Penelitian ini menyelidiki integrasi analisis sentimen dan data historis untuk meningkatkan akurasi prediksi return saham Indeks Harga Saham Gabungan (IHSG) menggunakan model Long Short-Term Memory (LSTM). Dataset mencakup periode 3 Januari 2014 hingga 6 Agustus 2024, terdiri dari 2.647 observasi harian yang diperkaya dengan skor sentimen yang diambil dari lebih dari 10.000 artikel berita Kompas.com. Analisis sentimen dilakukan menggunakan model berbasis Large Language Model (LLM) yaitu ChatGPT, yang mengklasifikasikan sentimen menjadi kategori Positif, Netral, dan Negatif, kemudian diintegrasikan sebagai fitur prediktif.Lima skenario pengintegrasian data sentimen dievaluasi, dengan Skenario 2 (urutan skor sentimen masa lalu) menghasilkan kinerja terbaik. Secara spesifik, skenario ini mencapai nilai Mean Absolute Error (MAE) dan Root Mean Square Error (RMSE) terendah dalam berbagai metrik: 36,4570 dan 47,5527 untuk prediksi Return Absolut, 0,005209 dan 0,006804 untuk prediksi Return Relatif, serta 50.725 dan 65.653 untuk prediksi Harga Penutupan. Temuan ini menegaskan peran signifikan data sentimen secara berurutan dalam meningkatkan akurasi prediksi, serta memberikan rekomendasi praktis bagi investor untuk memanfaatkan analisis sentimen dalam pengambilan keputusan yang lebih tepat di pasar IHSG.