<![CDATA[Stock price prediction is crucial for supporting informed investment decisions due to the high volatility of stock prices. One of the key challenges in deep learning–based stock price prediction is determining the right hyperparameters. This research aimed to assess whether hyperparameter tuning with Optuna can enhance the N-BEATS model performance for predicting the stock price of PT Bank Central Asia Tbk. Historical stock price data were used and chronologically divided into training, validation, and testing sets. The efficacy of the models was measured using MAPE, RMSE, and R². The results showed that hyperparameter optimization using Optuna considerably enhanced the performance of N-BEATS, achieving a MAPE of 1.27%, which outperformed the standard N-BEATS model (1.44%) and the LSTM model (1.41%). This study proved that a systematic hyperparameter optimization approach can improve the performance of stock price forecasting models.Keyword: N-BEATS; Optuna; Stock; Predict; BBCA AbstrakPrediksi harga saham menjadi aspek penting dalam mendukung penentuan keputusan investasi karena fluktuasi harga saham yang tinggi. Salah satu tantangan utama dalam pemodelan prediksi harga saham berbasis deep learning adalah penentuan hyperparameter yang tepat. Penelitian ini bertujuan untuk mengevaluasi efektivitas optimasi hyperparameter menggunakan Optuna dalam meningkatkan kinerja model N-BEATS untuk prediksi harga saham PT Bank Central Asia Tbk. Data historis harga saham digunakan dan dibagi secara kronologis menjadi data latih, validasi, dan uji. Evaluasi kinerja akhir dilakukan menggunakan metrik MAPE, RMSE, dan R². Hasil penelitian menunjukkan bahwa optimasi hyperparameter dengan Optuna mampu meningkatkan kinerja N-BEATS dengan nilai MAPE sebesar 1.27% dibandingkan dengan N-Beats standar (MAPE 1.44%) dan LSTM (MAPE 1.41%). Penelitian ini menunjukkan bahwa pendekatan optimasi hyperparameter yang sistematis efektif dalam meningkatkan kinerja model prediksi harga saham. ]]>
