Penelitian ini berfokus pada prediksi return saham menggunakan metode K-Medoids clustering dan model Long Short-Term Memory (LSTM). Masalah utama adalah memprediksi harga saham yang dikonversikan menjadi prediksi return, di mana dilakukan clustering untuk mengelompokkan saham dengan pergerakan harga yang serupa, yang bermanfaat dalam mempersiapkan data untuk training model LSTM dilakukan sekali pada setiap cluster. Masalah ini penting untuk membantu investor membuat keputusan investasi yang lebih baik dengan memanfaatkan prediksi pada cluster saham tertentu. Melalui clustering menggunakan K-Medoids berdasarkan rata-rata return dan standar deviasi return, model LSTM dilatih untuk memprediksi return harian pada setiap saham dalam cluster yang berbeda menggunakan rata-rata harga saham di setiap cluster. Data dibagi menjadi data training (2013- 2019) dan data testing (2020-2022), dengan evaluasi model menggunakan Root Mean Square Error (RMSE). Hasil implementasi menunjukkan kinerja prediksi diukur dengan RMSE untuk tiap cluster, dimana Cluster 3 menunjukkan kinerja terbaik dengan RMSE testing sebesar 0.0300, sementara Cluster 4 memiliki kinerja terburuk dengan RMSE sebesar 0.3995. Pada pembentukan portofolio equal weight, yang diuji dari Mei 2020 hingga Januari 2023, mencatat pertumbuhan nilai portofolio dari 1 menjadi 2.50, rata-rata return sebesar 0.0014, dan standar deviasi return sebesar 0.0158, menunjukkan potensi keuntungan dengan risiko yang lebih rendah dibandingkan indeks LQ45.