Prediksi harga saham dengan metode machine learning mampu mencapai akurasi tinggi dalam menangkap pola nonlinier pada data deret waktu yang kompleks, namun model deep learning seperti Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU) sering dianggap sebagai black box karena sulit dijelaskan faktor-faktor yang memengaruhi hasil prediksi. Penelitian ini menerapkan model GRU, LSTM, dan kombinasi GRU-LSTM untuk memprediksi harga saham Tesla, Inc. (TSLA) menggunakan data historis harga saham dan komoditas seperti minyak bumi, nikel, kobalt, dan litium. Hasil evaluasi menunjukkan bahwa model GRU-LSTM memiliki performa terbaik dengan nilai Root Mean Squared Error (RMSE) sebesar 0.3342, Mean Absolute Error (MAE) sebesar 0.267, dan koefisien determinasi (R2R^2R2) sebesar 0.8883. Melalui penerapan metode Local Interpretable Model-agnostic Explanations (LIME), diperoleh bahwa harga minyak bumi dan nikel pada periode sebelumnya memberikan kontribusi signifikan terhadap pergerakan harga saham TSLA, sehingga model GRU-LSTM tidak hanya memberikan akurasi terbaik, tetapi juga meningkatkan transparansi dan pemahaman terhadap faktor-faktor yang memengaruhi hasil prediksi.