Peramalan harga saham merupakan tantangan kompleks akibat sifat pergerakan harga yang nonlinier dan dipengaruhi oleh berbagai faktor, sehingga sulit ditangkap oleh metode statistik konvensional. Pendekatan deep learning seperti Long Short-Term Memory (LSTM) dan Bidirectional Long Short-Term Memory (Bi-LSTM) digunakan karena mampu menangkap dependensi temporal jangka panjang dan pola nonlinier pada data deret waktu. Penelitian ini menganalisis pengaruh differencing sebagai teknik preprocessing terhadap kinerja model LSTM dan Bi-LSTM dalam meramalkan harga penutupan saham PT Garudafood Putra Putri Jaya Tbk (GOOD.JK) periode Januari 2021 hingga Januari 2026. Dataset terdiri dari 1.225 observasi, dengan 1.205 data latih dan 20 data uji. Empat model yang dibandingkan adalah LSTM-A, LSTM-B, Bi-LSTM-A, dan Bi-LSTM-B menggunakan Grid Search dan Sliding Window Cross-Validation sebanyak 46 fold dengan lookback window sebesar 5. Residual model dievaluasi menggunakan uji Ljung–Box untuk menilai kemampuan model dalam menangkap pola data. Pada Bi-LSTM-A, konfigurasi hyperparameter terbaik tidak memenuhi asumsi white noise sehingga digunakan konfigurasi terbaik kedua sebagai model final. Hasil pengujian menunjukkan bahwa LSTM-A menghasilkan MSE 14,927 dan MAE 3,168, sedangkan Bi-LSTM-A menghasilkan MSE 13,917 dan MAE 3,022. Kedua model tanpa differencing menunjukkan performa lebih baik dibandingkan model dengan differencing. Temuan ini menunjukkan bahwa differencing belum mampu meningkatkan performa prediksi pada penelitian ini.