Investasi emas merupakan aktivitas yang memiliki tingkat ketidakpastian tinggi akibat fluktuasi harga yang dipengaruhi oleh berbagai faktor global. Oleh karena itu, diperlukan sistem prediksi harga emas harian yang mampu membantu investor dan analis dalam memahami dinamika pergerakan harga, khususnya pada perusahaan pialang seperti PT Agrodana Futures. Penelitian ini bertujuan untuk membandingkan kinerja beberapa model prediksi, yaitu AutoRegressive Integrated Moving Average with Exogenous Variables (ARIMAX), XGBoost, dan Random Forest, dalam memprediksi harga emas harian berdasarkan tingkat akurasinya. Data yang digunakan meliputi data historis harga emas harian berupa Open, High, Low, dan Close (OHLC) serta indeks dolar Amerika Serikat (DXY) sebagai variabel eksternal, dengan rentang waktu ±5 tahun yang diperoleh melalui API publik. Tahapan penelitian meliputi pembersihan data, penanganan data hilang, rekayasa fitur menggunakan lag (1, 3, 7, dan 14 hari), transformasi stasioner melalui differencing, serta penambahan indikator Exponential Moving Average (EMA100) sebagai fitur smoothing. Data kemudian dibagi menjadi data pelatihan dan pengujian secara kronologis. Evaluasi performa dilakukan menggunakan metrik Mean Absolute Error (MAE), Root Mean Square Error (RMSE), dan koefisien determinasi (R²). Hasil penelitian menunjukkan bahwa pemodelan langsung pada target perubahan harga harian (ΔClose) menghasilkan nilai R² yang rendah hingga negatif pada seluruh model, yang mengindikasikan bahwa volatilitas harian harga emas bersifat sangat noisy dan sulit diprediksi secara konsisten. Namun, penambahan indikator EMA100 sebagai fitur smoothing mampu meningkatkan stabilitas prediksi yang tercermin dari penurunan nilai MAE dan RMSE dibandingkan skenario differencing tanpa smoothing. Secara visual, hasil rekonstruksi harga menunjukkan bahwa model mampu mengikuti arah tren pergerakan harga aktual meskipun akurasi numerik pada ruang return masih terbatas. Temuan ini menegaskan bahwa pendekatan differencing yang dikombinasikan dengan smoothing lebih sesuai untuk analisis prediksi jangka pendek dalam konteks Business Intelligence dibandingkan prediksi return murni tanpa filter sinyal.