Prediksi pergerakan harga saham merupakan tantangan di dunia investasi karena sifatnya fluktuatif dan dipengaruhi berbagai faktor. Penelitian ini menggunakan Artificial Neural Network (ANN) untuk memprediksi pergerakan harga saham mingguan pada 19 perusahaan indeks LQ45. Data mencakup harga penutupan mingguan (Close) dan enam indikator rasio keuangan: EPS, ROA, ROE, P/B Value, P/E Ratio, dan DER. Pergerakan harga saham diklasifikasikan menjadi 1 (naik), 0 (stagnan), dan -1 (turun), berdasarkan tiga threshold perubahan harga (1%, 2%, 3%). Penelitian ini menerapkan Principal Component Analysis (PCA) untuk mengurangi noise dan meningkatkan performa model. Hasil menunjukkan threshold optimal adalah 2%, dengan akurasi dan F1-Score yang lebih baik. Model berbasis data historis menunjukkan performa terbaik dalam memprediksi pergerakan harga saham, dengan rata-rata akurasi mencapai 0,92. Sebaliknya, model yang mengintegrasikan rasio keuangan tanpa PCA memiliki akurasi lebih rendah sebesar 0,5 hingga 0,7. Hal ini menu