Prediksi pergerakan harga saham adalah tugas penting dalam analisis keuangan untuk membantu investor, analis, dan manajer portofolio membuat keputusan yang tepat. Penelitian ini mengklasifikasikan pergerakan harga saham mingguan ke dalam tiga kategori: up, stagnant, dan down, menggunakan algoritma XGBoost. Sepuluh konfigurasi fitur diuji, termasuk kombinasi data historis (Close), indikator teknikal (ARMA/ARIMA), dan rasio fundamental seperti Debt to Equity Ratio (DER), Price to Book Value (PBV), dan Price to Earnings Ratio (PE). Selain itu, penggunaan PCA untuk reduksi dimensi turut dievaluasi. Analisis korelasi menggunakan metode Spearman dilakukan untuk menentukan fitur fundamental yang paling relevan, yang menunjukkan bahwa PBV memiliki korelasi terbaik dengan klasifikasi Close (Movement). Namun, hasil percobaan menunjukkan bahwa DER lebih mendekati performa Baseline dibandingkan PBV. Hasil penelitian menunjukkan bahwa konfigurasi Baseline (Close + ARMA/ARIMA) memberikan performa terbaik dengan akurasi rata-rata 75% dan F1-Score 74%. Penambahan fitur fundamental memberikan kontribusi terbatas, dengan DER mendekati performa Baseline, sementara PBV dan PE tidak memberikan dampak signifikan. PCA terbukti kurang efektif, dengan akurasi hanya 37%. Penelitian ini menetapkan threshold 3% untuk menangkap volatilitas mingguan, mengurangi noise, dan fokus pada pergerakan harga yang signifikan. Temuan ini menunjukkan bahwa data historis dan teknikal lebih kuat dibandingkan data fundamental dalam memprediksi pergerakan harga saham, sekaligus membuka peluang pengembangan model lebih kompleks dan eksplorasi fitur fundamental untuk meningkatkan akurasi prediksi.