Aktivitas perdagangan saham menghasilkan data historis dalam jumlah besar dengan karakteristik yang dinamis dan kompleks, sehingga proses analisis manual menjadi menantang dan sulit untuk memprediksi fluktuasi harga penutupan (Close) secara akurat. Banyak investor memerlukan informasi prediksi berbasis data historis untuk mendukung keputusan investasi. Penelitian ini menerapkan algoritma Regresi Linear Berganda berbasis lagging features (dua hari perdagangan sebelumnya/periode � − 2 dan � − 1) pada sistem prediksi harga saham Bank Rakyat Indonesia (BRI) berbasis web. Penelitian ini menggunakan metode eksperimen kuantitatif dengan dataset historis saham BRI periode 2020–2025 sebanyak 1.445 data perdagangan bersih. Data dibagi menjadi data latih dan data uji menggunakan sequential split tanpa pengacakan (shuffle = False) pada lima skenario rasio (90:10, 80:20, 70:30, 60:40, dan 50:50). Kinerja model dievaluasi secara komprehensif menggunakan Mean Absolute Percentage Error (MAPE) dan Koefisien Determinasi (�2) sebagai kriteria keputusan utama untuk mengukur kelayakan akurasi relatif dan kemampuan model dalam memetakan variabilitas data bursa, serta Mean Absolute Error (MAE) dan Root Mean Square Error (RMSE) sebagai metrik validasi pendukung galat nominal Rupiah. Hasil pengujian menunjukkan bahwa skenario 50:50 terpilih sebagai model paling optimal karena menghasilkan nilai akurasi relatif terbaik dengan MAPE terendah sebesar 1,6820% yang tergolong dalam kategori prediksi sangat akurat karena berada jauh di bawah ambang batas 10%, serta nilai �2 tertinggi sebesar 0,9792. Evaluasi pendukung membuktikan model tetap memiliki kendali galat nominal yang baik dengan nilai MAE sebesar 77,0202 dan RMSE sebesar 102,6369 meskipun diuji pada rentang data historis yang sangat panjang. Model optimal tersebut berhasil diintegrasikan ke dalam antarmuka website berbasis Streamlit untuk menyajikan prediksi interaktif. Penelitian menyimpulkan bahwa algoritma Regresi Linear Berganda terbukti andal dalam menjelaskan variasi tren harga saham serta sangat layak digunakan sebagai acuan dasar (baseline) sistem pendukung keputusan investasi.