Model deep learning hybrid CNN-LSTM untuk peramalan pemakaian air bulanan pada tingkat pelanggan di PDAM Kota Madiun, disajikan dalam penelitian ini. Lapisan konvolusi dimanfaatkan untuk mengekstraksi pola lokal dari jendela histori pemakaian 6 bulan, yang kemudian dikombinasikan dengan lapisan LSTM untuk pemodelan dependensi temporal. Eksperimen dilakukan secara komprehensif untuk membandingkan tiga metode normalisasi (Min-Max, Z-score, dan Robust Scaling) dan tiga fungsi loss (MSE, MAE, dan Huber Loss). Pada data uji tahun 2025, MAE sebesar 3,82 m³/bulan dan RMSE sebesar 20,92 m³/bulan dicapai oleh konfigurasi terbaik (Robust Scaling dengan MSE loss), sehingga seluruh model baseline (Standard RNN, Standard GRU, Standard LSTM, CNN-RNN, CNN-GRU, dan Random Forest) berhasil diungguli berdasarkan metrik MAE. Genetic Algorithm (GA) digunakan untuk penyetelan hiperparameter, meliputi jumlah filter, unit LSTM, dropout rate, dan learning rate. Berdasarkan hasil penelitian, tantangan data pemakaian air yang noisy, miring, dan memiliki variabilitas tinggi berhasil ditangani secara efektif oleh arsitektur hybrid CNN-LSTM.