Penelitian ini bertujuan memodelkan serta memprediksi harga emas dunia di masa pandemi COVID-19. Penelitian ini juga hanya memasukkan nilai masa lampau dari harga emas dunia tanpa adanya pengaruh faktor eksogenindependen pada model. Model yang dipergunakan adalah model Autoregressive Integrated Moving Average ARIMA. Adapun data yang dipergunakan pada permodelan sebanyak 240 data observasi dimana data merupakan data bulanan harga emas dunia bulan Agustus 2000 hingga Juli 2020. Model terbaik untuk harga emas dunia ini adalah ARIMA0,1,1 dengan nilai Mean Absolute Percentage Error MAPE sebesar 3,70%. Hasil prediksi harga emas dunia untuk bulan Agustus 2020 hingga Januari 2021 berturut-turut adalah sebesar 1930,046; 1945,651; 1961,381; 1977,240; 1993,227; 2009,343 US$/Troy Ons emas. Prediksi ini menunjukkan tren naik dengan rata-rata peningkatan selama periode tersebut Agustus 2020-Januari 2021 sebesar15,8594 US$/Troy ons per bulannya. Discover the world's research25+ million members160+ million publication billion citationsJoin for free 71PREDIKSI HARGA EMAS DUNIA DI MASA PANDEMI COVID-19 MENGGUNAKAN MODEL ARIMA Dara Puspita Anggraeni 1, Dedi Rosadi2, Hermansah3, Ahmad Ashril Rizal4 1Universitas Nahdlatul Wathan Mataram, 2Universitas Gadjah Mada Yogyakarta, 3Universitas Riau Kepulauan, 4STMIK Syaikh Zainuddin NW Anjani Lombok timur e-mail 1darapuspitaanggraeni40 2dedirosadi 3hermansah Abstrak Penelitian ini bertujuan memodelkan serta memprediksi harga emas dunia di masa pandemi COVID-19. Penelitian ini juga hanya memasukkan nilai masa lampau dari harga emas dunia tanpa adanya pengaruh faktor eksogenindependen pada model. Model yang dipergunakan adalah model Autoregressive Integrated Moving Average ARIMA. Adapun data yang dipergunakan pada permodelan sebanyak 240 data observasi dimana data merupakan data bulanan harga emas dunia bulan Agustus 2000 hingga Juli 2020. Model terbaik untuk harga emas dunia ini adalah ARIMA0,1,1 dengan nilai Mean Absolute Percentage Error MAPE sebesar 3,70%. Hasil prediksi harga emas dunia untuk bulan Agustus 2020 hingga Januari 2021 berturut-turut adalah sebesar 1930,046; 1945,651; 1961,381; 1977,240; 1993,227; 2009,343 US$/Troy Ons emas. Prediksi ini menunjukkan tren naik dengan rata-rata peningkatan selama periode tersebut Agustus 2020-Januari 2021 sebesar15,8594 US$/Troy ons per bulannya. Kata kunci Harga Emas, COVID-19, ARIMA, Prediksi Abstract This research aims to model and predict the world gold price during the COVID-19 pandemic. This research only includes the past values of world gold prices without the influence of exogenous independent factors on the model. The model used in this research is the Autoregressive Integrated Moving Average ARIMA. The data used in the modeling are 240 observational data which were the monthly data on world gold prices from August 2000 to July 2020. The best model for this world gold price is ARIMA 0,1,1 with a Mean Absolute Percentage Error MAPE value of The prediction results of the world gold price from August 2020 to January 2021 are 1930,046 respectively; 1945,651; 1961,381; 1977,240; 1993,227; 2009,343 US $ / Troy Ounce of gold. This prediction shows an upward trend with the average increase 15,8594 US $ / Troy ounce per month during that period August 2020-January 2021. Keywords Gold Price, COVID-19, ARIMA, Prediction 72 PENDAHULUAN Investasi diminati oleh sebagian besar orang di dunia. Investasi atau penanaman modal sering sekali dilakukan dengan tujuan mendapatkan keuntungan di masa depan. Jenis investasi yang paling diminati di saat ini adalah emas, saham, obligasi dan properti. Tiap jenis investasi ini memiliki keuntungan dan risiko yang berbeda-beda. Menurut Warsono 2010 pada umumnya investasi pada aset riil mempunyai nilai satuan yang relatif besar dan mempunyai likuiditas relatif rendah, sedangkan aset keuangan mempunyai nilai satuan yang relatif kecil dan pada umumnya mempunyai likuiditas yang tinggi. Investasi yang relatif mudah untuk dilakukan saat ini adalah pada aset keuangan. Salah satu prinsip dalam berinvestasi adalah higher return higher risk. Suatu investasi dengan pengembalian diharapkan sangat tinggi, maka risiko yang dihadapi oleh investor juga sangat tinggi. Sebaliknya, jika angin berinvestasi pada aset keuangan dengan risiko rendah, maka pengembalian yang diharapkan juga rendahYulianti & Silvy, 2013. Emas atau logam mulia menjadi jenis investasi yang sering kali disebut sebagai investasi aman dibandingkan jenis instrumen investasi lannya. Investasi emas dikatakan mudah karena emas ini, tidak harus dimiliki seseorang yang mempunyai penghasilan besar ataupun seseorang yang mempunyai jabatan khusus. Emas ini juga dapat dimanfaatkan oleh siapapun dari berbagai macam kalangan masyarakat. Selain mudah, investasi emas juga merupakan salah satu investasi yang sangat menguntungkan karena emas merupakan satu-satunya logam mulia yang harga jualnya tidak terpengaruh oleh inflasi yang terjadi. Dapat dibuktikan sebagai contoh, satu koin dinar yang memiliki berat ± 4,25 gram misalnya setara dengan harga 1 ekor kambing pada masa Rasulullah SAW, dan sampai sekarang pun masih berlaku seperti itu karena emas tidak terpengaruh oleh inflasi. Yang berubah hanyalah daya beli emas dengan uang kertas seperti Rupiah yang semakin lama semakin menurun. Selain itu seperti yang kita ketahui bahwasanya harga emas cenderung terus menerus mengalami kenaikan setiap tahunnyaFauziah & Surya, 2016 terlebih lagi disaat pandemi COVID-19 yang menelan korban sebanyak kasus dan kematian per 26 Juli 2020 WHO, 2020b sehingga sangat mengganggu sektor kesehatan juga sektor perekonomian, termasuk dunia investasi saham Baker et al., 2020 ditunjukkan dengan nilai indeks saham gabungan yang menurun di beberapa negara yang mengakibatkan beralihnya investasi yang diminati oleh calon investor dari bentuk saham ke dalam bentuk investasi emasJi et al., 2020. Hal ini diperkuat oleh hasil penelitian yang telah dilakukan oleh Ji, Zhang dan Zhao ini dengan melakukan analisa pada beberapa jenis investasi diluar saham sebagai investasi teraman selama pandemi Covid-19, diperoleh hasil yang menunjukkan emas sebagai investasi teramanJi et al., 2020. Oleh karenanya sangat menarik untuk memodelkan harga emas dunia yang dapat bermanfaat baik bagi para praktisi maupun peneliti. Pada penelitian ini peneliti akan menggunakan model ARIMA dikarenakan model ini telah terbukti cocok untuk memodelkan serta memprediksi harga emas dunia. Penelitian sebelumnya diantara lain dilakukan oleh Abdullah 2012, Khan 2013, Bandyopadhyay 2016 dan Yang 2019. George Box dan Gwilym Jenskin adalah penemu model ARIMA pada tahun 1976. Box dan Jenkins menggunakan model-model ARIMA untuk deret waktu satu variable univariate. Model ARIMA p,d,q, dimana p menyatakan orde dari proses autoregressive AR, d menyatakan pembeda differencing dan q menyatakan orde dari proses moving average MA. Dasar dari model ARIMA dilakukan dengan empat tahap strategi pemodelan yaitu identifikasi model, penaksiran parameter, pemeriksaan diagnostik dan prediksi Rosadi, 2011. Adapun tujuan dari penelitian ini adalah untuk memodelkan serta memprediksi harga emas dunia di masa mendatang dengan akurat. 73METODE 1. Tinjauan Referensi Emas merupakan safe haven dikarenakan ketersediaannya yang langka, banyak diminati dan sangat berharga secara intrinsik terlebih selama masa pandemi COVID-19 Ji et al., 2020. Penelitian tentang model dan prediksi harga emas dunia di masa pandemi COVID-19 belum banyak dilakukan sehingga peneliti tertarik untuk melakukan penelitian ini dengan salah satu tujuannya adalah membantu praktisimisalkan calon investor dalam pengambilan keputusan investasi emas. Penelitian tentang prediksi harga emas dunia menggunakan model ARIMA merujuk pada penelitian terdahulu dilakukan oleh Guha Bandyopadhyay yang memperoleh kesimpulan bahwa prediksi menggunakan model ARIMA sangat akurat digunakan untuk prediksi jangka pendek Bandyopadhyay, 2016. ARIMA juga sangat baik menggambarkan data yang fluktuatif Abdullah, 2012, dan cocok digunakan untuk menggambarkan serta meramalkan pergerakan harga emas dunia Khan, 2013; Yang, 2019 2. Metode Analisis Time Series Data Time Series Runtun waktu data yakni jenis data yang dikumpulkan menurut urutan waktu dalam suatu rentang waktu tertentu. Jika waktu dipandang bersifat diskrit waktu dapat dimodelkan bersifat kontinu, maka frekuensi pengumpulan selalu sama equidistant. Dalam kasus diskrit, frekuensi dapat berupa misalnya detik, menit, jam, hari, minggu, bulan atau tahun. Model yang digunakan adalah model-model time series, yang menjadi fokus dari perkuliahan ini Rosadi, 2006. Kestasioneran Data Stasioneritas merupakan suatu keadaan jika proses pembangkitan yang mendasari suatu deret berkala didasarkan pada nilai tengah konstan dan nilai varians konstan. Dalam suatu data kemungkinan data tersebut tidak stationer hal ini dikarenakan meanrata-rata tidak konstan atau variannya tidak konstan sehingga untuk menghilangkan ketidakstasioneran terhadap mean, maka data tersebut dapat dibuat lebih mendekati stasioner dengan cara melakukan penggunaan metode pembedaan atau differencing. Perilaku data yang stasioner antara lain tidak mempunyai variasi yang terlalu besar dan mempunyai kecenderungan untuk mendekati nilai rata-ratanya, dan sebaliknya untuk data yang tidak stasionerGujarati, 2004. 1. Stasioner dalam variasi Pada data yang tidak stasioner dalam variasi dapat dilakukan transformasi untuk membuat data tersebut dan Cox pada tahun 1964 memperkenalkan transformasi pangkat power transformation sebagai berikut  Dengan  adalah deret waktu periode ke-t dan λ adalah parameter transformasi. 2. Stasioner dalam rata-rata Data yang tidak stasioner dalam rata-rata dapat distasionerkan melalui proses differensing. Pengujian hipotesis yang yang sering digunakan untuk melakukan pengecekan kestasioneran data runtun waktu dalam rata-rata adalah uji Augmented Dickey-Fuller ADF. Uji ini merupakan salah satu uji yang paling sering digunakan dalam pengujian stasioneritas dari data, yakni dengan melihat apakah di dalam model terdapat unit root atau tidakRahmawati et al., 2019. Pengujian dilakukan dengan menguji hipotesis  terdapat akar unit dalam persamaan regresi  Hipotesis nol ditolak jika nilai statistik uji ADF memiliki nilai kurang lebih negatif dibandingkan dengan nilai daerah kritik. Jika hipotesis nol ditolak, data bersifat stasioner Rosadi, 2011. 74 Fungsi Autokorelasi dan Fungsi Autokorelasi Parsial Tahap identifikasi model pada model data runtun waktu dibutuhkan hasil perhitungan fungsi autokorelasi dan fungsi autokorelasi parsial. Adapun perhitungannya adalah sebagai berikut 1. Fungsi Autokorelasi Autocorrelation Function/ACF Konsepsi autokorelasi setara identik dengan korelasi Pearson untuk data bivariat. Menurut Mulyana 2004 persamaan koefisien autokorelasi adalah  Keterangan n jumlah observasi k selisih waktu lag  adalah data pada waktu-t  adalah data pada waktu ke- t+k  rata-rata dari  Plot grafik ACF yang menurun menjadi salah satu indicator data belum stasioner. 2. Fungsi Autokorelasi Parsial Partial Autocorrelation function/PACF Nilai PACF dapat dihitung dengan cara sebagai berikut                    Mulyana, 2004. Keterangan formula diatas merupakan perhitungan untuk PACF untuk lag k dan j=1,2,3,…,k Model ARIMA Model ARp dan MAq merupakan model data runtun waktu stasioner dan saling berkebalikan, sehingga keduanya dapat digabungkan dengan cara dijumlahkan, dan model yang diperoleh dinamakan model autoregresi rata-rata bergerak, disingkat ARMAp,q. Karena ARp dan MAq adalah model data runtun waktu stasioner, maka ARMAp,q juga model data runtun waktu stasioner. Jika data tidak stasioner, maka dapat distasionerkan melalui proses stasioneritas, yang berupa proses diferensi jika trendnya linier, dan proses linieritas dengan proses diferensi pada data hasil proses linieritas, jika trend data tidak linier Mulyana, 2004. Model ARMAp,q untuk data hasil proses diferensi dinamakan model autoregresi integrated rata-rata bergerak disingkat ARIMAp,d,q dengan persamaan Bentuk umum dari persamaan model ARIMA  dengan B yang merupakan operator balik backward, yakni  Rosadi, 2011. Persamaan diatas dapat pula dituliskan dalam bentuk  Prapemrosesan Data Dalam tahap awal dilakukan identifikasi model runtun waktu yang mungkin digunakan untuk memodelkan sifat-sifat data. Identifikasi secara sederhana dilakukan secara visual dengan melihat plot data, untuk melihat adanya tren, komponen musiman, nonstasioneritas dalam variasi dan lain-lain. Beberapa teknik prapemrosesan data yang umum dilakukan adalah membuang pencilan dari dalam data, penyaringan data dengan model/teknik statistika tertentu, transformasi data seperti transformasi logaritma atau yang lebih umum transformasi Box-Cox, melakukan operasi deferens, detren membuang tren, deseasonalize membuang komponen musiman dan lain-lainRosadi, 2011. Identifikasi Model Stasioner Bentuk model ARMA yang tepat dalam menggambarkan sifat-sifat data dapat ditentukan dengan plot sampel ACF/PACF dengan sifat-sifat fungsi 75ACF/PACF teoritis dari model ARMA. Rangkuman bentuk plot sampel ACF/PACF dari model ARMA diberikan pada tabel 1 Rosadi, 2011. Penaksiran Parameter/Estimasi Model Estimasi dari model ARMA dapat dilakukan dengan metode Maksimum Likelihood Estimator MLE, Least Square, Hannan Rissanen, metode Whittle dan lain-lainRosadi, 2011. Pengujian Signifikansi Parameter Pengujian apakah koefisien hasil estimasi signifikan atau tidak dengan uji hipotesis • Uji konstanta pada model      diterima jika , sebaliknya jika  atau  maka  ditolak dan  diterima parameter signifikan. Adapun perhitungan statistik uji dan statistik tabel . • Uji Parameter untuk model ARp      diterima jika , sebaliknya jika  atau  maka  ditolak dan  diterima parameter signifikan. Adapun perhitungan statistik uji  dan statistik tabel . • Uji Parameter untuk model MAq      diterima jika , sebaliknya jika  atau  maka  ditolak dan  diterima parameter signifikan. Adapun perhitungan statistik uji  dan statistik tabel . Pada formula diatas n adalah banyak data yang dipergunakan dalam membangun model. Jika terdapat koefisien yang tidak signifikan, koefisien/orde lag tersebut dapat dibuang dari model dan model diestimasi kembali tanpa mengikutkan orde yang tidak signifikan Pemeriksaan Diagnosis Jika model merupakan model yang tepat, data yang dihitung dengan model Tabel 1. Bentuk plot sampel ACF/PACF dari model ARMA Tidak ada yang melewati batas interval pada  Tidak ada yang melewati batas interval pada  Meluruh menuju nol secara eksponensial Di atas batas interval maksimum sampai  ke  dan di bawah batas pada  Di atas batas interval maksimum sampai  ke  dan di bawah batas pada  Meluruh menuju nol secara eksponensial Meluruh menuju nol secara eksponensial Meluruh menuju nol secara eksponensial 76 fitted value akan memiliki sifat-sifat yang mirip dengan data asli . Dengan demikian, residual yang dihitung berdasarkan model yang telah diestimasi mengikuti asumsi dari galat model teoritis, seperti sifat white noise, normalitas dari residual walaupun asumsi ini dapat diabaikan, tidak sepenting asumsi white noise dari galat0 dan lain-lain. Untuk melihat apakah residual bersifat white noise , du acara bisa digunakan yakni Melihat apakah plot sampel ACF/PACF yang terstandarisasi residual dibagi estimasi deviasi standar residual telah memenuhi sifat-sifat proses white noise dengan mean 0 dan variansi 1 Melakukan uji korelasi parsial, yakni dengan menguji hipotesis  tidak terdapat korelasi serial dalam residual sampai  Uji ini dapat dilakukan dengan statistik uji Box-Pierce yang akan berdistribusi  Di sini  menunjukkan nilai sampel ACF residual pada lag-j, sedangkan p dan q menunjukkan orde dari model ARMA p,q. Apabila hipotesis cek diagnostic ditolak, model yang telah diidentifikasi si atas tidak dapat digunakan dan selanjutnya model yang mungkin sesuai untuk data dapat diidentifikasi kembaliRosadi, 2011. Pemilihan Model Terbaik Selanjutnya, dalam praktikan ada banyak model yang memenuhi pengujian diagnostic di atas. Untuk model terbaik, pilih model yang meminimalkan ukuran kriteria informasi, seperti Aike Information Criteria AIC Dengan sum of squared error SSE yang akan diestimasi dari jumlahan kuadrat semua nilai residual. Akan tetapi diketahui untuk model autoregresif, kriteria AIC tidak memberikan orde p yang konsisten sehingga untuk pembanding kita bisa menggunakan kriteria informasi lain, seperti Schwarzt Bayesian Information Criteria SBC Atau bentuk-bentuk kriteria informasi lain yang diusulkan di dalam literaturRosadi, 2011. Pengukuran Ketepatan Model Prediksi Dalam analisis runtun waktu, sering kali data dibagi menjadi dua bagian yang disebut data in sample, yakni data-data yang digunakan untuk memilih model terbaik dengan langkah-langkah pemodelan di atas dan data out sample, yakni bagian data yang digunakan untuk memvalidasi keakuratan prediksi dari model terbaik yang diperoleh berdasarkan data in sample. Model yang baik tentunya diharapkan model terbaik untuk penyesuaian fitting data in sample dan sekaligus model yang baik untuk prediksi dalam data out sample. Beberapa ukuran kebaikan penyuaian atau prediksi dapat dikenalkan, seperti ukuran Mean Square Error MSE, root of MSE RMSE, Median atau Mean Absolute Deviation MAD dan lain-lain. Jika  menyatakan keseluruhan data, data in sample dapat dinyatakan sebagai . Jika nilai hasil penyuaian disebut , MSE, RMSE dan MAD untuk data in sample didefinisikan sebagai Rosadi, 2011 77Lalu menurut Aswi dan Sukarna2006, pengukuran ketepatan model dapat menggunakan perhitungan Mean Absolute Percentage Error MAPE dengan formula sebagai berikut   Gambar 1 merupakan diagram alir metodelogi pemodelan Box-Jenkins. Pandemi COVID-19 Pandemi COVID-19 yaitu masa dimana secara global terdapat penyakit menular yang disebabkan oleh virus korona yang baru ditemukan. Kebanyakan orang yang terinfeksi virus COVID-19 akan mengalami penyakit pernapasan ringan hingga sedang atau pulih tanpa memerlukan perawatan khusus. Manula dan mereka yang memiliki masalah medis mendasar seperti penyakit kardiovaskular, diabetes, penyakit pernapasan kronis dan kanker lebih berpeluang untuk terserang virusWHO, 2020a. Pada saat ini, tidak ada vaksin atau perawatan khusus untuk COVID-19. Namun, ada banyak uji klinis yang sedang dilakukan untuk menemukan pengobatan untuk penyakit CoronavirusWHO, 2020a. Secara global per 26 Juli 2020 terdapat kasus dan kematianWHO, 2020b. Data Penelitian Data yang digunakan dalam penelitian ini adalah data harga emas dunia per Agustus 2000 hingga Juli 2020 yang diperoleh dari website Yahoo Finance. Data yang diambil merupakan data bulanan yakti harga emas dunia tiap awal bulan sehingga total banyak data yang dipergunakan adalah 241 data. Satuan data harga emas dunia adalah US$/Troy ons, dimana 1 Troy ons setara dengan 31,1035 gram. HASIL DAN PEMBAHASAN 1. Statistika Deskriptif Pembahasan akan diawali dengan membuat statistika deskriptif sebagai berikut Informasi yang diperoleh dari Tabel 2 adalah rata-rata harga emas dunia adalah US$978,62/Troy ons, dimana data menyebar sebesar US$468,03/Troy ons dari rata-rata. Harga emas dunia paling rendah sebesar US$257,9/Troy ons dan paling tinggi sebesar US$1916,8/Troy ons, dengan nilai kurtosis sebesar -1,29 maka dapat dikatakan kurva Platikurtik, merupakan distribusi yang memiliki puncak hampir mendatar nilai keruncingan , serta skewness menunjukkan nilai negatif sebesar -0,14 atau nilai-nilai terkonsentrasi pada sisi sebelah kiri terletak di sebelah kiri Mo, sehingga kurva memiliki ekor memanjang ke kiri, kurva menceng ke kiri atau menceng negatif untuk periode bulan Agustus 2000 hingga Juli 2020. 2. Time Series Plot Gambar 1. Diagram alir metodelogi pemodelan Box-JenkinsRosadi, 2011. Tabel 2. Statistika Deskriptif 78 Time series plot dapat digunakan untuk melakukan perkiraan kasar dari bentuk model yang mungkin sesuai untuk data dengan melihat plot data harga emas dunia. Berdasarkan Gambar 2, diketahui bahwa harga emas dunia mengalami fluktuasi meskipun demikian secara garis besar terlihat bahwa harga emas dunia mengikuti pola tren naik. Hal ini menunjukkan emas sebagai investasi aman yang perlu diramalkan dengan model ARIMA. Metode Prediksi ARIMA Adapun tahapan untuk mendapatkan model ARIMA terbaik yaitu prapemrosesan data, identifikasi model, estimasi model serta pengecekan diagnostik kesesuaian model dengan data serta pemilihan model terbaik. Pada Gambar 2, terlihat data mengandung tren linier, yang selanjutnya dapat dikonfirmasi dengan uji akar unit dengan uji Augmented Dickey-Fuller/ADF yang menyatakan adanya akar unit atau dengan plot ACF/PACF, seperti berikut Hipotesis Uji akar unit dengan uji Augmented Dickey-Fuller/ADF  terdapat akar unit  ditolak jika  memiliki nilai kurang dari lebih negatif dari , namun karena  memiliki nilai lebih dari kurang negatif dari  maka  diterima. Terdapat akar unit yang menandakan bahwa data belum stasioner. Uji ADF menunjukkan bahwa hipotesis nol adanya akar unit dalam data data tidak stasioner diterima yang selanjutnya terkonfirmasi dari plot ACF yang meluruh secara lambat menuju nol. Dengan demikian perlu dilakukan proses differencing dengan sebelumnya melakukan transformasi logaritma natural pada 240 data observasi harga emas dunia periode Agustus 2000 sampai dengan Juli 2020. Gambar 4 berikut plot data hasil transformasi logaritma natural pada 240 data observasi harga emas dunia periode Agustus 2000 sampai dengan Juli 2020. Gambar 2. Time Series Plot Tabel 3. Hasil pengujian akar unit dengan uji Augmented Dickey-Fuller/ADF 16. Harga emas dunia Agustus 2000-Juli 2020 Gambar 3. Plot ACF dan PACF data harga emas dunia Agustus 2000-Juli 2020 Gambar 4. Data hasil proses differencing logaritma natural harga emas dunia 79Pada Gambar 4 terlihat bahwa data telah memenuhi asumsi kestasioneran data. Hal ini diperkuat dengan hasil uji akar unit dengan uji Augmented Dickey-Fuller/ADF sebagai berikut Hipotesis Uji akar unit dengan uji Augmented Dickey-Fuller/ADF  terdapat akar unit  ditolak jika  memiliki nilai kurang dari lebih negatif dari . Nilai  diatas memiliki nilai kurang dari lebih negatif dari  maka  ditolak. Tidak terdapat akar unit yang menandakan bahwa data telah stasioner. Selanjutnya, proses identifikasi model ARIMA yang tepat untuk memodelkan data hasil proses differencing logaritma natural harga emas dunia sebagai berikut Pada Gambar 5ACF terlihat bahwa plot ACF signifikan pada lag ke-11 dan lag ke-21 dan Gambar 5PACF juga terlihat bahwa plot PACF signifikan pada lag ke-11 dan lag ke-21 sehingga model yang dicobakan pada data harga emas dunia adalah ARIMA1,1,0, ARIMA2,1,0, ARIMA1,1,1, ARIMA0,1,1 dan ARIMA0,1,2. Berdasarkan hasil estimasi parameter dan pengujian signifikansi parameter, diperoleh model dengan semua parameter yang signifikan disajikan pada tabel 5 dengan keterangan •  atau derajat bebas pada  bernilai 238 sebab n pada model ini adalah 239. Banyak data harga emas dunia yang dipergunakan adalah 240 namun karena adanya proses differencing berakibat banyak data n menjadi 239 data. •  untuk  tidak tertera pada tabel, namun dapat diperoleh melalui proses interpolasi.   Hasil interpolasi =  Sehingga untuk memperoleh  pada uji statistik diatas Tabel 4. Hasil pengujian akar unit dengan uji Augmented Dickey-Fuller/ADF Data hasil proses differencing logaritma natural harga emas dunia Gambar 5. Plot ACF dan PACF data hasil proses differencing logaritma natural harga emas dunia Tabel 5. Hasil Penaksiran dan Pengujian Signifikansi Parameter 17. ARIMA 0,1,1 dengan konstanta -1,9810 digunakan - sebagai pembanding 80    0,003373333 Hasil interpolasi =  - 0,003373333 = 1,980626667  1,9810 Berdasarkan Tabel 5, selanjutnya dilakukan pemeriksaan diagnostik yang meliputi uji white noise dan distribusi normal pada galat. Pada Gambar 6, plot ACF menunjukkan bahwa residual model sudah memenuhi model white noise karena bernilai di bawah 10% untuk lag lebih besar dari 1. Sedangkan nilai p-value Ljung-Box juga diatas garis batas 5%, yang menandakan hipotesis nol residual tidak mengandung korelasi serial diterima. Pada Tabel 6 terlihat bahwa Model ARIMA0,1,1 lulus uji pada pemeriksaan diagnostik sebab galat yang dihasilkan pada model ARIMA0,1,1 memenuhi asumsi white noise dan uji normalitas data. Artinya galat dari model ARIMA0,1,1 merupakan model yang baik dari data harga emas dunia. Selanjutnya tidak dilakukan proses pemilihan model terbaik berdasarkan hasil perhitungan AIC maupun SBC dikarenakan hanya ada satu model yang lulus uji pemeriksaan diagnostik. Pengukuran ketepatan model dilakukan dengan perhitungan MAPE dihasilkan untuk model ARIMA0,1,1 adalah 3,70%. Perhitungan MAPE menggunakan 240 data aktual yang dipergunakan dalam membangun model serta 240 data hasil prediksi yang diperoleh dari model data tertera pada Lampiran 1. Prediksi Model ARIMA Berdasarkan Tabel 3, model ARIMA0,1,1 dengan konstanta jika dituliskan dalam bentuk persamaan diperoleh model sebagai berikut  dimana  sehingga perhitungan nilai prediksi untuk  adalah  Keterangan  prediksi harga emas dunia Pada Lampiran 1, ditampilkan hasil perhitungan nilai prediksi menggunakan Gambar 6. Plot ACF galat dan p-values untuk Ljung Box statistic Tabel 6. Pemeriksaan Diagnostik Galat berdistribusi Normal ARIMA 0,1,1 dengan konstanta Tabel 7. Harga Emas Dunia interval keyakinan 95% Harga emas dunia US$/Troy ons 81model ARIMA0,1,1 untuk data in sample maupun data out sample. Berikut adalah plot data harga emas dunia, nilai penyuaian in sample, serta nilai prediksi terendah dan prediksi tertinggi dengan interval keyakinan 95% dengan model ARIMA0,1,1 di atas. Pada tabel 7 diperlihatkan hasil prediksi harga emas dunia per 1 Agustus 2020 hingga prediksi per 1 Januari 2021 mengalami kenaikan dengan rata-rata kenaikan sebesar 15,8594 US$/Troy ons setiap bulannya. KESIMPULAN DAN SARAN Kesimpulan 1. Model ARIMA 0,1,1 dengan konstanta adalah model ARIMA terbaik untuk memodelkan data aktual harga emas dunia periode Agustus 2000-Juli 2020 dimana per Januari 2020 dunia telah dilanda pandemi Covid-19 sehingga model ini dapat dipergunakan untuk prediksi harga emas dunia di masa pandemi Covid-19. Adapun MAPE dari model ini adalah sebesar 3,70%. 2. Model ARIMA 0,1,1 dengan konstanta menghasilkan prediksi harga emas dunia per Agustus 2020 hingga Januari 2021 berturut-turut sebesar 1930,046; 1945,651; 1961,381; 1977,240; 1993,227; 2009,343. Rata-rata kenaikan harga emas dunia per bulannya selama periode ini Agustus 2020 hingga Januari 2021 diperkirakan 15,8594 US$/Troy ons emas Saran Berdasarkan hasil analisis menggunakan model prediksi ARIMA, saran yang diajukan peneliti untuk penelitian selanjutnya adalah 1. Berdasarkan hasil penelitian ini diharapkan ada penelitian lanjutan yang mempergunakan model lainnya selain ARIMA yang dapat dipergunakan sebagai pembanding kesesuaian model untuk harga emas dunia. 2. Berdasarkan hasil prediksi harga emas dunia yang cenderung mengalami kenaikan periode Agustus 2020 hingga Januari 2021, emas merupakan investasi yang aman dan menguntungkan di masa pandemi Covid-19. DAFTAR PUSTAKA Abdullah, L. 2012. ARIMA Model for Gold Bullion Coin Selling Prices Forecasting. International Journal of Advances in Applied Sciences, 14. Baker, S., Bloom, N., Davis, S., & Terry, S. 2020. COVID-Induced Economic Uncertainty. National Bureau of Economic Research. Bandyopadhyay, G. 2016. Gold Price Forecasting Using ARIMA Model. Journal of Advanced Management Science, March, 117–121. Fauziah, A., & Surya, M. E. 2016. Peluang investasi emas jangka panjang melalui produk pembiayaan BSM cicil emas studi pada bank syariah mandiri Purwokerto. Islamadina Jurnal Pemikiran Islam, 161, 57–73. Gujarati, D. N. 2004. Basic Econometric 4th ed.. The McGraw−Hill Companies. Ji, Q., Zhang, D., & Zhao, Y. 2020. Searching for safe-haven assets Gambar 6. Plot data harga emas dunia, runtun tersuai dan prediksi harga emas dunia 82 during the COVID-19 pandemic. International Review of Financial Analysis, 71April, 101526. Rahmawati, Wahyuningsih, S., & Syaripuddin. 2019. Peramalan laju produksi minyak bumi provinsi kalimantan timur menggunakan metode dca dan arima. Journal of Statistical Application and Computational Statistics, 11 No 1, 73–86. Rosadi, D. 2006. Pengantar Analisa Runtun Waktu. Universitas Gadjah Mada. Rosadi, D. 2011. Analisis Ekonometrika&Runtun Waktu Terapan dengan R. Penerbit ANDi. WHO. 2020a. Coronavirus. WHO. 2020b. Coronavirus disease COVID-19 Situation Report – 188. WHO, July. Widarjono, A. 2007. Ekonometrika Teori dan Aplikasi untuk Ekonomi dan Bisnis. Ekonisia. Yulianti, N., & Silvy, M. 2013. Sikap Pengelola Keuangan Dan Perilaku Perencanaan Investasi Keluarga Di Surabaya. Journal of Business and Banking, 31, 57–68. Lampiran 1. Perbandingan Data Aktual dengan Data Prediksi Harga Emas Dunia In Sample [1] 278,3 273,6 264,9 270,1 272,0 265,6 266,8 257,9 264,0 265,3 270,6 266,2 [13] 274,4 292,4 279,5 273,9 278,7 282,1 296,7 302,6 308,9 326,5 313,5 303,2 [25] 312,4 323,9 318,0 316,8 347,6 368,3 350,2 335,9 339,1 364,5 346,0 354,0 [37] 375,7 385,4 384,5 396,8 415,7 402,2 396,4 427,3 387,0 394,0 392,6 391,0 [49] 410,4 418,7 428,5 451,3 437,5 421,8 436,5 428,7 435,0 416,3 435,9 429,9 [61] 433,8 469,0 465,1 494,6 517,1 570,8 561,6 581,8 651,8 642,5 613,5 634,2 [73] 625,9 598,6 604,1 646,9 635,2 652,0 669,4 663,0 680,5 661,0 648,1 666,9 [85] 673,0 742,8 792,0 782,2 834,9 922,7 972,1 916,2 862,8 887,3 926,2 913,9 [97] 829,3 874,2 716,8 816,2 883,6 927,3 941,5 922,6 890,7 978,8 927,1 953,7 [109] 951,7 [121] [133] [145] [157] [169] [181] [193] [205] [217] [229] [1] 276,7 280,5 276,7 268,6 272,1 274,2 268,9 269,2 261,5 265,8 267,5 272,3 [13] 269,2 275,9 292,4 283,5 277,4 280,8 284,2 297,3 304,3 310,7 326,9 317,9 [25] 307,6 314,3 325,2 321,5 320,0 346,4 368,1 355,5 341,3 342,1 364,2 351,3 [37] 356,5 376,0 387,2 388,0 398,8 416,7 407,4 401,1 427,0 395,4 397,4 396,4 [49] 394,9 411,5 421,1 430,9 452,0 443,0 428,1 438,8 433,5 438,3 422,6 437,5 [61] 434,4 437,4 468,3 469,3 495,0 518,1 567,8 567,0 584,4 647,2 648,3 623,2 [73] 637,8 632,6 608,0 609,5 646,8 641,9 655,8 672,9 669,7 684,5 669,5 656,3 [85] 670,8 678,1 739,4 790,9 789,7 835,2 917,5 972,2 931,2 878,9 893,3 929,0 [97] 923,3 848,4 877,6 743,0 812,2 880,4 928,1 947,2 933,4 903,7 975,9 941,2 [109] 959,6 960,5 [121] [133] [145] [157] [169] [181] [193] [205] [217] [229] Data aktual harga emas dunia bulan Agustus 2000 - Juli 2020Data peramalan harga emas dunia bulan Agustus 2000 - Juli 2020 ... Non-stationary data in variants can be performed Box-Cox transformations [14], [18]. The Box-Cox transformation equations are as follows [19], [20], [21]. ...... Non-stationary data in the mean can be stationaries by differencing on the data [19], [17]. Differencing equation is as follows [7]. ...... Residual diagnostic tests are necessary to determine the feasibility of a model because the calculated data uses the right model and meets the assumptions in the residual diagnostic test will produce values similar to the original data [17], [19]. Models with good feasibility must meet the assumptions in residual diagnostic tests, the assumption is white noise and normal distribution. ... Mochamad Ali ImronWika Dianita UtamiHani KhaulasariFirman ArmunantoThe Consumer Price Index CPI is a indicator used by Badan Pusat Statistik BPS which describes the average change in the prices paid by urban consumers for a market basket of consumer goods and services in a certain period. The case on Consumer Price Index CPI of Probolinggo City, if the Consumer Price Index CPI increase then describe inflation occurs and conversely. The Consumer Price Index CPI of Probolinggo City increase is not fixed. This study is to forecast the Consumer Price Index CPI that the results can be used as one of the considerations in carrying out economic development in the future. Research focused on the data of Consumer Price Index CPI of Probolinggo City from January 2014 to April 2022. Methodology implemented in this study is Autoregressive Integrated Moving Average ARIMA. Result show that ARIMA without an outlier was the best model for predicting Consumer Price Index CPI of Probolinggo City for the next 8 months. This model shows the value of MAPE is . The value of forecasting results in each month has decreased and increased not so significantly where in May 2022 the forecasting value was 108,391 then in June 2022 the forecasting value became 108,411 and so on until December 2022 the forecasting results using ARIMA model of 107,845.... Adanya penelitian ini berkaitan dengan harga emas pada masa pandemi Anggraeni et al., 2020, tinjauan dari segi waktu investasi dimasa pandemi Suryani, 2021, dan kaitannya dengan tinjauan hukum islam Putra & Yusuf, 2020, Dalam penelitian yang sudah ada, kaitan yang menyinggung kajian kritis secara islam investasi emas dimasa pandemi sangatlah terbatas. ...Yana Dwi Christianti Iwan SuhastoRosyida Nurul AnwarThis study aims to see how the impact of the Covid 19 pandemic on investment activities, especially gold investment. The research method used is qualitative research using library research methods and documentation, the data used in this research is primary and secondary data. The subject of this study is the people who invested in gold during the pandemic. The results of this study are expected to provide an overview and input related to the development of gold investment in Indonesian society, which mostly adheres to Islam.... Selain itu, faktor non teknis lain seperti efek domino dari pandemi Covid-19 dan kebijakan yang diambil oleh pemerintah, yaitu harga emas menjadi faktor non teknis yang juga merupakan sinyal yang dapat menentukan reaksi investor Guler, 2020 dan Robiyanto, 2018. Anggraeni et al., 2020 menerangkan bahwa selama pandemi Covid-19 harga emas cenderung mengalami kenaikan. Kondisi demikian terjadi karena ad anya dampak pandemi yang menimbulkan kecemasan sehingga mendorong terjadinya panic buying terhadap emas, karena dinilai sebagai aset pelindung nilai Yousef & Shehadeh, 2020. ...Sarwindah SarwindahWidi Hidayat Siti Asiah MurniThis study aims to analyze the effect of Covid-19 which consists of the number of positive cases, the number of deaths, and the number of recoveries on stock price volatility through the mediating role of gold prices. The research population is a retail company listed on the Indonesia Stock Exchange with a research period from April 2020 to June 2021. The research sample was taken using purposive sampling, and analyzed using SEM PLS. The results of the analysis show that the number of positive cases has a significant negative effect on gold prices and the volatility of retail companies' stock prices. The number of deceased has a positive effect on the price of gold and the volatility of the stock price of retail companies. The number of recoveries has a positive effect on gold prices, but has no significant effect on stock price volatility. The mediating role explains that the price of gold has a mediating role on the effect of the number of positive cases and the number of deaths on stock price volatility, but does not have a mediating role on the effect of the number of recoveries on stock price volatility. Keywords Covid-19; Gold Prices; Stock Price Volatility; Retail ArdesfiraHazulil Fitriah ZedhaIin FazanaSamsul AnwarThe Rupiah exchange rate was immensely influential in maintaining the stability of the country's economy. The weakening of the rupiah exchange rate would have an impact on the national economy. Therefore, a forecast was needed to determine the exchange rate of the Rupiah in the future, especially against the US Dollar USD. This study aimed to predict the rupiah exchange rate against the USD in 2022 and 2023. The data employed were the rupiah exchange rate data against the USD from January 2001 to December 2021. The forecasting method utilized in this study was the Autoregressive Integrated Moving Average ARIMA method. The most suitable ARIMA model in forecasting the Rupiah exchange rate against USD was ARIMA 3,1,1. Forecasting results showed the Rupiah exchange rate weakened more significantly in 2022 and 2023, reaching IDR 14, and IDR 14, per USD, respectively, with the highest forecast limit reaching IDR 16, at the end of 2022 and IDR 17, at the end of 2023. The government needed preparing special policies in an effort to maintain the stability of the rupiah exchange rate in the ongoing COVID-19 pandemic has shaken the global financial system and caused great turmoil. Facing unprecedented risks in the markets, people have increasing needs to find a safe haven for their investments. Given that the nature of this crisis is a combination of multiple problems, it is substantially different from all other financial crises known to us. It is therefore urgent to re-evaluate the safe-haven role of some traditional asset types, namely, gold, cryptocurrency, foreign exchange and commodities. This paper introduces a sequential monitoring procedure to detect changes in the left-quantiles of asset returns, and to assess whether a tail change in the equity index can be offset by introducing a safe-haven asset into a simple mean-variance portfolio. The sample studied covers a training period between August–December 2019 and a testing period of December 2019–March 2020. Furthermore, we calculate the cross-quantilogram between pair-wise asset returns and compare their directional predictability on left-quantiles in both normal market conditions and the COVID-19 period. The main results show that the role of safe haven becomes less effective for most of the assets considered in this paper, while gold and soybean commodity futures remain robust as safe-haven assets during this pandemic. Mellyza SilvyNorma YuliantiBeing lack and ignorant of family financial management knowledge generally is due to being lack of investment and planning for the welfare of the family. The lack of such knowledge can lead to financial decisions every day. Therefore, experience in managing finance is neces- sary. Individual experiences is a learning process in managing financial and investment planning so that in making financial decisions every day can be focused and wiser. This study focuses on financial knowledge and experience as a measure of literacy that influences the attitudes and behavior of family financial investment planning in Surabaya. This study used questionnaires which were distributed to 380 respondents. The sampling method was pur- posive sampling, based on family income with a minimum income of Rp 2,000,000 per month. The results showed that knowledge in finance and financial experience affect the investment behavior of family financial planning, financial management attitudes moderating influence and strengthen the financial knowledge and experience does not moderate influence on the behavior of financial investment planning family finances. Lazim AbdullahTime series forecasting is an active research area that has drawn considerable attention for applications in a variety of areas. Auto-Regressive Integrated Moving Average ARIMA models are one of the most important time series models used in financial market forecasting over the past three decades but not very often used to forecast gold prices. This paper attempts to address the forecasting of gold bullion coin selling prices. The forecasting models ARIMAs are applied to forecast the gold bullion coin prices. The result suggests that ARIMA 2, 1, 2 is the most suitable model to be used for forecasting gold bullion coin prices. Closer examination suggests that the gold bullion coin selling prices are in upward trends and could be considered as a worthy Economic UncertaintyS BakerN BloomS DavisS TerryBaker, S., Bloom, N., Davis, S., & Terry, S. 2020. COVID-Induced Economic Uncertainty. National Bureau of Economic investasi emas jangka panjang melalui produk pembiayaan BSM cicil emas studi pada bank syariah mandiri Purwokerto. Islamadina Jurnal Pemikiran IslamA FauziahM E SuryaFauziah, A., & Surya, M. E. 2016. Peluang investasi emas jangka panjang melalui produk pembiayaan BSM cicil emas studi pada bank syariah mandiri Purwokerto. Islamadina Jurnal Pemikiran Islam, 161, data harga emas dunia, runtun tersuai dan prediksi harga emas dunia during the COVID-19 pandemicGambar 6. Plot data harga emas dunia, runtun tersuai dan prediksi harga emas dunia during the COVID-19 pandemic. International Review of Financial Analysis, 71April, 101526. 1526 Rahmawati, Wahyuningsih, S., & Syaripuddin. 2019. Peramalan laju produksi minyak bumi provinsi kalimantan timur menggunakan metode dca dan arima. Journal of Statistical Application and Computational Statistics, 11 No 1, Analisa Runtun WaktuD RosadiRosadi, D. 2006. Pengantar Analisa Runtun Waktu. Universitas Gadjah Mada. Rosadi, D. 2011.Ekonometrika Teori dan Aplikasi untuk Ekonomi dan Bisnis. EkonisiaA WidarjonoWidarjono, A. 2007. Ekonometrika Teori dan Aplikasi untuk Ekonomi dan Bisnis. Ekonisia.