Saham merupakan instrumen keuangan yang paling diminati karena potensi return yang lebih tinggi dibandingkan instrumen lain di pasar modal Indonesia. Salah satu emiten yang aktif diperdagangkan adalah PT Bank Rakyat Indonesia (Persero) Tbk dengan kode saham BBRI. Peramalan harga saham memerlukan metode yang mampu mengenali pola historis dan memproses data sekuensial. Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU) merupakan model jaringan saraf yang dirancang untuk menangani data runtun waktu secara lebih baik dibandingkan jaringan saraf berulang sebelumnya. Penelitian ini bertujuan untuk membandingkan model LSTM dan GRU pada peramalan harga saham BBRI. Teknik grid search dan time series cross-validation digunakan untuk memperoleh kombinasi hyperparameter terbaik, mencakup window size, jumlah unit neuron, dan learning rate. Evaluasi model dilakukan menggunakan Mean Absolute Percentage Error (MAPE), Root Mean Squared Error (RMSE), dan mempertimbangkan waktu komputasi pada tahap hyperparameter tuning dengan ruang pencarian hyperparameter serta skema validasi yang digunakan pada kedua model dibuat identik. Model LSTM menghasilkan MAPE sebesar 1,29?n RMSE sebesar 73,51 dengan waktu tuning 2170,26 detik. Model GRU menghasilkan MAPE sebesar 1,5?n RMSE sebesar 79,13 dengan waktu tuning 1793,70 detik. Model LSTM menunjukkan akurasi yang lebih tinggi, sedangkan model GRU lebih efisien dalam waktu komputasi.