<![CDATA[Pasar saham yang dinamis dan kompleks dipengaruhi oleh informasi terkini mengenai internal emiten dan faktor eksternal. Fluktuasi harga yang tajam bisa menyebabkan keru-gian bagi investor. Peningkatan pesat data berita pasar mendo-rong penelitian tentang hubungan antara suatu berita yang berkaitan dengan emiten dan pergerakan harga sahamnya. Dengan perkembangan natural language processing dan deep learning, penelitian semakin tertuju pada prediksi pergerakan saham berdasarkan data teks seperti berita, yang sebelumnya dianggap sulit. Informasi emiten seperti pemahaman terhadap sektor, listing board, volume dan harga saham dapat membantu investor membuat keputusan yang lebih cerdas. Oleh karena itu, penelitian ini akan membahas mengenai prediksi perge-rakan harga saham berdasarkan integrasi judul berita dan informasi terkait emiten dengan tujuan mendapatkan model terbaik di antara metode Support Vector Machine (SVM), Long-Short Term Memory (LSTM), dan Gated Recurrent Unit (GRU) dan mengevaluasi kelayakannya untuk digunakan oleh investor. Analisis menemukan bahwa model SVM dapat mencapai akurasi 74,75% dan weighted f1-score 73,49%. Sementara itu, model LSTM dan GRU menunjukkan performa kurang mema-dai dengan akurasi masing-masing 53,77% dan 52,63% serta weighted f1-score 52,89% dan 52,57%. Hasil penelitian ini me-nyoroti kemampuan integrasi data berita dan informasi emiten dalam memprediksi pergerakan harga saham, dengan SVM sebagai model terbaik yang masih memerlukan penyempurnaan untuk meningkatkan kinerjanya.]]>
