Memprediksi harga saham telah menjadi subjek penelitian yang luas dalam beberapa tahun terakhir. Sifat yang sangat fluktuatif dari pergerakan harga saham menjadi tantangan dalam penelitian ini. Penelitian ini bertujuan untuk membandingkan metode DWT-LSTM dan LSTM pada prediksi harga saham. Penelitian ini berfokus pada data historis selama 5 tahun terakhir pada 5 data saham yaitu BBCA, ASDM, ADRO, ELSA, KLBF, dan PEHA. 5 Buah indikator digunakan dalam tahap pengujian diantaranya adalah wavelet type, threshold, batch-size, epoch dan jumlah unit. Berdasarkan hasil pengujian indikator tersebut, model terbaik untuk setiap data saham. Model terbaik pada saham BBCA menggunakan DWT-LSTM dengan kombinasi wavelet db4, threshold 0.004, 32 batch-size, 50 epoch dan 50 unit dengan RMSE 49.585, MAE 38.431, dan MAPE 0.396. Pada saham ASDM, model terbaik menggunakan DWT-LSTM dengan kombinasi wavelet db4, threshold 0.004, 32 batch-size, 100 epoch, dan 50 unit dengan RMSE 5.882, MAE 5.312, dan MAPE 1.113. Model terbaik saham ADRO dihasilkan menggunakan LSTM murni dengan kombinasi 32 batch-size, 50 epoch dan 50 unit dengan RMSE 6.761, MAE 5.492, dan MAPE 1.103. Model terbaik pada saham ELSA menggunakan DWT-LSTM dengan kombinasi wavelet haar, threshold 0.005, 16 batch-size, 100 epoch dan 20 unit dengan RMSE 10.562, MAE 7.569, dan MAPE 1.837. Model terbaik pada saham KLBF menggunakan DWT-LSTM dengan kombinasi wavelet haar, threshold 0.005, 16 batch-size, 100 epoch dan 20 unit dengan nilai RMSE, MAE, dan MAPE sebesar 3.179, 2.701, dan 0.169. Model terbaik pada saham PEHA menggunakan DWT-LSTM dengan kombinasi wavelet haar, threshold 0.004, 16 batch-size, 100 epoch dan 50 unit dengan nilai RMSE, MAE, dan MAPE adalah 2.532, 2.485, dan 0.439. Dari hasil pengamatan didapati bahwa pada prediksi harga saham metode DWT-LSTM lebih unggul dibandingkan dengan metode LSTM