Para la seguridad y supervivencia en el mar y en la costa, las predicciones de olas son esenciales para actividades relacionadas con el mar, como operaciones portuarias, navegación naval y otras actividades costeras y en alta mar. En general, las predicciones de altura de olas dependen en gran medida de simulaciones numéricas. El costo computacional de dicha simulación puede ser muy alto (y puede llevar mucho tiempo), especialmente al considerar un área costera compleja, ya que estas simulaciones requieren mallas de alta resolución. Este estudio utilizó una técnica de aprendizaje profundo llamada memoria a corto y largo plazo bidireccional (BiLSTM) para la predicción de olas con el fin de ahorrar tiempo de computación y producir predicciones precisas. El método de aprendizaje profundo fue entrenado utilizando datos de olas obtenidos mediante una simulación numérica continua de olas utilizando el modelo de olas SWAN durante un período de 20 años con datos de viento ECMWF ERA-5. Utilizamos viento altamente correlacionado espacialmente como entrada para el método de aprendizaje profundo para seleccionar la mejor característica para la predicción de olas. Elegimos un área con una geometría compleja como caso de estudio, un área en el mar de Java en Indonesia. También comparamos los resultados de la predicción de olas utilizando BiLSTM con los de otros métodos, es decir, LSTM, regresión de vectores de soporte (SVR) y una red neuronal de regresión generalizada (GRNN). Los resultados de la predicción utilizando BiLSTM fueron los mejores, con un coeficiente de correlación de 0.96 y un valor de RMSE de 0.06.