Pasar saham merupakan salah satu faktor penting dalam merepresentasikan kondisi ekonomi suatu negara. Oleh karena itu, model prediksi diperlukan dalam melakukan analisis pergerakan nilai saham ke depannya. Penelitian ini menggunakan beberapa arsitektur seperti Elman, Long Short-Term Memory (LSTM), dan Gate Recurrent Unit (GRU) yang dikenal mampu mengatasi data non-linear. Namun yang menjadi permasalahan adalah bagaimana menentukan strategi melakukan konfigurasi parameter yang tepat. Kesalahan penentuan strategi dapat mengakibatkan pemborosan waktu dan sumber daya. Penelitian ini bertujuan membandingkan Genetic Algorithm (GA) dan gridsearch dari sisi kinerja dan waktu komputasi yang dibutuhkan. Arsitektur Elman melalui optimasi GA (Elman-GA) memiliki Root Mean Squared Error (RMSE) sebesar 165,33 dan arsitektur Elman melalui gridsearch (Elman-GS) menghasilkan 154,47. Dari segi waktu komputasi, Elman-GA jauh lebih cepat dengan membutuhkan 4874,51 detik sementara Elman-GS membutuhkan 7148,7 detik. Arsitektur LSTM melalui optimasi GA (LSTM-GA) memiliki RMSE sebesar 113,36 sementara LSTM melalui gridsearch (LSTM-GS) menghasilkan RMSE sekitar 111,94. Waktu komputasi LSTM-GA juga lebih cepat karena hanya 8733,86 detik sementara LSTM-GS membutuhkan 16537,42 detik. Arsitektur GRU melalui optimasi GA (GRU-GA) memiliki RMSE sebesar 120,19 dan arsitektur GRU melalui gridsearch (GRU-GS) menghasilkan RMSE sekitar 121,35. Dari segi waktu komputasi, GRU-GA jauh lebih cepat karena hanya membutuhkan 6996,62 detik sementara GRU-GS membutuhkan 19826,86 detik.