Volatilitas harga cryptocurrency yang tinggi membuat prediksi menjadi kompleks dan tidak selalu akurat. Model hybrid deep learning Convolutional LSTM mampu memadukan kemampuan CNN dalam mengekstraksi fitur lokal pola naik-turun dari data harga historis dengan kemampuan LSTM dalam menangkap pola jangka panjang. Penelitian ini mengusulkan pendekatan prediksi harga cryptocurrency menggunakan hybrid deep learning Convolutional LSTM dengan optimasi hyperparameter menggunakan Optuna.  Data harga penutupan historis BTC, ETH, BNB, SOL, DOGE, dan XRP diperoleh dari API Yahoo Finance, kemudian dibersihkan dan dinormalisasi sebelum digunakan sebagai input model. Arsitektur model dibangun dengan beberapa kombinasi layer CNN dan LSTM menggunakan optimasi hyperparameter, termasuk jumlah neuron, epochs, filters, kernel size, batch size, learning rate, dan dropout rate. Model dilatih dan dievaluasi berdasarkan metrik R², RMSE, dan MAE, kemudian diterapkan pada website yang menyajikan prediksi harga cryptocurrency. Hasil penelitian menunjukkan model hybrid deep learning Convolutional LSTM yang dioptimasi mampu menghasilkan performa prediksi yang sangat baik pada enam cryptocurrency yang diuji, dengan nilai R² sebesar 0.99868 pada BTC. Pada pengujian selama 7 hari, model menghasilkan MAPE 0.48% pada BNB serta response time 66 ms pada XRP. Secara keseluruhan, beberapa model hybrid deep learning Convolutional LSTM mampu meningkatkan akurasi dan konsistensi prediksi dibandingkan model LSTM tunggal.