India, sebagai salah satu negara berkembang utama, secara berkala mengalami tekanan nilai tukar akibat kondisi moneter domestik dan guncangan keuangan global. Model peringatan dini berbasis ekonometrika tradisional sering kali mengalami keterbatasan dalam menangkap hubungan kompleks antarindikator makroekonomi yang memengaruhi terjadinya krisis mata uang. Penelitian ini mengembangkan sistem peringatan dini berbasis deep learning untuk krisis mata uang di India menggunakan arsitektur hibrida Convolutional Neural Network Long Short-Term Memory (CNN–LSTM) dengan memanfaatkan data makroekonomi dan keuangan bulanan periode November 1991 hingga Agustus 2025. Episode krisis mata uang diidentifikasi menggunakan indeks Exchange Market Pressure (EMP). Seleksi fitur dilakukan menggunakan analisis mutual information untuk mengidentifikasi indikator makroekonomi yang paling relevan. Kinerja model dievaluasi menggunakan validasi rolling window, yaitu teknik validasi pada data runtun waktu dengan jendela pelatihan yang bergeser mengikuti urutan waktu, serta dibandingkan dengan model LSTM. Hasil penelitian menunjukkan bahwa model CNN–LSTM dengan validasi rolling window mencapai kinerja terbaik dengan nilai AUC-ROC sebesar 0,9108, akurasi sebesar 0,9016, dan F1-score sebesar 0,9036, sehingga mengungguli seluruh model pembanding. Hasil seleksi fitur menunjukkan bahwa agregat moneter, khususnya M2, M3, dan reserve money, merupakan indikator yang paling informatif dalam mendeteksi krisis mata uang di India. Proyeksi prediksi untuk periode 2025–2026 menunjukkan adanya sinyal peringatan yang bersifat intermiten dan belum mengindikasikan krisis mata uang yang berlangsung secara berkelanjutan.