La enfermedad por coronavirus 2019 (COVID-19) fue declarada como una pandemia global por la Organización Mundial de la Salud (OMS) el 12 de marzo de 2020. Indonesia reporta tener el mayor número de casos en el sudeste asiático. La predicción precisa del número de casos de COVID-19 en los próximos días es necesaria como una de las consideraciones para tomar decisiones y proporcionar recomendaciones apropiadas en el proceso de mitigar enfermedades infecciosas pandémicas globales. En esta investigación, se utiliza un algoritmo de optimización de metaheurísticas, el algoritmo de polinización de flores, para pronosticar los casos confirmados acumulados de COVID-19 en Indonesia. El algoritmo de polinización de flores es un método robusto y adaptativo para realizar optimizaciones en el ajuste de curvas de casos de COVID-19. El rendimiento del algoritmo de polinización de flores fue evaluado y comparado con un método de aprendizaje automático popular para el pronóstico, la red neuronal recurrente. Se llevó a cabo un experimento exhaustivo para determinar los hiperparámetros óptimos para el algoritmo de polinización de flores y la red neuronal recurrente. Hubo 24 y 72 combinaciones de hiperparámetros para el algoritmo de polinización de flores y la red neuronal recurrente, respectivamente. Los mejores hiperparámetros se utilizaron para desarrollar el modelo de pronóstico de COVID-19. Los resultados experimentales mostraron que el algoritmo de polinización de flores tuvo un mejor rendimiento que la red neuronal recurrente en el pronóstico a largo plazo (dos semanas) y a corto plazo (una semana) de los casos de COVID-19. El error porcentual absoluto medio (MAPE) para el modelo del algoritmo de polinización de flores (0.38%) fue mucho menor que el de la red neuronal recurrente (5.31%) en la última iteración para el pronóstico a largo plazo. Mientras tanto, el MAPE para el modelo del algoritmo de polinización de flores (0.74%) también es menor que el modelo de red neuronal recurrente (4.8%) en la última iteración para el pronóstico a corto plazo de los casos acumulativos de COVID-19 en Indonesia. Esta investigación proporciona resultados de vanguardia para ayudar en el proceso de mitigar la pandemia global de COVID-19 en Indonesia.