Forest Dan Decision Tree Dengan Evaluasi Confusion Matrix,” Komputa J. Ilm. Komput. dan Inform., vol. 13, no. 1, pp. 111–119, 2024, doi: 10.34010/komputa.v13i1.12639.
L. Pambudi and S. Sefrika, “Klasifikasi Dampak dan Kondisi Pasien Hepatitis Menggunakan Metode Decision Tree,” RIGGS J. Artif. Intell. Digit. Bus., vol. 4, no. 3, pp. 4769–4775, 2025, doi: 10.31004/riggs.v4i3.2692.
B. L. Pradana, “Time Series Forecasting of LQ45 Stock Index Using ARIMA: Insights and Implications,” J. Manag. Account. Bus. Res., vol. 1, no. 1, pp. 27–40, 2025, doi: 10.51170/jmabr.v4i.1.160.
Pwee Leng, “Analisis Terhadap Perlunya Penyesuaian Laporan Keuangan Historis (Conventional Accounting) Menjadi Berdasarkan Tingkat Harga Umum (General Price Level Accounting),” J. Akunt. dan Keuang., vol. 4, no. 2, pp. 141–155, 2002, [Online]. Available: http://puslit2.petra.ac.id/ejournal/index.php/aku/article/view/15696
J. Homepage, W. Putra Jaya, P. B. Wintoro, T. Septiana, and Y. Mulyani, “Multivariate Time Series Forecasting of Asphalt Prices Using the Gated Recurrent Unit Algorithm,” vol. 5, no. October, pp. 1517–1530, 2025.
Z. A. Gutama, S. W. Setyahuni, M. Safitri, and D. Puspitasari, “Pengujian Peran Emas dan Bitcoin Sebagai Aset Safe Haven: Stabilitas vsSpekulasi,” J. Maneksi (Management Ekon. Dan Akuntansi), vol. 14, no. 3, pp. 1242–1253, 2025.
Joseph Teguh Santoso, Cara memanipulasi pembelajaran mesin. Semarang: (Universitas STEKOM, 2024. [Online]. Available: https://penerbit.stekom.ac.id/index.php/yayasanpat/article/view/488
R. Iskandar, R. F. Rhamadhani, A. P. Utami, S. A. Fitrisam, and M. Akbar, “Peran Kecerdasan Buatan dalam Meningkatkan Efisiensi dan Transparansi Pasar Keuangan,” Econ. Educ. J., vol. 7, no. 1, pp. 186–207, 2025, doi: 10.33503/ecoducation.v7i1.1374.
S. Muchammad Rosyid Aridho, A. Hasna Khaira Aswha, T. Dwi Wahyuni, and A. Arum Sari, “Analisis Faktor yang Mempengaruhi Harga Rumah Menggunakan Decision Tree,” Pros. Semin. Nas. Teknol. Inf. dan Bisnis, pp. 386–392, 2025, doi: 10.47701/f1bwa603.
A. S. Dwicahayaniawan and T. D. T. Saadi, “Potensi Pemanfaatan Machine Learning dan Transfer Learning untuk Klasifikasi Baku Pekerjaan ( Leveraging Machine Learning and Transfer Learning for Standardized Job Classification : A Case,” Semin. Nas. Off. Stat., pp. 681–690, 2024.
M. Hisam, “Menavigasi Volatilitas Pasar: Wawasan Tentang Instrumen Keuangan Dan Strategi Investasi,” vol. 02, no. April, pp. 315–328, 2024.
M. Ilham, “Strategi Investasi Saham PT. Gojek Tokopedia Tbk (Goto) Dalam Analisis Fundamental Dan Teknikal,” 2025.
E. S. Hadi, “Dinamika Pasar Keuangan Syariah Dan Konvensional Di Indonesia :,” J. Astina Mandiri, vol. 3, no. November, pp. 404–412, 2024.
J. T. Santoso, AI DAN ML DI BIDANG KEUANGAN : Mengatasi Masalah Kompleks dan Aplikasi Lingkungan, Sosial dan Tatakelola (ESG). Semarang: STEKOM.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Antika Zahrotul Kamalia, Choiriyatun Nisa Latansa, Zaenur Rozikin
This work is licensed under a Creative Commons Attribution 4.0 International License.
