Pasar modal memiliki peran penting dalam perekonomian sebagai sarana penghimpunan dana jangka panjang dan wadah investasi. Namun, pergerakan harga saham bersifat fluktuatif dan memiliki pola hubungan yang tidak linear (non-linear) sehingga sulit diprediksi menggunakan pendekatan statistik konvensional. Perkembangan teknologi deep learning memberikan alternatif metode yang mampu mengenali pola kompleks pada data keuangan. Penelitian ini bertujuan untuk membangun model Convolutional Neural Network (CNN) dan Convolutional Neural Network-Bidirectional Long Short-Term Memory (CNN-BiLSTM) untuk memprediksi harga saham PT Bank Syariah Indonesia Tbk. (BRIS) di Bursa Efek Indonesia. Tahapan penelitian meliputi pengumpulan data historis, pra-pemrosesan menggunakan normalisasi Min-Max, pembagian data berbasis waktu, perancangan arsitektur model, proses pelatihan, serta evaluasi menggunakan metrik RMSE, MAE, R², dan NRMSE. Selain itu, penelitian ini juga menguji pengaruh variasi rasio pembagian data training dan data testing yaitu 90:10, 80:20, 70:30, 60:40, dan 50:50. Hasil penelitian menunjukkan bahwa pada model CNN, rasio terbaik diperoleh pada rasio 60:40 dengan nilai RMSE sebesar 104,0251, MAE sebesar 72,3209, R² sebesar 0,9693, serta NRMSE sebesar 4,84%. Sementara itu, model CNN-BiLSTM menghasilkan kinerja terbaik pada rasio 50:50 dengan nilai RMSE sebesar 95,7670, MAE sebesar 65,4911, R² sebesar 0,9746, serta NRMSE sebesar 4,76%. Hasil tersebut menunjukkan bahwa model CNN-BiLSTM mampu menghasilkan performa prediksi yang lebih baik dibandingkan model CNN berdasarkan nilai RMSE, MAE, dan NRMSE yang lebih rendah serta nilai R² yang lebih tinggi, sehingga model ini menjadi model yang paling optimal dalam memprediksi harga saham BRIS pada penelitian ini.