Analisis Pola Emas Sebagai Safe Haven dengan Metode
Keywords:
emas, safe haven, K-Means Clustering, indikator ekonomi global, CRISP-DMAbstract
Emas merupakan salah satu instrumen investasi yang sering dijadikan aset perlindungan (safe haven) ketika terjadi ketidakpastian ekonomi global. Namun, perilaku emas sebagai safe haven tidak selalu menunjukkan pola yang konsisten pada setiap periode waktu, sehingga diperlukan metode analisis yang mampu mengidentifikasi pola tersebut secara sistematis. Penelitian ini bertujuan menganalisis perilaku emas sebagai asset safe haven melalui pendekatan K-Means Clustering berbasis indikator ekonomi global menggunakan dataset historis dari Kaggle berjudul Gold Price and Global Economic Indicators 2015–2026 yang terdiri dari 4.137 observasi harian. Variabel yang digunakan mencakup harga emas (XAU/USD), indeks dolar Amerika Serikat (DXY), harga minyak mentah, dan tingkat inflasi. Proses analisis mengikuti kerangka kerja CRISP-DM dengan evaluasi menggunakan Elbow Method, Davies-Bouldin Index, dan Silhouette Score yang menghasilkan nilai tertinggi sebesar 0,3867 pada k=3. Hasil analisis menunjukkan tiga cluster optimal yang merepresentasikan kondisi ekonomi berbeda, yaitu Safe Haven Penuh (Inflasi Tinggi), Penguatan Emas Tanpa Tekanan Inflasi, dan Dominasi Dolar AS. Indeks dolar Amerika Serikat terbukti menjadi faktor paling dominan dengan korelasi negatif sangat kuat sebesar -0,948, sementara inflasi memiliki pengaruh linear yang sangat lemah terhadap harga emas. Hasil penelitian diimplementasikan dalam aplikasi berbasis web menggunakan Streamlit sebagai alat bantu rekomendasi keputusan investasi emas secara interaktif.
References
[1] . Pendekatan K-Means ini juga diakui sangat efektif untuk mengklasifikasikan perubahan rezim ekonomi secara otomatis pada data deret waktu multidimensi . Pada tahap ini dilakukan penentuan jumlah cluster yang sesuai, dilanjutkan dengan proses pembentukan cluster secara iteratif hingga diperoleh model yang stabil untuk menganalisis karakteristik setiap kelompok berdasarkan indikator ekonomi global. 2.3.5 Evaluasi Tahap evaluasi dilakukan dengan menganalisis kualitas pemisahan antar kelompok dan karakteristik data pada setiap cluster. Tahap ini bertujuan untuk mengetahui apakah model mampu menggambarkan perbedaan kondisi ekonomi yang berkaitan dengan perilaku emas. Hasil evaluasi menjadi dasar sebelum dilakukan interpretasi dan implementasi model. 2.3.6 Implementasi Implementasi dilakukan dengan menerapkan hasil analisis clustering ke dalam bentuk antarmuka sistem yang dapat digunakan oleh pengguna. Penerapan model ke dalam antarmuka bertujuan agar hasil penelitian dapat digunakan secara lebih praktis dan tidak hanya terbatas pada proses pengolahan data. Hasil dan Pembahasan 3.1 Pemahaman Bisnis Hasil pengamatan terhadap data menunjukkan bahwa harga emas memiliki pola pergerakan yang berbeda pada setiap kondisi ekonomi global. Perubahan indeks dolar Amerika Serikat, harga minyak mentah, dan tingkat inflasi menunjukkan hubungan yang tidak selalu sama terhadap pergerakan harga emas selama periode pengamatan. Pada beberapa periode, harga emas mengalami kenaikan ketika dolar Amerika Serikat melemah, sedangkan pada periode lainnya harga emas bergerak mengikuti perubahan harga komoditas dunia. Kondisi tersebut menunjukkan bahwa perilaku emas sebagai aset safe haven tidak dipengaruhi oleh satu faktor saja, melainkan oleh kombinasi beberapa indikator ekonomi. Oleh karena itu, diperlukan pengelompokan data untuk mengidentifikasi pola kondisi ekonomi yang memiliki karakteristik serupa terhadap pergerakan harga emas. 3.2 Pemahaman Data Dataset yang digunakan terdiri dari 4.137 data observasi yang merepresentasikan kondisi ekonomi global selama periode 2015–2026. Variasi nilai pada harga emas, indeks dolar Amerika Serikat, harga minyak mentah, dan tingkat inflasi menunjukkan karakteristik data yang dinamis sehingga mendukung proses analisis dan pengelompokan kondisi ekonomi. 3.2.1 Deskripsi Dataset Dataset penelitian terdiri atas lima atribut yang meliputi tanggal pengamatan, harga emas, indeks dolar Amerika Serikat (DXY), harga minyak mentah dunia, dan tingkat inflasi. Seluruh variabel tersebut berhasil dikumpulkan dalam periode pengamatan tanpa ditemukan data yang hilang maupun data duplikat. Kondisi tersebut menunjukkan bahwa kualitas data yang digunakan dalam penelitian sudah cukup baik untuk dilakukan analisis lebih lanjut. Selain itu, seluruh variabel memiliki peran yang berbeda dalam menggambarkan kondisi ekonomi global. Kombinasi variabel tersebut digunakan untuk membentuk karakteristik cluster pada tahap pemodelan. Tabel 1. Deskripsi Variabel Dataset 3.2.2 Statistik Deskriptif Hasil statistik deskriptif pada Tabel 2 menunjukkan bahwa harga emas memiliki nilai rata-rata sebesar 2.825,36 USD dengan nilai maksimum mencapai 4.176,60 USD dan nilai minimum sebesar 1.106,38 USD. Nilai standar deviasi sebesar 927,41 menunjukkan bahwa harga emas mengalami fluktuasi yang cukup besar selama periode penelitian. Variabel indeks dolar Amerika Serikat memiliki rata-rata sebesar 55,31 dengan standar deviasi 17,15, yang menunjukkan adanya perubahan nilai dolar yang cukup signifikan dari waktu ke waktu. Sementara itu, harga minyak mentah memiliki rata-rata sebesar 274,74 dengan standar deviasi 88,50, sedangkan tingkat inflasi memiliki rata-rata 5,07% dengan standar deviasi 2,01%. Perbedaan nilai standar deviasi antar variabel menunjukkan bahwa setiap indikator ekonomi memiliki tingkat variasi yang berbeda selama periode pengamatan. Tabel 2. Statistik Deskriptif Variabel Penelitian Berdasarkan perbandingan nilai mean dan median, harga emas menunjukkan distribusi yang cenderung negatif karena nilai rata-ratanya lebih kecil dibandingkan median. Kondisi tersebut mengindikasikan bahwa terdapat beberapa periode dengan harga emas relatif rendah yang menarik nilai rata-rata ke bawah. Sebaliknya, variabel DXY menunjukkan kecenderungan distribusi positif karena nilai rata-ratanya lebih tinggi dibandingkan median. Variabel inflasi memiliki nilai mean dan median yang hampir sama sehingga menunjukkan distribusi yang relatif seimbang. 3.2.3 Analisis Korelasi Analisis korelasi pada penelitian ini dilakukan menggunakan metode Pearson Correlation untuk mengukur arah dan kekuatan hubungan linear antar variabel penelitian, yaitu harga emas (Gold Price), indeks dolar Amerika Serikat (DXY), harga minyak mentah (Crude Oil Price), dan tingkat inflasi (Inflation Rate). Hasil analisis pada Tabel 3 menunjukkan bahwa harga emas memiliki hubungan negatif yang sangat kuat dengan indeks dolar AS (r = -0,948) dan hubungan positif yang sangat kuat dengan harga minyak mentah (r = 0,937), sedangkan hubungan dengan tingkat inflasi sangat lemah (r = 0,011). Temuan ini mengindikasikan bahwa selama periode penelitian, pergerakan harga emas lebih dipengaruhi oleh indeks dolar Amerika Serikat dan harga minyak mentah dibandingkan tingkat inflasi. Tabel 3. Hasil Analisis Korelasi 3.3 Persiapan Data 3.3.1 Hasil Standarisasi Data Hasil standardisasi menunjukkan bahwa seluruh variabel berhasil ditransformasikan ke dalam bentuk Z-score sehingga memiliki rata-rata mendekati nol dan standar deviasi mendekati satu. Transformasi ini menghasilkan empat variabel baru yaitu Z_Gold, Z_DXY, Z_CrudeOil, dan Z_Inflation yang digunakan sebagai atribut utama dalam proses clustering. Dengan adanya standardisasi, kontribusi setiap variabel menjadi lebih seimbang sehingga tidak ada atribut yang mendominasi proses pengelompokan. Kondisi ini sangat penting karena algoritma K-Means menggunakan perhitungan jarak untuk menentukan keanggotaan suatu data pada cluster tertentu. Hasil standardisasi memungkinkan pola hubungan antar variabel dianalisis secara lebih objektif. Rumus standardisasi Z-score yang digunakan adalah: Keterangan: Z = nilai hasil standardisasi X = nilai data asli μ = rata-rata (mean) σ = standar deviasi 3.3.2 Penanganan Atribut Tanggal Atribut Date tidak digunakan dalam proses perhitungan cluster karena tidak merepresentasikan karakteristik ekonomi yang menjadi fokus penelitian. Penggunaan atribut tanggal dalam perhitungan jarak dapat menyebabkan data yang berdekatan secara waktu cenderung berada pada cluster yang sama meskipun memiliki kondisi ekonomi yang berbeda. Oleh karena itu, atribut Date hanya digunakan sebagai identifier untuk menunjukkan waktu pengamatan setiap data. Keputusan ini memungkinkan proses clustering lebih berfokus pada pola hubungan antar indikator ekonomi dibandingkan urutan waktu pengamatan. Dengan demikian, cluster yang terbentuk benar-benar merepresentasikan kemiripan kondisi ekonomi yang terjadi selama periode penelitian. 3.3.3 Ringkasan Hasil Persiapan Data Hasil akhir data preparation ditunjukkan pada Tabel 4. Seluruh variabel numerik berhasil ditransformasikan menjadi variabel hasil standardisasi yang digunakan sebagai dasar pembentukan cluster. Sementara itu, atribut Date tetap dipertahankan sebagai identifier dan tidak dilibatkan dalam perhitungan jarak. Struktur data yang dihasilkan telah memenuhi kebutuhan algoritma K-Means karena seluruh atribut memiliki skala yang seragam dan tidak terdapat masalah kualitas data. Oleh karena itu, dataset hasil preparation dapat langsung digunakan pada tahap pemodelan. Tabel 4. Ringkasan Hasil Persiapan Data 3.4 Pemodelan 3.4.1 Hasil Workflow Pemodelan Proses clustering dilakukan menggunakan workflow yang dibangun pada Altair AI Studio. Workflow tersebut terdiri atas operator Read Excel, Set Role, Select Attributes, K-Means, dan Cluster Distance Performance. Susunan workflow menunjukkan bahwa proses analisis dilakukan secara sistematis mulai dari pembacaan data hingga evaluasi hasil clustering. Seluruh atribut hasil standardisasi digunakan sebagai input utama dalam proses pengelompokan. Workflow yang dibangun berhasil menghasilkan model clustering yang dapat digunakan untuk tahap evaluasi dan interpretasi cluster. Gambar 1. Workflow Altair 3.4.2 Penentuan Jumlah Cluster Optimal Hasil pengujian jumlah cluster ditampilkan pada Tabel 5. Berdasarkan nilai Average Within Centroid Distance, terlihat bahwa semakin banyak jumlah cluster yang digunakan maka nilai jarak rata-rata terhadap centroid semakin kecil. Pada k=2 diperoleh nilai sebesar 1,785 kemudian menurun menjadi 1,329 pada k=3. Penurunan tersebut menunjukkan bahwa anggota cluster menjadi semakin dekat dengan pusat cluster masing-masing. Namun setelah k=3, penurunan nilai yang terjadi mulai melambat sehingga tambahan cluster tidak lagi memberikan peningkatan kualitas yang signifikan. Oleh karena itu, hasil pengujian ini selanjutnya digunakan sebagai dasar dalam analisis Elbow Method untuk menentukan jumlah cluster yang optimal. Tabel 5. Hasil Pengujian Jumlah Cluster 3.4.3 Analisis Elbow Method Berdasarkan hasil evaluasi pada Tabel 5, penurunan nilai Average Within Centroid Distance terbesar terjadi pada perubahan dari k=2 menuju k=3 dengan selisih sebesar 0,456. Hasil tersebut didukung oleh visualisasi Within-Cluster Sum of Squares (WCSS) pada metode Elbow yang juga menunjukkan terbentuknya titik siku (elbow point) pada k=3, menandakan bahwa cluster yang terbentuk sudah cukup kompak. Setelah titik tersebut, penurunan nilai menjadi lebih kecil, yaitu 0,290 pada k=4 dan 0,190 pada k=5, sehingga penambahan jumlah cluster tidak memberikan peningkatan yang signifikan. Oleh karena itu, k=3 dipilih sebagai jumlah cluster yang digunakan dalam penelitian ini. Gambar 2. Visualisasi Elbow Method 3.4.4 Hasil Clustering Setelah jumlah cluster ditetapkan sebanyak tiga cluster, proses clustering dilakukan menggunakan algoritma K-Means dengan menghitung jarak setiap data ke centroid menggunakan metode Euclidean Distance. Data dikelompokkan ke cluster dengan jarak terdekat, dan proses diulang hingga centroid stabil. Hasil akhir menunjukkan bahwa seluruh data berhasil dikelompokkan ke dalam tiga cluster yang memiliki karakteristik berbeda. Gambar 3 memperlihatkan visualisasi hasil clustering menggunakan Principal Component Analysis (PCA), yang mereduksi empat variabel menjadi dua komponen utama sehingga pemisahan antar cluster dapat diamati dengan lebih jelas. Rumus Euclidean Distance yang digunakan adalah: Gambar 3. Visualisasi Cluster 3.5 Evaluasi 3.5.1 Evaluasi Davies–Bouldin Index Evaluasi kualitas hasil clustering dilakukan menggunakan Davies-Bouldin Index (DBI) untuk mengukur tingkat kekompakan data di dalam setiap cluster (intra-cluster) serta tingkat pemisahan antar cluster (inter-cluster). Semakin kecil nilai DBI yang diperoleh, semakin baik kualitas clustering yang dihasilkan karena menunjukkan bahwa setiap cluster memiliki tingkat kemiripan yang tinggi di dalam kelompoknya dan perbedaan yang jelas dengan cluster lainnya. Berdasarkan Tabel 5, model K-Means dengan tiga cluster memperoleh nilai Davies-Bouldin Index sebesar 0,961. Nilai tersebut menunjukkan bahwa hasil clustering memiliki tingkat kekompakan dan pemisahan antar cluster yang cukup baik sehingga mampu merepresentasikan karakteristik data penelitian. Hasil evaluasi ini mengindikasikan bahwa model yang dibangun telah menghasilkan struktur cluster yang memadai dan layak digunakan sebagai dasar dalam proses interpretasi karakteristik masing-masing cluster. Adapun nilai DBI yang lebih rendah pada pengujian jumlah cluster lainnya digunakan sebagai informasi pembanding, sedangkan jumlah cluster yang digunakan dalam penelitian telah ditentukan sebelumnya melalui analisis Elbow Method. 3.5.2 Analisis Silhouette Score Berdasarkan hasil evaluasi menggunakan Silhouette Score pada Gambar 4, diperoleh nilai silhouette tertinggi sebesar 0,3867 pada jumlah cluster (k) = 3. Nilai tersebut menunjukkan bahwa hasil clustering memiliki kualitas yang cukup baik, di mana sebagian besar data memiliki tingkat kemiripan yang lebih tinggi dengan anggota pada cluster yang sama dibandingkan dengan cluster lainnya. Meskipun nilai tersebut belum mendekati 1 yang menandakan pemisahan cluster sangat baik, nilai 0,3867 mengindikasikan bahwa struktur cluster yang terbentuk telah mampu merepresentasikan pola data secara cukup optimal dengan tingkat pemisahan antar cluster yang memadai dan tingkat kesamaan yang cukup tinggi di dalam masing-masing cluster. Selain itu, terlihat bahwa nilai Silhouette Score mengalami penurunan ketika jumlah cluster ditingkatkan menjadi 4 hingga 10, yang menunjukkan bahwa penambahan jumlah cluster justru mengurangi kualitas pengelompokan data. Oleh karena itu, hasil evaluasi Silhouette Score memperkuat hasil Elbow Method yang sebelumnya telah menunjukkan bahwa penggunaan tiga cluster (k = 3) merupakan jumlah cluster yang paling optimal untuk digunakan pada dataset penelitian ini. Gambar 4. Visualisasi Silhouette Score 3.5.3 Karakteristik, Interpretasi, dan Penamaan Cluster Hasil centroid pada Tabel 6 menunjukkan bahwa setiap cluster memiliki karakteristik ekonomi yang berbeda. Perbedaan tersebut terlihat dari variasi nilai Z_Gold, Z_DXY, Z_CrudeOil, dan Z_Inflation pada masing-masing cluster. Nilai centroid yang bernilai positif menunjukkan kondisi di atas rata-rata, sedangkan nilai negatif menunjukkan kondisi di bawah rata-rata. Untuk mempermudah interpretasi hasil clustering. Gambar 5 menampilkan visualisasi menggunakan Principal Component Analysis (PCA) yang mereduksi empat variabel menjadi dua komponen utama (PC1 dan PC2) tanpa mengubah struktur pengelompokan data secara signifikan. Melalui visualisasi tersebut, posisi centroid setiap cluster dapat terlihat lebih jelas sehingga memudahkan dalam mengamati pemisahan antar cluster. Oleh karena itu, analisis centroid digunakan untuk memahami karakteristik ekonomi yang direpresentasikan oleh setiap cluster. Tabel 6. Centroid hasil K-Means dengan k=3 Gambar 5. Visualisasi Centroid Cluster 0 memiliki nilai Z_Gold sebesar 0,722, Z_DXY sebesar -0,738, Z_CrudeOil sebesar 0,641, dan Z_Inflation sebesar 0,855. Karakteristik tersebut menunjukkan kondisi ketika harga emas dan harga minyak berada di atas rata-rata, dolar Amerika Serikat berada di bawah rata-rata, serta tingkat inflasi relatif tinggi. Kondisi ini menggambarkan situasi ketika investor cenderung beralih ke aset yang dianggap aman akibat meningkatnya tekanan ekonomi. Oleh karena itu, Cluster 0 diberi nama Safe Haven Penuh (Inflasi Tinggi). Cluster 1 memiliki nilai Z_Gold sebesar 0,684, Z_DXY sebesar -0,676, Z_CrudeOil sebesar 0,598, dan Z_Inflation sebesar -0,889. Karakteristik ini menunjukkan bahwa harga emas dan harga minyak tetap berada di atas rata-rata meskipun tingkat inflasi berada di bawah rata-rata. Temuan tersebut menunjukkan bahwa kenaikan harga emas tidak selalu dipicu oleh inflasi yang tinggi. Pelemahan dolar Amerika Serikat tampak menjadi faktor yang lebih dominan dalam mendorong kenaikan harga emas pada cluster ini. Oleh karena itu, Cluster 1 diberi nama Penguatan Emas Tanpa Tekanan Inflasi. Cluster 2 menunjukkan karakteristik yang paling berbeda dibandingkan cluster lainnya. Nilai Z_DXY sebesar 1,129 menunjukkan kondisi dolar Amerika Serikat yang sangat kuat, sedangkan nilai Z_Gold sebesar -1,123 dan Z_CrudeOil sebesar -0,990 menunjukkan harga emas dan harga minyak yang berada jauh di bawah rata-rata. Kondisi tersebut mengindikasikan bahwa investor lebih memilih memegang dolar dibandingkan emas ketika nilai dolar mengalami penguatan. Oleh karena itu, Cluster 2 diberi nama Dominasi Dolar AS. Tabel 7. Interpretasi dan Penamaan Cluster Hasil interpretasi menunjukkan bahwa hubungan antara harga emas dan indeks dolar Amerika Serikat merupakan faktor yang paling konsisten dalam membentuk pola cluster. Temuan ini juga memperkuat hasil analisis korelasi yang sebelumnya menunjukkan hubungan negatif sangat kuat antara kedua variabel tersebut dengan nilai korelasi sebesar -0,948. 3.6 Implementasi Implementasi dilakukan menggunakan framework Streamlit, yang dipilih karena mampu membangun aplikasi berbasis web secara interaktif dengan proses pengembangan yang sederhana dan efisien menggunakan bahasa pemrograman Python. 3.6.1 Alur Kerja Sistem Flowchart pada Gambar 6 menggambarkan alur kerja implementasi sistem rekomendasi kondisi investasi emas berbasis metode K-Means. Proses dimulai dengan pengguna memasukkan data kondisi pasar berupa harga emas, indeks dolar AS (DXY), harga minyak, dan tingkat inflasi melalui aplikasi Streamlit. Data kemudian dinormalisasi menggunakan metode Z-Score, dilanjutkan dengan perhitungan Euclidean Distance terhadap centroid setiap cluster. Sistem selanjutnya menentukan cluster berdasarkan nilai jarak terkecil, kemudian menampilkan hasil klasifikasi berupa status cluster, nilai jarak, serta rekomendasi keputusan investasi, yaitu Beli atau Tahan, sesuai dengan karakteristik cluster yang diperoleh. Gambar 6. Alur Kerja Sistem 3.6.2 Halaman Eksplorasi Data dan Korelasi Halaman Eksplorasi Data merupakan tahap awal implementasi sistem yang bertujuan untuk memberikan gambaran umum mengenai dataset yang digunakan sebelum dilakukan proses clustering menggunakan algoritma K-Means. Gambar 7. Halaman Utama Eksplorasi Data Pada halaman ini ditampilkan informasi ringkas mengenai dataset, seperti jumlah observasi, rata-rata harga emas, rata-rata indeks dolar Amerika Serikat (DXY), serta rata-rata harga minyak mentah. Di bagian bawah halaman tersedia statistik deskriptif yang berisi nilai mean, minimum, maksimum, dan standar deviasi dari setiap variabel penelitian. Gambar 8. Halaman Visualisasi Gambar ini menampilkan hasil visualisasi heatmap matriks korelasi yang digunakan untuk mengetahui hubungan antar variabel ekonomi, yaitu harga emas, indeks dolar AS (DXY), harga minyak mentah, dan tingkat inflasi. Gambar 9. Halaman Insight Pada bagian Insight Korelasi, sistem menyajikan interpretasi otomatis terhadap hasil analisis korelasi sehingga pengguna tidak perlu menafsirkan nilai korelasi secara manual. Penyajian insight ini bertujuan untuk memudahkan pengguna dalam memahami pola hubungan antar variabel sebelum melanjutkan ke tahap evaluasi model dan simulasi keputusan investasi. 3.6.3 Halaman Evaluasi Model Halaman Evaluasi Model K-Means digunakan untuk menampilkan hasil evaluasi terhadap model clustering yang telah dibangun. Pada halaman ini, sistem menyajikan hasil penentuan jumlah cluster terbaik, dan visualisasi hasil clustering. Gambar 10. Halaman Evaluasi Model Halaman ini menampilkan karakteristik setiap cluster berdasarkan rata-rata nilai harga emas, indeks DXY, harga minyak, dan tingkat inflasi, disertai label serta interpretasi kondisi pasar yang diwakili oleh masing-masing cluster. Gambar 11. Halaman Karakteristik 3.6.4 Halaman Simulasi Keputusan Investasi Halaman Simulasi Keputusan Investasi menyediakan formulir bagi pengguna untuk memasukkan nilai kondisi pasar yang terdiri dari harga emas (XAU/USD), indeks dolar Amerika Serikat (DXY), harga minyak mentah, dan tingkat inflasi. Setelah seluruh data diisi, pengguna dapat menekan tombol Analisis Kondisi Pasar untuk memulai proses normalisasi data, perhitungan jarak Euclidean terhadap centroid hasil K-Means, serta klasifikasi kondisi pasar berdasarkan cluster yang memiliki jarak paling dekat. Gambar 12. Halaman Simulasi Setelah proses analisis selesai, sistem menampilkan hasil klasifikasi berupa status rekomendasi investasi beserta cluster yang dipilih berdasarkan nilai Euclidean Distance terkecil. Selain itu, sistem juga menyajikan tabel jarak ke setiap centroid, nilai input yang telah dinormalisasi menggunakan Z-Score, serta interpretasi kondisi pasar sebagai dasar dalam memberikan rekomendasi apakah emas layak dijadikan aset safe haven pada kondisi ekonomi yang dianalisis. Gambar 13. Contoh Hasil Simulasi Kesimpulan Penelitian ini berhasil menganalisis perilaku emas sebagai asset safe haven melalui pendekatan K-Means Clustering berbasis indikator ekonomi global menggunakan dataset historis periode 2015–2026, dengan tiga cluster optimal yang ditetapkan pada k=3 berdasarkan evaluasi Elbow Method, Davies-Bouldin Index, dan Silhouette Score sebesar 0,3867. Nilai tersebut merupakan yang terbaik karena Silhouette Score menurun saat jumlah cluster ditambah menjadi 4 hingga 10, yang berarti penambahan cluster justru menurunkan kualitas pengelompokan data. Ketiga cluster tersebut merepresentasikan kondisi ekonomi berbeda, yaitu Safe Haven Penuh (Inflasi Tinggi), Penguatan Emas Tanpa Tekanan Inflasi, dan Dominasi Dolar AS. Temuan utama menunjukkan indeks dolar Amerika Serikat sebagai faktor paling dominan terhadap harga emas dengan korelasi negatif sangat kuat sebesar -0,948, sedangkan inflasi hanya berpengaruh linear sangat lemah. Hal ini menunjukkan bahwa asumsi umum emas sebagai instrumen lindung nilai inflasi tidak selalu berlaku pada setiap kondisi pasar. Hasil penelitian diimplementasikan dalam aplikasi berbasis web menggunakan Streamlit untuk simulasi klasifikasi kondisi pasar dan rekomendasi keputusan investasi secara interaktif, sebagai kontribusi dalam memahami pola perilaku emas secara lebih sistematis dan alat bantu pengambilan keputusan berbasis data. Referensi E. Feder-Sempach, P. Szczepocki, and J. Bogołębska, “Global uncertainty and potential shelters: gold, bitcoin, and currencies as weak and strong safe havens for main world stock markets,” Financial Innovation, vol. 10, no. 1, Dec. 2024, doi: 10.1186/s40854-023-00589-w. Y. Hapsari Dyah and A. Hamid, “Safe haven assets in emerging market (evidence from gold, government bonds, and crude oil in Indonesia 2019 –2024),” International Journal of Applied Finance and Business Studies, 2026. R. Gupta, S. Karmakar, and C. Pierdzioch, “Safe Havens, Machine Learning, and the Sources of Geopolitical Risk: A Forecasting Analysis Using Over a Century of Data,” Comput. Econ., vol. 64, no. 1, pp. 487–513, Jul. 2024, doi: 10.1007/s10614-023-10452-w. J. Denie, Surachman, N. K. Indrawati, and M. Rahayu, “NEXUS BETWEEN OIL, GOLD PRICE AND DXY INDEX ON INDONESIAN STOCK MARKET DURING GEOPOLITICAL EVENTS (2022 - 2024),” Revista de Gestao Social e Ambiental , vol. 18, no. 6, 2024, doi: 10.24857/rgsa.v18n6-142. Y. Wang and X. Ding, “Dependence Structure of the US Dollar Index and Crude Oil Prices: A Regime-Switching Copula Approach,” Journal of Mathematical Finance, vol. 14, no. 02, pp. 172–189, 2024, doi: 10.4236/jmf.2024.142009. U. C. Okoroafor and T. Leirvik, “Time-varying market efficiency of safe-haven assets,” Financ. Res. Lett., vol. 56, Sep. 2023, doi: 10.1016/j.frl.2023.104024. Y. Wang, X. Ding, P. Wang, and Z. Huang, “Impact of global crisis events on the dependence and risk spillover between gold and crude oil: a regime-switching copula approach,” Humanit. Soc. Sci. Commun., vol. 11, no. 1, Dec. 2024, doi: 10.1057/s41599-024-04329-y. H. Faraj, D. McMillan, and M. Al-Sabah, “The diminishing lustre: Gold’s market volatility and the fading safe haven effect,” Global Finance Journal, vol. 67, Sep. 2025, doi: 10.1016/j.gfj.2025.101145. M. S. Chang, M. W. Chen, and P. Ju, “Asymmetry in Hedges, Safe Havens, Flights and Contagion: Unconditional Quantile Regression Approach,” Sage Open, vol. 13, no. 4, Oct. 2023, doi: 10.1177/21582440231208536. R. N. Fadhila, N. Ulinnuha, and M. Hafiyusholeh, “Analysis of Inflation Rates During and After the COVID-19 Pandemic Using the K-Means Clustering Method and Kruskal-Wallis Test,” Jurnal Fourier, vol. 14, no. 2, pp. 56–67, 2025, doi: 10.14421/fourier.2025.142.56-67. K. S. Pranata, A. A. S. Gunawan, and F. L. Gaol, “Development clustering system IDX company with k-means algorithm and DBSCAN based on fundamental indicator and ESG,” in Procedia Computer Science, Elsevier B.V., 2022, pp. 319–327. doi: 10.1016/j.procs.2022.12.142. D. Tohendry and D. Jollyta, “PENERAPAN ALGORITMA K-MEANS CLUSTERING UNTUK PENGELOMPOKKAN SAHAM BERDASARKAN PRICE EARNING RATIO DAN PRICE TO BOOK VALUE,” Jurnal Mahasiswa Aplikasi Teknologi Komputer dan Informasi, vol. 5, no. 1, 2023. M. M. Ataey and A. K. Azizi, “Forecasting Gold Price Volatility Using Econometric and Machine-Learning Models,” Journal of Social Sciences and Humanities, vol. 3, no. 1, pp. 173–188, Jan. 2026, doi: 10.62810/jssh.v3i1.231. D. Rahmadani, “The Role of Gold as a Safe Haven Asset in Risk Management Strategies in the Era of Geopolitical and Monetary Uncertainty,” 2025. Q. Luan and J. Hamp, “Automated regime classification in multidimensional time series data using sliced Wasserstein k-means clustering,” Data Science in Finance and Economics, vol. 5, no. 3, pp. 387–418, 2025, doi: 10.3934/DSFE.2025016.
