Di era modern ini permintaan akan sumber daya energi listrik semakin meningkat. Salah satu contohnya adalah baterai khususnya dengan jenis VRLA. Namun, penting untuk diingat bahwa baterai mengalami siklus pengisian dan pengosongan yang berulang. Hal ini menyebabkan baterai mengalami penurunan kapasitas dan performa seiring berjalannya waktu untuk mengatasi hal ini maka di rancang sebuah Estimasi State of Charge (SoC). Pada proyek akhir ini akan dibuat estimasi SoC kondisi discharging pada baterai VRLA 12V 40Ah. Untuk pengimplementasiannya menggunakan beban kipas dan lampu. Pengukuran dan pemantauan SoC penting untuk memastikan bahwa baterai tidak over-discharging, yang dapat merusak baterai dan mempersingkat umur pakai. Pada penelitian ini menggunakan Artifical Neural Network metode Multilayer Perceptron. Metode ini memanfaatkan data arus, dan waktu baterai selama proses discharging untuk sebagai input untuk melatih jaringan saraf agar dapat memprediksi SoC. Dari hasil pengujian, diperoleh bahwa pengujian discharging baterai yang dilakukan pada beban kipas dan lampu membutuhkun waktu selama 4,55 jam dengan penurunan SoC dari 100% - 61,01% untuk metode Coulomb Counting, sedangkan untuk metode MLP penurunan SoC 100% - 61,25%. Pada beban kipas membutuhkun waktu selama 7,7 jam dengan penurunan SoC dari 100% - 60,87% untuk metode Coulomb Counting, sedangkan untuk metode MLP penurunan SoC 100% - 60,34%. Pada beban variasi membutuhkun waktu selama 5,8 jam dengan penurunan SoC dari 100% - 60,07% untuk metode Coulomb Counting, sedangkan untuk metode MLP penurunan SoC 100% - 60,04%. Rata-rata error coulomb counting dan MLP yang dihasilkan adalah 0.23% pada beban kipas dan lampu, 0.017% pada beban kipas saja, dan 6% pada beban bervariasi.