-Prediksi harga saham merupakan isu penting dalam investasi, selalu menarik perhatian investor publik dan akademisi untuk penelitian. Akan tetapi, fakta harga saham yang berfluktuasi dan tantangan bagi para analis untuk diprediksi. Nilai dari pergerakan saham bersifat dinamis dan tidak linier sehingga diperlukan metode khusus untuk model secara matematis. Dalam studi komparasi ini dilakukan untuk membandingkan algoritma Multilayer Perceptron (MLP) dan Support Vector Machine (SVM) untuk meramalkan/memprediksi indeks saham harian LQ45 khusus sektor perbankan BEI diambil dari delapan posisi teratas. Hasil pembobotan Bank Central Asia Tbk menempati posisi teratas dan selalu ada. Variabel prediksi dibedakan dalam tiga model, yaitu input 1 lag, 6 lag dan 10 lag. Dari berbagai model yang dapat dibentuk dengan arsitektur jaringan, fungsi aktivasi, jaringan metode pembelajaran yang berbeda pada Multilayer Perceptron (MLP) dan jenis SVR, fungsi kernel Support Vector Regression (SVR) persiapan dan pelaksanaan data dengan menghapus kecenderungan data varian time series (rentet waktu) diikuti oleh stabilisasi atau tidak, diperoleh 48 model untuk MLP dan 16 untuk SVR pada masing-masing model prediksi. Hasil empiris menunjukkan bahwa model Support Vector Regression (SVR) dengan 10 prediksi variabel lag memberikan akurasi peramalan yang terbaik dibandingkan dengan SVR model dengan variabel tertinggal dan prediksi 6 MLP model kedua model 6 lag dan 10 lag.