<![CDATA[Pertumbuhan investor baru di Indonesia meningkat pesat dalam beberapa tahun terakhir, terutama dari kalangan muda. Namun, keterbatasan pengetahuan mengenai analisis teknikal membuat banyak investor berisiko mengambil keputusan berdasarkan spekulasi, terutama pada saham sektor pertambangan yang dikenal memiliki volatilitas tinggi. Penelitian ini bertujuan membangun dan membandingkan performa tiga model deep learning seperti Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), dan Bidirectional GRU (BiGRU) dalam memprediksi harga penutupan saham subsektor logam. Data historis harian empat saham emiten pertambangan, yaitu BRMS, MDKA, ARCI, dan AMMN, dikumpulkan dari Yahoo Finance dengan rentang 2015–2024. Data melalui tahapan praproses, normalisasi Min-Max, serta pembentukan sekuensial menggunakan window size tujuh hari sebelum dibagi menjadi data latih (76,5%), validasi (8,5%), dan uji (15%). Evaluasi dilakukan menggunakan metrik RMSE, MAE, dan MSE. Hasil penelitian menunjukkan bahwa panjang data historis sangat memengaruhi tingkat akurasi model; saham dengan jumlah data lebih banyak (BRMS dan MDKA) menghasilkan prediksi yang lebih baik dibandingkan saham dengan data terbatas (ARCI dan AMMN). Secara keseluruhan, GRU menunjukkan performa paling stabil pada sebagian besar saham, sedangkan BiGRU dan LSTM unggul pada dataset tertentu. Temuan ini membuktikan bahwa deep learning dapat digunakan sebagai alat bantu prediksi harga saham, namun kualitas data historis menjadi faktor yang menentukan keberhasilan model.]]>
