Listrik merupakan energi yang sangat mudah untuk dikonversi dari bentuk energi lain dan sangat mudah pula untuk dikonversi ke bentuk energi lain. Meskipun demikian, penyimpanan energi listrik hingga kini relatif berbiaya besar dan hanya bisa dibangun di lokasi-lokasi tertentu, sehingga energi listrik perlu diproduksi sesuai dengan permintaan yang ada. Maka dari itu, peramalan konsumsi energi listrik yang akurat penting untuk dilakukan. Penelitian ini berfokus kepada perbandingan performa dari arsitektur CNN (Convolutional Neural Network), LSTM (Long Short-Term Memory), dan CNN-LSTM (kombinasi seri & paralel) untuk meramalkan konsumsi energi listrik di kota Samarinda. Data-data yang digunakan pada penelitian ini sebagai variabel prediktor yaitu konsumsi listrik, PDRB harga konstan, suhu (minimum, maksimum, dan rata-rata), dan jumlah hari libur. Data dianalisis menggunakan teknik EDA (Exploratory Data Analysis) kemudian diikuti proses pra-pemrosesan meliputi rekayasa fitur dan penskalaan data. Peramalan dilakukan dengan menggunakan data 6 bulan untuk memprediksi konsumsi listrik 3 bulan kedepan. Hyperparameter dari tiap arsitektur dioptimalkan dengan menggunakan teknik manual tuning. Hasil penelitian menunjukkan bahwa performa terbaik dengan masingmasing MAE (Mean Absolute Error), RMSE (Root Mean Squared Error) dan MAPE (Mean Absolute Percentage Error) untuk data test dimiliki oleh model dengan arsitektur CNN-LSTM paralel (2,37 GWh, 2,74 GWh, dan 1,64%), disusul oleh CNN-LSTM seri (2,60 GWh, 3,09 GWh, dan 1,83%), lalu CNN (3,51 GWh, 4,00 GWh, dan 2,46%), dan LSTM (4,93 GWh, 5,91 GWh, dan 3,44%). Sehingga secara keseluruhan arsitektur hibrida CNN-LSTM yang tersusun secara paralel memiliki performa yang unggul dibandingkan dengan arsitektur-arsitektur pembanding.