Penelitian ini dilatarbelakangi oleh tingginya fluktuasi penjualan di PT XYZ, sebuah perusahaan distribusi FMCG, yang menyebabkan ketidakakuratan peramalan dan pengelolaan persediaan. Masalah utama yang dihadapi adalah risiko overstock sebesar 10% dan potensi lost sales akibat understock sebesar 5%. Penelitian ini mengusulkan sebuah sistem terintegrasi yang menggabungkan model hybrid deep learning CNN-GRU untuk demand forecasting dan algoritma FP-Growth untuk Market Basket Analysis (MBA) sebagai basis pengambilan keputusan manajerial. Dalam pengembangan model, dilakukan optimasi melalui pengujian variasi lag (7 hingga 30 hari), penerapan teknik data smoothing untuk menangani outlier transaksi, serta perbandingan performa dengan model statistik konvensional ARIMA dan SARIMA. Hasil peramalan kemudian dibandingkan dengan nilai stok akhir aktual untuk mengklasifikasikan status persediaan ke dalam tiga kategori: overstock, understock, atau aman. Jika produk terdeteksi overstock, sistem secara otomatis memberikan rekomendasi strategi bundling berdasarkan aturan asosiasi dengan nilai lift dan confidence tertinggi dari hasil MBA. Sebaliknya, kondisi understock akan memicu saran pembelian stok baru. Hasil pengujian menunjukkan bahwa model CNN-GRU mampu memberikan akurasi yang lebih stabil dibandingkan metode tradisional dalam menangani pola penjualan yang kompleks. Pengujian usability aplikasi juga menunjukkan tingkat kepuasan pengguna yang baik dengan nilai rata-rata 4,02 hingga 4,04, sehingga sistem ini layak digunakan sebagai alat bantu optimasi rantai pasok perusahaan.