Saham merupakan salah satu objek investasi yang menjanjikan yang ditandai dengan jumlah tertinggi perdagangan saham pada Februari 2017 dan meningkatnya jumlah investor baru sebesar 23,47% pada tahun 2016. Namun harga saham yang fluktuatif (berubah-ubah) membuat harga saham perlu untuk diprediksi agar mendapatkan keuntungan. Support Vector Regression (SVR) adalah salah satu metode untuk memprediksi data time series seperti harga saham. Namun parameter SVR perlu untuk dioptimalkan agar mendapatkan hasil yang akurat. Algoritma Particle Swarm Optimization (PSO) dan algoritma Weight Attribute Particle Swarm Optimization (WAPSO) diimplementasikan untuk mengetahui algoritma mana yang lebih baik dalam mengoptimasi parameter SVR dan untuk mengetahui pengaruh weight attribute dalam optimasi parameter SVR. Implementasi SVR, SVR-PSO dan SVR-WAPSO dilakukan pada tiga data saham yakni saham TLKM, saham BBRI, dan saham ADRO. Hasil dari penelitian ini yaitu algortima SVR mendapatkan akurasi 79,02493% (TLKM), 67,83047% (BBRI) dan 88,94952% (ADRO). Pada algoritma SVR-PSO diperoleh akurasi sebesar 98,64916% (TLKM), 98,32181% (BBRI)  dan 97,90267% (ADRO). Akurasi pada algoritma SVR-WAPSO adalah 98,64921% (TLKM), 98,32496% (BBRI)  dan 97,89889% (ADRO). Hasil uji hipotesis menunjukkan adanya pengaruh weight attribute dalam meningkatkan rata-rata nilai fitness partikel.