Analisis video pengawasan secara manual membutuhkan proses pemantauan dan identifikasi perilaku tidak normal dari rekaman video, dengan input berupa rekaman video pengawasan dan output berupa deteksi perilaku yang tidak normal. Analisa secara manual tidak efisien, karena membutuhkan waktu dan sumber daya yang besar. Banyak video tidak dapat dimanfaatkan secara optimal karena berbagai keterbatasannya yang ada, sehingga menyebabkan potensi terlewatnya perilaku mencurigakan yang seharusnya dapat terdeteksi. Penelitian ini menerapkan metode Vector Quantized Variational Autoencoder (VQ-VAE) untuk mendeteksi anomali dengan memanfaatkan teknologi deep learning, dimana sistem menggunakan representasi laten diskrit untuk meningkatkan akurasi rekonstruksi dan pengenalan pola normal. Pengujian menggunakan dataset ShanghaiTech Campus menunjukkan peningkatan performa yang signifikan, dengan peningkatan ROC-AUC sebesar 5.8% dan PR-AUC sebesar 7.2% dibandingkan metode Convolutional Autoencoder tradisional. Model juga menunjukkan hasil yang sebanding dengan metode Memory-Augmented Autoencoder yang lebih kompleks, dengan keunggulan dalam konsistensi deteksi anomali. Kontribusi utama penelitian ini adalah penerapan representasi latent diskrit yang memungkinkan deteksi anomali yang lebih stabil dan akurat dalam video yang dianalisis.