Dari segi potensinya, saham adalah salah satu pilihan investasi yang paling menguntungkan saat ini. Jika dilakukan dengan baik dan benar, saham bisa menjadi investasi yang sangat menguntungkan. Namun, harga saham yang bergejolak membuat kita perlu memprediksi harga saham untuk mendapatkan keuntungan. Gated Recurrent Unit (GRU) adalah salah satu metode untuk memprediksi data time series seperti harga saham. Metode optimasi diperlukan agar mendapatkan hasil prediksi yang akurat. Metode optimasi pembaharuan bobot seperti AdaGrad, RMSprop dan Adam diimplementasikan untuk mengetahui metode mana yang lebih baik dalam pembaharuan bobot pada Gated Recurrent Unit (GRU) dan untuk mengetahui nilai loss function terbaik yang dihasilkan metode optimasi AdaGrad, RMSprop dan Adam. Implementasi GRU-AdaGrad, GRU-RMSprop dan GRU-Adam dilakukan pada dua saham yakni saham ICBP dan saham YULE. Hasil dari penelitian ini yaitu pada data ICBP metode GRU-AdaGrad, GRU-RMSprop dan GRU-Adam menghasilkan nilai loss function masing-masing yaitu train loss 0,0020, 0,0016, dan 0,0016 serta validation loss 0,0008, 0,0008, dan 0,0007. Sedangkan pada data YULE menghasilkan nilai train loss 0,0052, 0,0051 dan 0,0051 serta validation loss 0,0031, 0,0032, dan 0,0031. MAPE yang dihasilkan pada data saham ICBP dengan metode GRU-AdaGrad, GRU-RMSprop dan GRU-Adam  masing-masing yaitu  1,25%, 0,93% dan 0,97%. Sedangkan pada data YULE yakni   3,98%, 3,36% dan 3,00%. Nilai MAPE tersebut bisa diterima untuk memprediksi harga saham yang harganya sering terjadi fluktuasi.