Pasar modal, khususnya saham sektor perbankan seperti PT Bank Rakyat Indonesia (Persero) Tbk. (BBRI), sering kali menunjukkan volatilitas tinggi, sehingga membuat prediksi harga saham menggunakan metode konvensional menjadi sangat menantang. Tujuan penelitian ini adalah untuk meningkatkan keakuratan prediksi harga saham BBRI dengan mengintegrasikan arsitektur BiDirectional Long Short-Term Memory (Bi-LSTM) dan algoritma Particle Swarm Optimization (PSO). Salah satu tantangan utama dalam penerapan deep learning adalah penentuan kombinasi hyperparameter yang tepat. Oleh karena itu, PSO digunakan untuk mencari nilai optimal bagi parameter seperti ukuran tersembunyi, kecepatan pembelajaran, dan tingkat putus sekolah. Hasil penelitian menunjukkan bahwa PSO berhasil mengidentifikasi parameter optimal dengan learning rate sebesar 0.01000 danhidden size 96, yang memungkinkan model mencapai konvergensi pada epoch ke-29. Performa model yang dihasilkan menunjukkan akurasi yang baik dengan nilai Mean Absolute Percentage Error (MAPE) sebesar 1,32% dan Root Mean Squared Error (RMSE) sebesar 68,44. Kesimpulan dari penelitian ini menunjukkan bahwa penggunaan PSO dalam optimasi memberikan hasil yang cukup signifikan meningkatkan kemampuan Bi-LSTM dalam memodelkan Menggambarkan pola data waktu yang rumit, model ini bisa menjadi bantuan yang baik bagi investor dalam membuat keputusan investasi di pasar modal.