Prediksi degradasi dan umur siklus baterai lithium-ion yang akurat sangat penting untuk memastikan keandalan Sistem Manajemen Baterai (BMS). Penelitian ini mengusulkan arsitektur Multi-Task Learning Bidirectional Long Short-Term Memory (MTL-BiLSTM) untuk memprediksi tiga indikator degradasi secara serentak: Umur Siklus (CL), Laju Penurunan Tegangan (VDR), dan Laju Perubahan Suhu (TCR). Algoritma Bayesian Optimization diterapkan untuk mencari panjang sekuens (sequence length) yang optimal dengan membandingkan skenario komputasi 10 iterasi dan 50 iterasi. Selain itu, mekanisme Pembobotan Tugas Dinamis (Dynamic Task Weighting) diimplementasikan untuk mendistribusikan kerugian (loss) secara otonom dan mencegah dominasi tugas selama proses pelatihan. Evaluasi model dilakukan menggunakan dua dataset, yaitu dataset sekunder publik dari NASA dan dataset primer pengujian sel baterai Lithium Iron Phosphate (LFP) 18650 dengan instrumen SkyRC MC3000. Hasil pengujian menunjukkan bahwa arsitektur yang diusulkan memiliki kemampuan generalisasi yang tangguh, dibuktikan dengan nilai Koefisien Determinasi (R2) untuk prediksi CL yang konsisten mencapai rata-rata 0,995 pada dataset sekunder (sel B5-B18) dan 0,995 pada dataset primer. Analisis komparasi mengungkap adanya trade-off komputasi; skenario 10 iterasi terbukti sangat efisien waktu (rata-rata 1-3 jam komputasi) dengan akurasi CL yang tinggi (RMSE rata-rata 3,56 siklus), sementara skenario 50 iterasi memakan waktu komputasi eksponensial (hingga 28 jam) namun mampu menajamkan rata-rata akurasi VDR dari R2 0,879 menjadi 0,914. Lebih lanjut, mekanisme pembobotan dinamis terbukti esensial dalam mengisolasi galat akibat keterbatasan presisi sensor pada dataset primer (yang ditandai dengan R2 VDR 0,527 dan TCR 0,058), sehingga model tetap tangguh mempertahankan tingkat akurasi maksimal pada indikator CL tanpa merusak keseimbangan arsitektur secara keseluruhan.