Penelitian ini mengembangkan metode untuk mendeteksi anomali pada degradasi baterai lithium-ion dengan memanfaatkan dataset kapasitas baterai sehat sebagai data pelatihan dan validasi. Model Long Short-Term Memory (LSTM)-Autoencoder dirancang dan dilatih untuk mengenali penyimpangan dalam pola degradasi baterai. Model ini berhasil mencapai akurasi tinggi dengan threshold Mean Squared Error (MSE) sebesar 0,083, yang mampu membedakan kondisi baterai normal dan anomali secara efektif. Analisis menggunakan confusion matrix menunjukkan performa model yang sangat andal tanpa adanya false positive maupun false negative. Konfigurasi hyperparameter dilakukan untuk memastikan kombinasi terbaik pada model dengan dataset yang digunakan. Namun, keterbatasan dataset yang digunakan menunjukkan pentingnya validasi lebih lanjut untuk penerapan model pada data yang lebih beragam dan kompleks.

---

This study proposes a method to detect anomalies in lithium-ion battery degradation using a dataset of healthy battery capacity as training and validation data. A Long Short-Term Memory (LSTM)-Autoencoder model was developed and trained to identify deviations in battery degradation patterns. The model achieved high accuracy, with a mean squared error (MSE) threshold of 0.083, effectively separating normal and anomalous battery conditions. Confusion matrix analysis confirmed the model's reliability, showing no false positives or negatives. The hyperparameters were optimized for performance, ensuring efficient convergence within 30 epochs. While the results demonstrate the potential of this approach for anomaly detection, dataset limitations highlight the need for further validation on diverse and complex data.