Penelitian ini berfokus pada prediksi harga saham yang akurat dan membandingkan kinerja dua model peramalan tingkat lanjut: Prophet dan Long Short-Term Memory (LSTM). Metode statistik tradisional sering kali gagal
mengenali tren kompleks dalam data harga saham. Penelitian ini menggunakan set data harga saham historis dan melatih model-model tersebut menggunakan 85% data. Model Prophet membagi data tanpa normalisasi, sedangkan LSTM
menggunakan normalisasi lebih lanjut. LSTM dioptimalkan menggunakan 3 fungsi aktivasi yang berbeda dan 3 optimasi yang berbeda. Model Prophet unggul dalam menangani musiman dan tren, sedangkan LSTM dengan pengoptimal
Adam dan fungsi aktivasi ReLU berkinerja baik dalam menangkap ketergantungan non-linear. Hasil penelitian menunjukkan bahwa LSTM memiliki tingkat kesalahan (MAPE) yang lebih kecil yaitu 6,08% dibandingkan dengan
tingkat kesalahan model Prophet sebesar 7,94%. Hal ini mengindikasikan bahwa model LSTM memiliki akurasi prediksi yang lebih baik dan dapat menjadi alat yang ampuh untuk analisis pasar keuangan dan keputusan investasi. Penelitian di
masa depan dapat mengeksplorasi pendekatan model hibrida yang menggabungkan kekuatan Prophet dan LSTM.

Kata Kunci: Prophet, LSTM, Prediksi, Saham