Peramalan permukaan laut sangat penting dalam aktivitas di daerah pesisir, seperti pada bidang engineering dan juga dapat digunakan untuk menentukan navigasi pelayaran kapal. Selain itu, dapat digunakan untuk membuat rancangan pembangunan dan perencanaan pada daerah pesisir di masa depan, dan juga untuk mengurangi resiko yang ditimbulkan akibat pasang surut air laut. Peramalan permukaan laut dengan metode tradisional, seperti tidal harmonic analysis, tidak dapat mempertimbangkan kontribusi komponen non-tidal dalam peramalan permukaan laut. Dalam tugas akhir ini, penulis menggunakan metode deep learning untuk meramalkan permukaan laut. Penulis menggunakan tiga metode deep learning yaitu Recurrent Neural Network (RNN), Long Short Term Memory (LSTM), dan Bidirectional Long Short Term Memory (BiLSTM). Ketiga metode deep learning ini dibandingkan untuk melihat performanya dalam meramalkan permukaan laut selama 48 jam, 72 jam dan 168 jam ke depan. Data yang digunakan pada tugas akhir ini yaitu data permukaan laut yang diperoleh dari observasi di Pelabuhan Jakarta, Indonesia, sebagai studi kasusnya. Hasil percobaan menunjukkan bahwa metode BiLSTM memberikan hasil yang lebih baik dibandingkan dengan RNN dan LSTM. Meningkatnya kinerja BiLSTM dari pada dua metode lainnya karena memungkinkan pelatihan tambahan dengan melintasi data input dua kali (yaitu, 1) dari kiri ke kanan dan 2) dari kanan ke kiri.