The remarkable increment in the demand for freshwater in water-resource-stressed regions increases the necessityof saltwater desalination and the application of a brackish water treatment plant (BWTP). In that respect,model-based process analysis can play an essential role in optimizing BWTP operation and maintenance (O&M)and reducing costs. In modeling, it is challenging for either theoretical or numerical methods to sufficientlyaccount for the complex causality and various correlations among the numerous process parameters or variablesin the BWTP system. Contrastively, deep learning approaches are capable of modeling such a BWTP system as itcan describe the complexity and nonlinearity of its variables with robust autonomous learning. In this study, wemodeled an RO unit process of BWTP using conventional long short-term memory (Conv-LSTM) and dual-stageattention-based LSTM (DA-LSTM) based on hourly time-series data obtained from the actual BWTP operationduring a one-year period. Hyperparameter optimization for Conv-LSTM and DA-LSTM was individually conductedto enhance the model prediction performance. The model prediction results demonstrated the superiorityof DA-LSTM (R2 > 0.99) over Conv-LSTM (0.531 ≤ R2 ≤ 0.884). The sensitivity analysis offered straightforwardinterpretations of how the attention mechanisms of DA-LSTM used time-series data of the model input and outputparameters for prediction.