<![CDATA[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.]]>
