Peramalan tinggi muka air laut penting sekali untuk didaerah yang berada pada antarmuka antara daratan dan samudera, yang dapat mempermudah dalam membantu melaksanakan tindakan yang tepat lebih awal untuk mengurangi kerusakan lingkungan, social, dan ekonomi yang disebabkan oleh ekstream tinggi muka air laut. Peramalan tinggi muka air laut digunakan untuk memperkirakan keakuratan dalam keberhasilan menghadapi situasi darurat akibat banjir. Penelitian ini membahas pendekatan baru dalam meramalkan tinggi muka air laut menggunakan Long Short-Term Memory (LSTM) yang dilengkapi dengan mekanisme Attention. Fokus penelitian terletak pada penerapan metode ini pada studi kasus di Jakarta, Indonesia, dengan tujuan meningkatkan akurasi dan keandalan peramalan tinggi muka air laut. Pentingnya ramalan tinggi muka air laut terletak pada kemampuannya untuk memberikan kontribusi pada mitigasi risiko banjir di daerah pesisir Jakarta. Dengan menggunakan metode LSTM dengan Attention, penelitian ini bertujuan untuk mengatasi kompleksitas pola dalam data deret waktu tinggi muka air laut, sehingga hasil prediksi dapat menjadi dasar keputusan yang lebih andal dalam manajemen risiko bencana. Metode LSTM dengan Attention dirancang untuk memodelkan pola kompleks dalam data deret waktu tinggi muka air laut. Eksperimen dilakukan menggunakan dataset tinggi muka air laut di Jakarta yang diperoleh melalui Sea Level Station Monitoring Facility (SLSMF). Proses analisis terbagi menjadi dua bagian, yaitu data pelatihan dan data pengujian. Penelitian ini membandingkan kinerja metode LSTM dengan Attention dengan dua metode lainnya, yaitu RNN dan LSTM, untuk mengevaluasi ketepatan prediksi dalam rentang waktu 3 bulan, dimulai dari bulan Juni hingga Agustus 2023. Hasil penelitian menunjukkan bahwa metode LSTM memberikan kinerja yang lebih baik dibandingkan dengan RNN dan LSTM with Attention dalam meramalkan tinggi muka air laut. Evaluasi kualitatif dan kuantitatif menggunakan R2 dan RMSE menegaskan superioritas LSTM. Penelitian ini juga melibatkan prediksi jangka panjang untuk periode 3, 5, 7, 10, dan 14 hari ke depan, memberikan wawasan lebih lanjut tentang kemampuan model dalam mengantisipasi perubahan tinggi muka air laut.