Penelitian ini bertujuan untuk membandingkan performa metode Long Short Term Memory (LSTM) dan Gated Recurrent Unit (GRU). Model prediksi ini diimplementasikan pada aplikasi berbasis web yang dirancang untuk mengakses data secara real-time melalui API yfinance. Penelitian dilakukan melalui tahapan pengumpulan data, normalisasi, pengembangan model, hingga evaluasi menggunakan Mean Absolute Percentage Error (MAPE) sebagai metrik utama. Dengan menggunakan data contoh dalam memprediksi harga saham yaitu menggunakan data historis dari saham-saham perbankan terkemuka di Indonesia (BBRI, BBCA, BBNI, dan BMRI). Hasil penelitian menunjukkan bahwa model GRU umumnya memiliki tingkat akurasi yang lebih tinggi dibandingkan dengan LSTM pada sebagian besar saham yang diuji, dengan MAPE rata-rata yang lebih rendah. Misalnya, pada saham BBRI, GRU mencatat MAPE sebesar 1.77% dibandingkan LSTM sebesar 2.56 %. Namun, pada saham BBCA, LSTM memberikan hasil yang lebih akurat dengan MAPE sebesar 1.88% dibandingkan GRU sebesar 2.47%. Implementasi berbasis web menunjukkan potensi besar dalam mempermudah analisis harga saham secara real-time bagi para investor. Penelitian ini memberikan kontribusi dalam pengembangan model prediksi harga saham berbasis deep learning dan aplikasi berbasis web, serta memberikan wawasan bagi investor untuk pengambilan keputusan investasi yang lebih informatif.
Kata kunci; Prediksi Harga Saham;LSTM;GRU;Deep Learning