Esta investigación describe experimentos utilizando modelos LSTM, GRU y una combinación de ambos para predecir inundaciones en Semarang basándose en datos de series temporales. Los resultados muestran que el modelo LSTM es superior en la captura de dependencias a largo plazo, mientras que el GRU es mejor en el procesamiento de patrones a corto plazo. Al combinar las fortalezas de ambos modelos, este enfoque híbrido logra una mejor precisión y robustez en la predicción de inundaciones. El modelo híbrido LSTM-GRU supera a los modelos individuales, proporcionando un marco de predicción más confiable. Esta mejora en el rendimiento se debe a las fortalezas complementarias de LSTM y GRU en el manejo de varios aspectos de los datos de series temporales. Estos hallazgos enfatizan el potencial de los modelos avanzados de redes neuronales para abordar desafíos ambientales complejos, allanando el camino para estrategias de gestión de inundaciones más efectivas en Semarang. El gráfico de rendimiento de los modelos LSTM, GRU y LSTM-GRU en varios escenarios muestra diferencias significativas en el rendimiento de la predicción de los niveles de agua de los ríos basándose en la entrada de lluvia. Se presentan las métricas MAPE, MSE, RMSE y MAD para los datos de entrenamiento y validación en seis escenarios. En general, el modelo GRU y la combinación LSTM-GRU ofrecen un buen rendimiento al utilizar variables de entrada más completas, a saber, la lluvia de aguas abajo y aguas arriba, en comparación con el uso únicamente de la lluvia de aguas abajo.