ENSEMBLE STACKING TEMPORAL FUSION TRANSFORMER DAN LIGHTGBM DENGAN RIDGECV UNTUK PREDIKSI HARGA EMAS

Harga emas bersifat volatil dan dipengaruhi banyak faktor makrofinansial, sehingga prediksi harga emas harian menjadi tantangan penting bagi pengambilan keputusan dan kajian peramalan deret waktu. Penelitian ini bertujuan mengevaluasi kinerja ensemble stacking TFT–LightGBM dengan RidgeCV dalam meningkatkan akurasi dan stabilitas prediksi harga emas. Penelitian menggunakan dataset publik Kaggle (5.000 observasi harian; 3 Januari 2005–26 Agustus 2024) dengan target gold_close serta kovariat makrofinansial (DXY, WTI, perak, yield UST 10Y, Nasdaq, dan S&P 500). Dua model dasar dibangun, yaitu Temporal Fusion Transformer (TFT) dan LightGBM (rekayasa fitur tabular), kemudian digabung menggunakan stacking dengan RidgeCV sebagai meta-learner. Evaluasi dilakukan dengan pembagian data kronologis (train–validation–test) menggunakan metrik RMSE, MAE, dan R² pada data uji. Pada data uji, LightGBM menghasilkan RMSE 19,3096; MAE 14,5742; R² 0,9912, sedangkan TFT menghasilkan RMSE 19,5941; MAE 14,5987; R² 0,9909. Model stacking RidgeCV memberikan kinerja terbaik dengan RMSE 19,0181; MAE 14,2390; dan R² 0,9914. Hasil ini menunjukkan bahwa ensemble stacking TFT–LightGBM dengan RidgeCV mampu meningkatkan akurasi dan menjaga stabilitas prediksi harga emas harian secara out-of-sample dibandingkan penggunaan model tunggal.