GoldSight

Sistem Analisis Tren, Prediksi, dan Rekomendasi Harga Emas Berbasis Web Service & Machine Learning

GoldSight adalah aplikasi web full-stack yang menyediakan analisis real-time, prediksi harga, dan rekomendasi investasi emas ANTAM berbasis machine learning. Sistem ini secara otomatis mengambil data harga emas harian, melatih model prediksi, dan menyajikan insight kepada pengguna melalui dashboard interaktif.

Fitur Utama

Fitur	Deskripsi
Analisis Real-Time	Monitoring harga emas live dengan filter berdasarkan berat (0.5g – 5g)
Moving Average	Kalkulasi MA7 & MA14 dengan indikator tren (Bullish / Bearish / Sideways)
Prediksi Harga	Prediksi harga hingga 14 hari ke depan menggunakan model ML
Rekomendasi Investasi	Sinyal BUY / SELL / HOLD otomatis berbasis aturan + konfirmasi MA
Visualisasi Chart	Grafik interaktif perbandingan harga aktual vs prediksi
Background Scheduler	Pengambilan data & pembuatan prediksi otomatis setiap 24 jam

Arsitektur Sistem

┌──────────────────────────────────────────────────────────┐
│              FRONTEND (React + Vite + Nginx)              │
│                                                            │
│   ┌─────────────────────┐   ┌─────────────────────────┐  │
│   │  Tab: Real-Time     │   │  Tab: Prediksi           │  │
│   │  • Harga live       │   │  • Pilih tanggal         │  │
│   │  • MA7 & MA14       │   │  • Hasil prediksi        │  │
│   │  • Status tren      │   │  • Rekomendasi BUY/SELL  │  │
│   │  • Chart aktual vs  │   │  • Chart proyeksi        │  │
│   │    prediksi         │   │                          │  │
│   └─────────────────────┘   └─────────────────────────┘  │
└───────────────────────┬──────────────────────────────────┘
                        │ REST API (JSON)
                        ▼
┌──────────────────────────────────────────────────────────┐
│               BACKEND (Python FastAPI + Uvicorn)          │
│                                                            │
│  API Routes:                                               │
│  • GET  /gold-prices/         → Harga emas terkini        │
│  • GET  /predictions/         → Data prediksi             │
│  • GET  /predictions/validation → Aktual vs prediksi      │
│  • GET  /recommendations/     → Sinyal BUY/SELL/HOLD      │
│  • POST /predict/custom/      → Prediksi tanggal custom   │
│  • GET  /admin/scheduler-status                           │
│  • POST /admin/run-pipeline                               │
│  • POST /admin/run-predict                                │
│                                                            │
│  ML Prediction Engine:                                     │
│  • Feature Engineering (lag, MA, momentum, trend)         │
│  • Daily Model: LinearRegression (hari 1–20)              │
│  • Weekly Model: XGBRegressor (hari 7, 14, 21)            │
│  • Iterative Forecasting (21 hari ke depan)               │
│                                                            │
│  Background Scheduler (APScheduler):                       │
│  • gold_pipeline  → Ambil harga dari API eksternal        │
│  • gold_predict   → Generate prediksi 21 hari             │
└───────────────────────┬──────────────────────────────────┘
                        │
        ┌───────────────┴───────────────┐
        ▼                               ▼
┌──────────────────┐         ┌─────────────────────┐
│  PostgreSQL DB   │         │  External API        │
│  (Railway)       │         │  emas.maulanar...   │
│                  │         │                      │
│  • gold_prices   │         │  Harga ANTAM:        │
│  • predictions   │         │  Brand, Berat, IDR  │
│  • recommendations│        └─────────────────────┘
└──────────────────┘

Teknologi & Tools

Backend

Teknologi	Versi	Kegunaan
Python	3.11	Runtime utama
FastAPI	Latest	Web framework & REST API
Uvicorn	Latest	ASGI server
PostgreSQL	Latest	Database relasional
psycopg2-binary	Latest	Driver koneksi PostgreSQL
Scikit-learn	Latest	Model LinearRegression
XGBoost	Latest	Model XGBRegressor
Pandas	Latest	Manipulasi & analisis data
NumPy	Latest	Komputasi numerik
APScheduler	Latest	Background job scheduler
Requests	Latest	HTTP client ke API eksternal
python-dotenv	Latest	Manajemen environment variables

Frontend

Teknologi	Versi	Kegunaan
React	19.2.5	UI framework
Vite	8.0.10	Build tool & dev server
Tailwind CSS	4.2.4	Utility-first CSS framework
Recharts	3.8.1	Library chart interaktif
PostCSS	8.5.13	CSS processor
Autoprefixer	10.5.0	Vendor prefix otomatis
ESLint	10.2.1	Linting kode JavaScript

Infrastructure & DevOps

Teknologi	Kegunaan
Docker	Containerisasi aplikasi (multi-stage build)
Docker Compose	Orkestrasi container lokal
Nginx (Alpine)	Web server untuk serve React SPA di production
Railway	Cloud platform deployment (backend, frontend, database)

Alur Aplikasi

1. Data Pipeline (Background, tiap 24 jam)

APScheduler trigger
    ↓
gold_pipeline.py:
    Fetch GET emas.maulanar.my.id/api/prices
    ↓
    Filter: brand=ANTAM, resource=galeri24
           weight ∈ {0.5, 1, 2, 3, 5} gram
    ↓
    UPSERT ke tabel gold_prices
    (ON CONFLICT DO UPDATE)
    ↓
    Log ke logs/pipeline_log.txt

2. Prediction Generation (Background, tiap 24 jam)

APScheduler trigger
    ↓
gold_predict.py:
    Untuk setiap weight (0.5, 1, 2, 3, 5):
        Load historical prices dari DB
        ↓
        Untuk hari 1 s/d 21:
            Build feature vector:
              [weight, lag_1, lag_3, lag_7,
               ma_7, ma_14, rolling_std_7,
               momentum, trend_strength, day_of_week]
            ↓
            Pilih model:
              • Hari 7, 14, 21 → XGBRegressor (weekly)
              • Lainnya        → LinearRegression (daily)
            ↓
            Predict price delta → hitung predicted_price
            ↓
            Hitung sinyal MA (bullish/bearish/neutral)
            ↓
            Generate rekomendasi:
              delta_pct >  1.5% → BUY
              delta_pct < -1.5% → SELL
              delta_pct ±  0.5% → HOLD
              (dikonfirmasi dengan sinyal MA)
            ↓
            INSERT ke tabel predictions & recommendations
            ↓
            Append prediksi ke data historis (iterative)

3. Analisis Real-Time (Frontend → Backend)

User buka halaman → pilih berat emas
    ↓
Frontend fetch:
    GET /gold-prices/              → harga historis
    GET /predictions/validation    → validasi aktual vs prediksi
    ↓
Frontend proses:
    Hitung MA7 & MA14
    Tentukan tren (Bullish / Bearish / Sideways)
    ↓
Tampilkan:
    • Harga terkini
    • Card MA7, MA14
    • Badge status tren
    • LineChart aktual vs prediksi
    • Ringkasan analisis otomatis

4. Prediksi Custom (Frontend → Backend)

User pilih tanggal (1–14 hari ke depan) → klik "Analisis Sekarang"
    ↓
POST /predict/custom/ { weight: 1, target_date: "DD-MM-YYYY" }
    ↓
Backend:
    Parse & validasi tanggal (max 14 hari ke depan)
    ↓
    Query predictions table untuk target_date
    ↓
    Ambil harga terkini dari gold_prices
    ↓
    Hitung: delta = predicted - current
            delta_pct = (delta / current) × 100
    ↓
    Fetch chart_data (semua prediksi dari hari ini → target_date)
    ↓
    Return JSON response
    ↓
Frontend tampilkan:
    • Harga saat ini vs prediksi
    • Selisih harga + persentase
    • Badge rekomendasi BUY / SELL / HOLD
    • LineChart proyeksi perjalanan harga

Struktur Direktori

Goldsight/
├── docker-compose.yml          # Orkestrasi container lokal
│
├── backend/
│   ├── app/
│   │   ├── main.py             # Entry point FastAPI, lifespan scheduler
│   │   ├── database.py         # Koneksi PostgreSQL + retry logic
│   │   ├── prediction.py       # Load model & feature engineering
│   │   ├── recommendation.py   # Rule-based recommendation engine
│   │   └── routes/
│   │       ├── gold_price_routes.py       # GET /gold-prices/
│   │       ├── prediction_routes.py       # GET /predictions/
│   │       ├── custom_prediction_routes.py # POST /predict/custom/
│   │       └── recommendation_routes.py   # GET /recommendations/
│   ├── scheduler/
│   │   ├── gold_pipeline.py    # Fetch harga dari API eksternal
│   │   └── gold_predict.py     # Generate prediksi 21 hari
│   ├── pkl_output/
│   │   ├── champion_daily_LinearRegression.pkl
│   │   └── champion_weekly_XGBRegressor.pkl
│   ├── .env                    # Konfigurasi DB & API key
│   ├── Dockerfile
│   └── requirements.txt
│
└── frontend/
    ├── src/
    │   ├── main.jsx            # React entry point
    │   ├── App.jsx             # Shell utama + tab routing (state-based)
    │   ├── pages/
    │   │   ├── RealTime.jsx    # Halaman analisis real-time
    │   │   └── Prediction.jsx  # Halaman prediksi custom
    │   ├── components/
    │   │   └── layout/
    │   │       ├── Header.jsx  # Navigasi tab
    │   │       └── Footer.jsx  # Footer branding
    │   └── services/
    │       └── api.js          # API client layer
    ├── nginx.conf              # Konfigurasi Nginx production
    ├── Dockerfile              # Multi-stage build (Node → Nginx)
    ├── vite.config.js
    └── package.json

Skema Database

Tabel `gold_prices`

id           SERIAL PRIMARY KEY
brand        VARCHAR          -- "ANTAM"
resource     VARCHAR          -- "galeri24"
weight       NUMERIC          -- 0.5 | 1 | 2 | 3 | 5 (gram)
sell_price   NUMERIC          -- Harga jual (IDR)
buyback_price NUMERIC         -- Harga buyback (IDR)
updated_at   DATE             -- Tanggal harga
UNIQUE (brand, resource, weight, updated_at)

Tabel `predictions`

id               SERIAL PRIMARY KEY
prediction_date  DATE          -- Tanggal prediksi dibuat
target_date      DATE          -- Tanggal yang diprediksi
weight           NUMERIC       -- Berat emas
predicted_price  NUMERIC       -- Harga prediksi (IDR)
predicted_delta  NUMERIC       -- Selisih dari harga terakhir
model_version    VARCHAR       -- "daily_linear_v1" | "weekly_xgb_v1"
created_at       TIMESTAMP
UNIQUE (weight, prediction_date, target_date)

Tabel `recommendations`

id                  SERIAL PRIMARY KEY
prediction_id       INTEGER REFERENCES predictions(id)
recommendation_type VARCHAR      -- "BUY" | "SELL" | "HOLD"
created_at          TIMESTAMP

API Endpoints

Method	Endpoint	Deskripsi
`GET`	`/`	Health check
`GET`	`/gold-prices/`	Ambil 100 data harga terkini
`GET`	`/predictions/`	Semua prediksi tersimpan
`GET`	`/predictions/validation?weight={w}`	Data aktual vs prediksi untuk validasi
`GET`	`/recommendations/`	Semua rekomendasi + prediksi terkait
`POST`	`/predict/custom/`	Prediksi untuk tanggal & berat tertentu
`GET`	`/admin/scheduler-status`	Status job scheduler
`POST`	`/admin/run-pipeline`	Trigger manual pengambilan data
`POST`	`/admin/run-predict`	Trigger manual pembuatan prediksi

Contoh Request — Custom Prediction:

POST /predict/custom/
{
  "weight": 1,
  "target_date": "15-06-2026"
}

Contoh Response:

{
  "weight": 1.0,
  "target_date": "2026-06-15",
  "last_price": 1625000,
  "predicted_price": 1648750,
  "predicted_delta": 23750,
  "delta_pct": 1.46,
  "recommendation": "HOLD",
  "chart_data": [
    { "tanggal": "2026-06-04", "prediksi": 1630000 },
    { "tanggal": "2026-06-05", "prediksi": 1635500 },
    ...
  ]
}

Machine Learning Pipeline

Feature Engineering

Setiap prediksi dibangun dari 10 fitur berikut:

Fitur	Deskripsi
`weight`	Berat emas dalam gram
`lag_1`	Harga t-1 (kemarin)
`lag_3`	Harga t-3 (3 hari lalu)
`lag_7`	Harga t-7 (7 hari lalu)
`ma_7`	Moving average 7 hari
`ma_14`	Moving average 14 hari
`rolling_std_7`	Standar deviasi 7 hari (volatilitas)
`momentum`	`lag_1 - lag_7` (arah pergerakan)
`trend_strength`	`lag_1 / ma_14` (kekuatan tren)
`day_of_week`	Hari dalam seminggu (0–6)

Model yang Digunakan

Model	File	Digunakan Pada
LinearRegression	`champion_daily_LinearRegression.pkl`	Hari 1–6, 8–13, 15–20
XGBRegressor	`champion_weekly_XGBRegressor.pkl`	Hari 7, 14, 21

Kedua model memprediksi price delta (selisih harga), bukan harga absolut.

Recommendation Engine

delta_pct > +1.5%  →  BUY  (harga diprediksi naik signifikan)
delta_pct < -1.5%  →  SELL (harga diprediksi turun signifikan)
-0.5% ≤ delta_pct ≤ +0.5%  →  HOLD (harga stabil)

Konfirmasi dengan sinyal MA:
  MA7 > MA14  →  Bullish  (perkuat BUY atau perlemah SELL)
  MA7 < MA14  →  Bearish  (perkuat SELL atau perlemah BUY)

Cara Menjalankan

Prasyarat

Docker & Docker Compose
Git

1. Clone Repository

git clone <repo-url>
cd Goldsight

2. Konfigurasi Environment

Buat file backend/.env:

DB_HOST=your_postgres_host
DB_PORT=5432
DB_NAME=railway
DB_USER=postgres
DB_PASSWORD=your_password
API_KEY=your_external_api_key

3. Jalankan dengan Docker Compose

docker-compose up --build

Aplikasi akan tersedia di:

Frontend: http://localhost:5173
Backend API: http://localhost:8000
API Docs: http://localhost:8000/docs

4. Jalankan Manual (Development)

Backend:

cd backend
pip install -r requirements.txt
uvicorn app.main:app --reload --host 0.0.0.0 --port 8000

Frontend:

cd frontend
npm install
npm run dev

Deployment

Aplikasi di-deploy ke Railway dengan arsitektur berikut:

Komponen	Platform	URL
Backend	Railway (Docker)	`https://goldsight-production.up.railway.app`
Frontend	Railway (Nginx)	Railway assigned domain
Database	Railway PostgreSQL	`interchange.proxy.rlwy.net:32670`

Build process frontend (multi-stage Docker):

Stage 1: node:22-alpine → npm run build → menghasilkan /dist
Stage 2: nginx:alpine → serve /dist sebagai static files

Lisensi

Proyek ini dikembangkan sebagai sistem pendukung keputusan investasi emas berbasis machine learning.

Name		Name	Last commit message	Last commit date
backend		backend
frontend		frontend
.gitignore		.gitignore
README.md		README.md
docker-compose.yml		docker-compose.yml

Navigation Menu

Repository navigation

About

Repository files navigation

GoldSight

Daftar Isi

Fitur Utama

Arsitektur Sistem

Teknologi & Tools

Backend

Frontend

Infrastructure & DevOps

Alur Aplikasi

1. Data Pipeline (Background, tiap 24 jam)

2. Prediction Generation (Background, tiap 24 jam)

3. Analisis Real-Time (Frontend → Backend)

4. Prediksi Custom (Frontend → Backend)

Struktur Direktori

Skema Database

Tabel `gold_prices`

Tabel `predictions`

Tabel `recommendations`

API Endpoints

Machine Learning Pipeline

Feature Engineering

Model yang Digunakan

Recommendation Engine

Cara Menjalankan

Prasyarat

1. Clone Repository

2. Konfigurasi Environment

3. Jalankan dengan Docker Compose

4. Jalankan Manual (Development)

Deployment

Lisensi

About

Releases

Packages

Contributors

Languages

Latest commit

History

Folders and files

Repository files navigation

GoldSight

Daftar Isi

Fitur Utama

Arsitektur Sistem

Teknologi & Tools

Backend

Frontend

Infrastructure & DevOps

Alur Aplikasi

1. Data Pipeline (Background, tiap 24 jam)

2. Prediction Generation (Background, tiap 24 jam)

3. Analisis Real-Time (Frontend → Backend)

4. Prediksi Custom (Frontend → Backend)

Struktur Direktori

Skema Database

Tabel gold_prices

Tabel predictions

Tabel recommendations

API Endpoints

Machine Learning Pipeline

Feature Engineering

Model yang Digunakan

Recommendation Engine

Cara Menjalankan

Prasyarat

1. Clone Repository

2. Konfigurasi Environment

3. Jalankan dengan Docker Compose

4. Jalankan Manual (Development)

Deployment

Lisensi

About

Resources

Stars

Watchers

Forks

Releases

Packages

Contributors

Languages

Tabel `gold_prices`

Tabel `predictions`

Tabel `recommendations`