Dalam industri manufaktur botol plastik, cacat seperti retakan, kontaminasi, dan deformasi dapat mengganggu fungsi kemasan serta menghambat proses produksi. Inspeksi visual manual yang umum digunakan cenderung tidak konsisten, lambat, dan kurang akurat untuk skala produksi tinggi. Oleh karena itu, diperlukan sistem otomatis berbasis teknologi yang dapat mendeteksi cacat secara cepat dan andal. Penelitian ini mengembangkan sistem deteksi dan klasifikasi cacat botol plastik menggunakan metode deep learning, yaitu U-Net Autoencoder untuk mendeteksi anomali dan Convolutional Neural Network (CNN) untuk mengklasifikasikan jenis cacat. U-Net Autoencoder dilatih untuk merekonstruksi gambar botol normal dan mengenali anomali berdasarkan perbedaan citra asli dengan hasil rekonstruksi. Citra anomali kemudian diklasifikasikan menjadi tiga jenis cacat: broken large, broken small, dan Contamination. Hasil evaluasi menunjukkan bahwa sistem deteksi anomali dengan U-Net Autoencoder mencapai akurasi sebesar 99,67%, precision 99,65%, recall 100%, dan F1-score 99,83%. Model CNN untuk klasifikasi mencapai akurasi 85%. Hasil ini menunjukkan bahwa pendekatan gabungan yang dirancang mampu mendeteksi dan mengklasifikasikan cacat secara otomatis, sehingga dapat mendukung peningkatan mutu pengawasan produk dalam proses produksi botol plastik
Kata Kunci: Deteksi Anomali, Botol Plastik, U-Net Autoencoder, CNN, Deep learning, Klasifikasi Cacat