Index tracking bertujuan untuk membuat portofolio indeks yang kinerjanya mirip dengan indeks acuan, namun dengan jumlah saham yang lebih sedikit dari saham pada indeks acuan. Saat ini, Deep Learning merupakan cara terbaik dalam memodelkan fungsi yang memetakan data (berupa data return, ekonomi atau laporan keuangan) ke data return (prediksi) sehingga Deep Learning dapat digunakan untuk index tracking. Metode Deep Learning yang akan digunakan adalah Autoencoder dan Deep Neural Network. Autoencoder untuk pemilihan saham dan Deep Neural Network untuk optimasi portofolio index tracking. Adapun teknik pembobotan yang digunakan untuk membuat portofolio adalah Correlation Coefficient dan Equal Weight. Hasil penelitan yang dilakukan menunjukan bahwa portofolio index tracking memiliki kin- erja yang mirip bahkan dapat melampaui kinerja LQ45. Kemiripan portofolio hasil index tracking dengan LQ45 salah satunya ditunjukan dengan error yang dihasilkan kurang dari 0.03. Meskipun risiko portofolio pelacakan indeks sedikit lebih tinggi dari LQ45, namun kinerja yang ditunjukkan oleh implementasi Deep Learning dianggap menjanjikan karena, dalam beberapa keadaan, metode ini menunjukkan kesalahan yang lebih rendah dibandingkan dengan penelitian serupa lainnya. Oleh karena itu, diharapkan pener- apan Deep Learning mampu memberikan kontribusi yang signifikan untuk mengoptimalkan pelacakan indeks portofolio, khususnya untuk LQ45.