Baterai adalah salah satu komponen penting dalam berbagai teknologi modern, termasuk kendaraan listrik, perangkat elektronik, dan sistem penyimpanan energi terbarukan. Penggunaan baterai yang intensif dan berkelanjutan menyebabkan siklus hidup baterai menjadi perhatian utama, terutama karena baterai secara alami mengalami degradasi dan penurunan kapasitas seiring waktu. Penelitian ini bertujuan mengembangkan sebuah sistem peramalan untuk memprediksi kapasitas baterai berdasarkan analisis data dari siklus-siklus penggunaan sebelumnya dengan menggunakan dataset yang memiliki 500 siklus dan juga 3 dataset lain yang memiliki 79 siklus. Metode peramalan yang digunakan melibatkan regresi linear, ARIMA (autoregressive integrated moving average), dan ANN (artificial neural network) yang kemudian dilakukan pengujian akurasi model melalui metrik seperti MAPE (mean absolute percentage error), MSE (mean squared error), dan MFE (mean forecast error). Selain itu, dilakukan perbandingan antar algoritma dan dataset yang digunakan untuk mengevaluasi keefektifan model dalam meramalkan data siklus baterai. Hasil peramalan yang dilakukan pada dataset 1 menunjukkan bahwa hasil peramalan sudah cukup baik dan model ARIMA menjadi model paling akurat dengan MAPE sebesar 1,07%; MSE sebesar 0,000008; dan MFE sebesar 0,000193 pada siklus pengisian. Sedangkan peramalan pada 3 dataset lain yang fluktuasinya berbeda menunjukkan penurunan akurasi dibandingkan peramalan dataset 1, dengan ANN menjadi model paling fleksibel dan stabil untuk keseluruhan dataset yang memiliki kesalahan terendah dengan rata – rata MAPE 4,36% dan rata – rata MSE 0,000063.