Penelitian ini bertujuan untuk merancang dan mengembangkan sistem diagnosis anomali timespent aktivitas kerja karyawan berbasis Natural Language Processing (NLP) pada Direktorat Digital Business PT Telkom Indonesia. Permasalahan yang diangkat berfokus pada kebutuhan meningkatkan keakuratan input timespent pada sistem Workload Analysis Dashboard (WAD). Sistem diagnosis dikembangkan menggunakan model SBERT Paraphrase-Multilingual-MiniLM-L12-v2 untuk menghitung kemiripan antaraktivitas, serta metode Interquartile Range (IQR) untuk mendeteksi anomali berdasarkan distribusi timespent dari aktivitas serupa. Proses penelitian meliputi tahapan identifikasi dan pemrosesan data, pembuatan embedding, penentuan threshold cosine similarity, pembersihan data, pengembangan program, deployment sebagai REST API, serta pengujian performa dan fungsionalitas sistem. Pengujian dilakukan dengan menggunakan dataset uji yang terdiri dari 100 aktivitas yang mencerminkan aktivitas kerja nyata karyawan. Hasil evaluasi menunjukkan bahwa sistem diagnosis mencapai akurasi sebesar 85,00%, precision sebesar 77,78%, recall sebesar 98,00%, false positive rate (FPR) sebesar 28,00%, dan false negative rate (FNR) sebesar 2,00%. Selain itu, sistem mampu merespons permintaan dengan cepat, dengan rata-rata waktu respon sebesar 252,3 milidetik per aktivitas. Dengan hasil tersebut, sistem diagnosis diharapkan dapat mendukung peningkatan keakuratan pengisian data timespent dalam WAD.