<![CDATA[Harga emas menunjukkan tren peningkatan sepanjang waktu yang dipengaruhi oleh berbagai faktor spesifik. Prediksi harga emas memainkan peran penting dalam pengambilan keputusan keuangan. Namun, fluktuasi harga yang dipengaruhi oleh faktor makroekonomi menghadirkan tantangan tersendiri dalam proses peramalan, terutama bagi investor dan pelaku pasar. Penelitian ini membahas kebutuhan model prediksi harga emas yang tepat dalam lingkungan ekonomi Indonesia dengan mengintegrasikan Bayesian Optimization pada algoritma XGBoost dan Support Vector Regression (SVR) untuk meningkatkan akurasi prediksi berdasarkan data inflasi dan suku bunga. Metode yang digunakan meliputi pra-pemrosesan data, rekayasa fitur (feature engineering), pembuatan model dan Bayesian Optimization untuk tuning hyperparameter, dengan evaluasi model menggunakan metrik MAE, RMSE, dan MAPE. Hasil menunjukkan performa luar biasa dari kedua model dengan nilai R² melebihi 0,9992. Model XGBoost lebih unggul dengan MAPE sangat rendah sebesar 0,18% dibandingkan SVR sebesar 0,36%. Analisis menunjukkan bahwa Bayesian Optimization berhasil meningkatkan akurasi model dengan menemukan parameter optimal. Fitur tambahan seperti lag dan moving average terbukti efektif dalam merepresentasikan pola historis harga. Penelitian ini memberikan manfaat untuk pengambilan keputusan yang berharga bagi investor dan pembuat kebijakan dalam merumuskan strategi investasi emas di tengah ketidakpastian ekonomi. Abstract Gold prices show an upward trend over time influenced by various specific factors. Gold price prediction plays an important role in financial decision making. However, price fluctuations influenced by macroeconomic factors present their own challenges in the forecasting process, especially for investors and market players. This study discusses the need for an appropriate gold price prediction model in the Indonesian economic environment by integrating Bayesian Optimization on the XGBoost algorithm and Support Vector Regression (SVR) to improve prediction accuracy based on inflation and interest rate data. The methods used include data pre-processing, feature engineering, model building and Bayesian Optimization for hyperparameter tuning, with model evaluation using MAE, RMSE, and MAPE metrics. The results show excellent performance of both models with R² values exceeding 0.9992. The XGBoost model is superior with a very low MAPE of 0.18% compared to SVR of 0.36%. The analysis shows that Bayesian Optimization successfully improves model accuracy by finding optimal parameters. Additional features such as lag and moving averages prove effective in representing historical price patterns. This research provides valuable decision-making benefits for investors and policy makers in formulating gold investment strategies amid economic uncertainty.]]>
