Estimasi State of Charge (SoC) merupakan salah satu fungsi paling penting dalam Battery Management System (BMS) karena berpengaruh langsung terhadap performa, masa pakai, dan keselamatan operasional baterai litium-ion, khususnya pada aplikasi energi terbarukan dengan kondisi operasi yang dinamis. Metode estimasi konvensional rentan terhadap akumulasi error integrasi dan penurunan performa di bawah temperatur lingkungan yang bervariasi. Penelitian ini mengusulkan model deep learning berbasis Gated Recurrent Unit (GRU) untuk estimasi SoC menggunakan lima input, tegangan (V), arus (I), temperatur (T), tegangan rata-rata (Vavg), dan arus rata-rata (Iavg). Fitur rata-rata berjalan tambahan tersebut diperkenalkan untuk meningkatkan representasi temporal dari perilaku baterai dan memperbaiki akurasi estimasi. Data eksperimental dari dataset baterai LG 18650 HG2 digunakan di bawah empat temperatur operasi (0°C, 10°C, 25°C, dan 40°C). Model GRU yang diusulkan dievaluasi menggunakan jumlah epoch dan iteration pelatihan yang berbeda, di mana performa optimal dicapai pada 2400 epoch dan iteration, menghasilkan RMSE validasi sebesar 1,42%. Lebih lanjut, konfigurasi lima masukan yang diusulkan berhasil menurunkan RMSE validasi dari 4,34% menjadi 1,43%, yang selaras dengan peningkatan sebesar 67,05% dibandingkan dengan konfigurasi tiga input konvensional. Hasil ini menunjukkan bahwa integrasi fitur rata-rata berjalan secara signifikan meningkatkan akurasi estimasi dan ketahanan model GRU di bawah kondisi temperatur yang bervariasi, serta menyediakan pendekatan berbasis data (data-driven) yang efektif untuk estimasi SoC baterai litium-ion.