Hasil Pencarian  ::  Simpan CSV :: Kembali

"Transportasi memainkan peran vital dalam memfasilitasi perpindahan barang dan manusia di seluruh dunia, yang hingga kini sangat bergantung pada bahan bakar fosil. Penggunaan energi fosil yang terus meningkat telah mengakibatkan lonjakan emisi gas rumah kaca, yang memberikan dampak negatif pada iklim global. Untuk mengatasi masalah lingkungan ini, sejumlah negara mulai beralih ke penggunaan kendaraan listrik yang mengandalkan baterai lithium-ion dan lithium-polimer sebagai sumber energinya. Penelitian ini bertujuan untuk memprediksi State of Charge (SoC) pada baterai lithium-ion dan lithium-polimer menggunakan model machine learning Long Short-Term Memory (LSTM) yang dioptimalkan parameter pada LSTM dengan metode Grid-Search. Dalam penelitian ini, data SoC dari baterai lithium-ion dan lithium-polimer dianalisis menggunakan model LSTM, serta LSTM yang telah dioptimalkan dengan Grid Search. Proses evaluasi dilakukan untuk membandingkan tingkat akurasi prediksi SoC antara kedua jenis baterai pada kondisi suhu operasional. Hasil penelitian mengungkapkan bahwa algoritma LSTM-Grid Search mampu memberikan akurasi prediksi SoC yang lebih tinggi dibandingkan dengan model LSTM standar. Secara khusus, model LSTM-Grid Search menunjukkan performa yang signifikan pada baterai lithium-ion dan lithium-polimer, dengan nilai R² mencapai 99.6% untuk baterai lithium-polimer pada suhu 25°C dan 95.8% untuk baterai lithium-ion pada suhu 0°C.

---

Transportaion plays a vital role in facilitating the movement of goods and people worldwide, which, until now, has heavily relied on fossil fuels. The increasing use of fossil energy has resulted in a surge in greenhouse gas emissions, negatively impacting the global climate. To address this environmental issue, several countries have begun transitioning to electric vehicles that rely on lithium-ion and lithium-polymer batteries as their energy source. This research aims to predict the State of Charge (SoC) of lithium-ion and lithium-polymer batteries using a Long Short-Term Memory (LSTM) machine learning model, with the LSTM parameters optimized using the Grid-Search method. In this study, SoC data from lithium-ion and lithium-polymer batteries were analyzed using both the standard LSTM model and the LSTM model optimized with Grid Search. The evaluation process was conducted to compare the accuracy of SoC predictions between the two types of batteries under operational temperature conditions. The research findings revealed that the LSTM-Grid Search algorithm provided higher SoC prediction accuracy compared to the standard LSTM model. Specifically, the LSTM-Grid Search model demonstrated significant performance on lithium-ion and lithium-polymer batteries, with R² values reaching 99.6% for lithium-polymer batteries at 25°C and 95.8% for lithium-ion batteries at 0°C."

"ABSTRAKBaterai adalah komponen listrik yang digunakan untuk menyimpan listrik. Saat ini, baterai yang paling banyak digunakan adalah baterai Lithium Ion. Baterai lithium memiliki kepadatan energi yang relatif tinggi dibandingkan pendahulunya, tetapi sangat beracun dan berbahaya bagi organisme hidup dan memerlukan penanganan yang hati-hati dalam operasinya, salah satunya adalah dengan menggunakan sistem manajemen baterai. Dalam tesis ini, dirancang perlindungan overcharging dan sistem manajemen baterai balancing pasif untuk baterai Lithium seri terhubung. Pengujian prototipe dilakukan dengan menguji kemampuan perlindungan pengisian berlebih dengan memantau setiap tegangan sel dan nilai saat ini saat diisi. Pengujian kemampuan balancing pasif dilakukan dengan mengukur setiap tegangan sel saat diisi. Berdasarkan dari data pengujian prototipe sirkuit balancing overcharging dan pasif, disimpulkan bahwa prototipe mampu memberikan perlindungan pengisian daya yang berlebihan dan mampu menyeimbangkan secara pasif setiap seri sel baterai terhubung pada 3,75 Volt menggunakan 0,2 Ampere arus pengisian.

---

ABSTRACTatteries are electrical components that are used to store electricity. Currently, the most widely used battery is a Lithium Ion battery. Lithium batteries have a relatively high energy density compared to their predecessors, but are highly toxic and dangerous to living organisms and require careful handling in their operations, one of which is to use a battery management system. In this thesis, designed overcharging protection and passive battery balancing management system for connected series Lithium batteries. Prototype testing is done by testing the overcharging protection capability by monitoring each cell voltage and current value when charged. Passive balancing capability testing is done by measuring every cell voltage when filled. Based on the prototype overcharging and passive balancing circuit testing data, it was concluded that the prototype is able to provide excessive charging protection and is able to passively balance each series of battery cells connected at 3.75 Volts using 0.2 Amperes of charging current."

"Baterai litium-ion merupakan teknologi yang menjanjikan untuk mendukung transisi energi berbasis fosil ke energi baru terbarukan pada kendaraan listrik yang ramah lingkungan karena kinerja penyimpanan energinya yang unggul. Penelitian material energi untuk baterai litium-ion terus dilakukan secara intensif hingga saat ini. Untuk mendukung hal tersebut, penelitian ini mensintesis Lithium Lanthanum Titanate ( LLTO, dengan formula kimia Li0,5La0,5TiO3) dari kombinasi lantanum oksalat lokal (95,296 % atomik lanthanum), litium karbonat komersial dan titanium oksida komersial melalui solid-state reaction yang sederhana dan berbiaya rendah. Dalam metode ini, digunakan kalsinasi dua tahap di mana tahap pertama dilakukan pada temperatur 800 °C selama 8 jam di bawah kondisi atmosfer biasa sedangkan tahap kedua dilakukan pada tiga variasi temperatur yakni 1.050 °C, 1.150 °C dan 1.250 °C selama 12 jam di bawah kondisi atmosfer biasa yang masing-masing menghasilkan 97,98, 98,141 dan 92,328 % berat Li0,5La0,5TiO3. LLTO yang disintesis pada temperatur kalsinasi kedua 1.150 °C menunjukkan luas permukaan dan volume pori yang paling besar, butir-butir tersusun secara acak dan memiliki sifat pseudokapasitansi sehingga memberikan kapasitas spesifik yang tinggi sebesar 17.120 mAh g-1 (pada C-rate 0,5 dan potensial yang mendekati nol) dan konduktivitas yang tinggi sekitar 2,45 × 10 -2 S/cm. LLTO ini menjanjikan untuk digunakan sebagai anoda potensial rendah dalam baterai litium-ion.

---

Lithium-ion battery is one of the promising technologies to support the transition of fossil-based energy to renewable energy in eco-friendly electric vehicles due to its superior energy storage performance. Research on energy materials for lithium-ion batteries continues to be carried out intensively to date. To support this plan, this research has synthesized Lithium Lanthanum Titanate (LLTO, with a chemical formula Li0,5La0,5TiO3) from a combination of local lanthanum oxalate (95.296 % atomic of lanthanum), commercial lithium carbonate, and commercial titanium oxide through a low-cost and simple solid-state reaction. In this method, a two-stage calcination method was used, where the first step was carried out at a temperature of 800 °C for 8 h under atmospheric conditions while the second step was carried out at three different temperatures namely 1050 °C, 1150 °C and 1250 °C for 12 h under atmospheric conditions yielding 97.98, 98.141 and 92.328 weight % of Li0,5La0,5TiO3, respectively. The LLTO synthesized at the second calcination temperature of 1150 °C exhibited largest surface area and pore volume, randomly arranged particles, and pseudocapacitive feature as to provide a high specific capacity of 17,120 mAh g-1 (at a C-rate 0, 5 and near-zero potentials) and a high conductivity of 2.45 × 10 -2 S/cm. This LLTO holds promise for use as a low-potential anode in lithium-ion batteries."

"Banyaknya penggunaan kendaraan berbahan bakar fosil menyebabkan berbagai macam permasalahan. Permasalahan tersebut timbul karena bahan bakar fosil memiliki jumlah terbatas dan emisi gas buang yang berbahaya bagi lingkungan. Solusi untuk mengatasi permasalahan tersebut adalah dengan beralih menggunakan kendaraan berbahan bakar listrik. Kendaraan listrik menggunakan baterai sebagai media penyimpanan energi. Baterai berbasis lithium-ion sering digunakan untuk penggunaan kendaraan listrik karena memiliki banyak kelebihan. Dengan latar belakang tersebut, skripsi ini bertujuan untuk mempelajari karakteristik dari baterai kendaraan berbasis lithium-ion dan konsumsi energinya pada kendaraan. Dari uji laboratorium diketahui bahwa semakin besar arus pengisian maka semakin besar nilai tegangan rata-rata dan kapasitas energi yang diisikan ke baterai.Uji laboratorium juga menunjukkan bahwa semakin besar arus pengosongan maka semakin kecil nilai tegangan rata-rata baterai dan kapasitas energi yang diambil dari baterai. Pada pengujian konsumsi KARLING diperoleh bahwa pada saat kendaraan dikemudikan dengan kecepatan konstan, arus pengosongan rata-ratanya besar dan tegangan rata-ratanya kecil. Berkebalikan dengan hal tersebut, pada saat kendaraan dikemudikan dengan menyesuaikan lintasan, banyak mengalami percepatan dan perlambatan, arus rata-rata pengosongannya kecil namun tegangan rata-ratanya lebih besar. Untuk konsumsi energinya, pada pengujian dengan cara mengemudi yang menyesuaikan lintasan, konsumsi energinya lebih besar karena kebutuhan daya saat percepatan lebih besar dan waktu tempuh lebih lama.

---

The large number of fossil fueled vehicles usage causes a variety of problems. The problem occurs because fossil fuels have limited quantities and exhaust emissions that are harmful to the environment. The solution due to this problems is using electrical vehicle. Electrical vehicle needs batteries as energy storage. Lithium ion based battery is often used for electrical vehicle usage because it has many advantages. With this background, the thesis aims to study the characteristics of vehicle lithium ion based battery and its energy consumption on vehicle.From the laboratory test, it is known that the greater the charging current the more the average voltage and the energy capacity charged to the battery. The laboratory test also shows that the greater the discharge current the smaller the average voltage and the energy capacity discharged from battery. On the KARLING consumption test, it is obtained that when the vehicle is driven with constant velocity, the average discharge current is large and the average voltage is small. Contrary with that, when the vehicle is driven following the track, vehicle often accelerated or decelarated, the average discharge current is smaller but the average voltage is larger. For the energy consumption, the track adjusting driving method has larger energy consumption because the power demand when the vehicle accelarated is larger and the driving time is longer."

"Baterai menjadi komponen kunci dalam sistem penyimpanan energi, maka dari itu sangat penting untuk mengestimasi nilai State of Charge secara akurat untuk mengelola dan memanfaatkan daya baterai secara optimal. Ketidakakuratan estimasi SoC dapat menyebabkan performa yang tidak optimal dan kerusakan baterai. Pendekatan tradisional dalam estimasi SoC cenderung kurang presisi, terutama di bawah kondisi dinamis. Oleh karena itu, untuk meningkatkan akurasi estimasi SoC, pada penelitian ini diusulkan model estimasi SoC menggunakan metode Support Vector Machine dengan Particle Swarm Optimization pada baterai Lithium-Ion dan Lithium-Polymer karena keduanya banyak digunakan dalam berbagai aplikasi, termasuk kendaraan listrik, perangkat seluler, dan peralatan elektronik. Hasil penelitian ini akan menunjukkan algoritma SVM dan PSO-SVM yang dapat digunakan untuk memprediksi estimasi pada baterai Lithium-Ion dan Lithium-Polymer. Berdasarkan penelitian yang telah dilakukan diperoleh hasil skor R-Squared menggunakan SVM pada Lithium-Ion sebesar 96,1% dan Lithium-Polymer sebesar 92,8%, serta menggunakan PSO-SVM pada Lithium-Ion 97,8% sebesar dan Lithium-Polymer sebesar 93,6%. hasil skor Mean Absolute Error diperoleh dengan menggunakan SVM pada Lithium-Ion sebesar 4,9% dan Lithium-Polymer sebesar 6,0%, serta menggunakan PSO-SVM pada Lithium-Ion sebesar 3,8% dan Lithium-Polymer sebesar 5,7%. hasil skor Root Mean Squeared Error diperoleh dengan menggunakan SVM pada Lithium-Ion sebesar 6,3% dan Lithium-Polymer sebesar 8,1%, serta menggunakan PSO-SVM pada Lithium-Ion sebesar 4,8% dan Lithium-Polymer sebesar 7,7%. Hasil analisis menunjukkan bahwa algoritma PSO-SVM dan SVM lebih cocok diaplikasikan pada baterai Lithium-Ion dibandingkan Baterai Lithium-Polymer, khusunya PSO-SVM.

---

Batteries become a key component in the energy storage system; therefore, it is crucial to accurately estimate the State of Charge to manage and utilise the battery power optimally. Inaccuracy in SoC estimation can lead to suboptimal performance and battery damage. Traditional approaches in SoC estimation tend to lack precision, especially under dynamic conditions. Therefore, to improve the accuracy of SoC estimation, this study proposes a SoC estimation model using Support Vector Machine with Particle Swarm Optimization method for Lithium-Ion and Lithium-Polymer batteries as they are widely used in various applications, including electric vehicles, mobile devices, and electronic equipment. The results of this research will show the PSO-SVM and SVM algorithms that can be used to predict estimates for Lithium-Ion and Lithium-Polymer batteries. Based on research that has been carried out, the R-Squared score results obtained using SVM on Lithium-Ion were 96.1% and Lithium-Polymer was 92.8%, and using PSO-SVM on Lithium-Ion was 97.8% and Lithium-Polymer was 93 .6%. The Mean Absolute Error score results were obtained using SVM on Lithium-Ion of 4.9% and Lithium-Polymer of 6.0%, and using PSO-SVM on Lithium-Ion of 3.8% and Lithium-Polymer of 5.7%. The Root Mean Squeared Error score results obtained using SVM on Lithium-Ion were 6.3% and Lithium-Polymer were 8.1%, and using PSO-SVM on Lithium-Ion was 4.8% and Lithium-Polymer was 7.7%. The analysis results show that the PSO-SVM and SVM algorithms are more suitable for application to Lithium-Ion batteries compared to Lithium-Polymer Batteries, especially PSO-SVM."

"Baterai Li-Ion banyak digunakan pada kendaraan listrik karena efisiensi dan densitas energinya yang tinggi. Untuk menjaga baterai Li-Ion beroperasi pada kondisi ideal maka estimasi status pengisian baterai menjadi indikator penting. Parameter yang menyatakan status pengisian baterai adalah State of Charge (SOC). Nilai SOC baterai tidak dapat diukur secara langsung melainkan harus diestimasi dari nilai tegangan dan arus baterai saat digunakan. Kesulitan saat mengestimasi SOC baterai disebabkan faktor nonlinearitasnya yang tinggi serta pengaruh noise saat pengukuran yang dapat mengakibatkan terjadinya akumulasi error. Algoritma Unscented Kalman Filter (UKF) dapat melakukan koreksi kesalahan saat mengestimasi SOC baterai. Namun teknik ini membutuhkan model baterai pada algoritmanya. Literatur yang membahas model baterai banyak menggunakan pendekatan Equivalent Circuit Model (ECM) Thevenin orde dua yang diperoleh dari data eksperimen Hybrid Pulse Power Characterization (HPPC). Beberapa literatur meninjau data HPPC yang seragam namun menggunakan berbagai pendekatan seperti teknik fitting, aturan waktu konstan, dan daerah analisis kurva baterai yang berbeda. Untuk mengetahui metode identifikasi parameter ECM terbaik maka dilakukan pengujian performa. Pada penelitian ini dianalisis empat metode identifikasi parameter ECM menggunakan baterai LiNiMnCo. Masing – masing parameter ECM disubsitusi ke model baterai lalu dilakukan verifikasi menggunakan data HPPC dan Dynamic Stress Test (DST). Berdasarkan nilai RMSE masing – masing percobaan, metode 1 yang menggunakan teknik fitting di daerah relaksasi baterai memiliki akurasi dan konsistensi yang terbaik yaitu 0,0103 V untuk HPPC menggunakan data CALCE dan 0,0088 V data baterai LG. Untuk pengujian DST nilai RMSE metode 1 adalah 0,0278 V. Parameter baterai yang telah diidentifikasi menggunakan metode 1 digunakan sebagai model pada algoritma UKF untuk mengestimasi SOC baterai. Nilai RMSE estimasi SOC menggunakan algoritma UKF yang telah dibangun adalah 0,32 %. Algoritma UKF mampu melakukan koreksi saat terjadi kesalahan awal nilai estimasi SOC.

---

Li-Ion batteries are widely used in electric vehicles due to their high efficiency and energy density. To keep Li-Ion batteries operating at ideal conditions, estimation of the battery state of charge is an important indicator. The parameter that states the state of charge of the battery is the State of Charge (SOC). The SOC value of the battery cannot be measured directly but must be estimated from the voltage and current values of the battery during use. The difficulty in estimating the battery SOC is due to its high nonlinearity factor and the influence of noise during measurement which can result in the accumulation of errors. The Unscented Kalman Filter (UKF) algorithm can perform error correction when estimating battery SOC. However, this technique requires a battery model in the algorithm. Much of the literature discussing battery models uses the second-order Thevenin Equivalent Circuit Model (ECM) approach obtained from Hybrid Pulse Power Characterization (HPPC) experimental data. Some literature reviews uniform HPPC data but uses various approaches such as fitting techniques, constant time rules, and different battery curve analysis regions. To determine the best ECM parameter identification method, performance testing is conducted. In this study, four ECM parameter identification methods using LiNiMnCo batteries are analyzed. Each ECM parameter is subsumed into the battery model and then verified using HPPC and Dynamic Stress Test (DST) data. Based on the RMSE value of each experiment, method 1 which uses fitting techniques in the battery relaxation region has the best accuracy and consistency, namely 0.0103 V for HPPC using CALCE data and 0.0088 V LG battery data. For DST testing the RMSE value of method 1 is 0.0278 V. The battery parameters that have been identified using method 1 are used as a model in the UKF algorithm to estimate the battery SOC. The RMSE value of SOC estimation using the UKF algorithm that has been built is 0.32 %. The UKF algorithm can make corrections when there is an initial error in the SOC estimation value."

"Sistem Manajemen Baterai (BMS), yang bertanggung jawab untuk memantau baterai isi ulang, memainkan peran penting dalam melindungi kendaraan dan instrumen listrik. Dua indikator utama yang perlu dipertimbangkan adalah State of Charge (SoC) dan State of Health (SoH). Memperkirakan SoC secara akurat penting untuk mencegah potensi masalah. Selain itu, ruang, waktu komputasi, dan biaya merupakan faktor penting dalam pengembangan perangkat keras. Untuk mengatasi pertimbangan ini, model Extended Kalman Filter (EKF) orde pertama dan Adaptive Extended Kalman Filter (AEKF) dipilih karena pra-pemrosesan datanya lebih sederhana dan akurasinya lebih baik. Estimasi ini didasarkan pada metode matematika. Studi ini merekomendasikan penggunaan metode First-Order Equivalent Circuit Model (ECM) bersama dengan algoritma EKF dan AEKF karena pengaturannya yang mudah dan proses komputasi yang efisien. Melalui penelitian yang melibatkan beberapa siklus pengisian-pengosongan, ditemukan bahwa metode AEKF secara konsisten mengungguli metode EKF dalam hal akurasi SoC. Hal ini semakin diperkuat dengan melakukan pengujian reliabilitas pada metode AEKF, yang menunjukkan akurasi estimasi SoC yang lebih unggul dibandingkan metode EKF ketika diberikan nilai SoC awal yang berbeda. Selain itu, waktu komputasi yang lebih singkat dari metode EKF menjadi pertimbangan untuk penerapan praktis di dunia nyata. Lebih lanjut, percobaan yang dilakukan selama 500 siklus mengungkapkan bahwa estimasi SoH menurun dari 99,97% menjadi 76,1947%, menunjukkan bahwa baterai telah mencapai tahap End of Life (EOL), seperti yang dilaporkan di berbagai jurnal.

---

The Battery Management System (BMS), responsible for monitoring rechargeable batteries, plays an essential role in safeguarding electric vehicles and instruments. Two key indicators to consider are State of Charge (SoC) and State of Health (SoH). Accurately estimating SoC is important to prevent potential issues. Additionally, space, computing time, and cost are important factors in hardware development. To address these considerations the first-order Extended Kalman Filter (EKF) and Adaptive Extended Kalman Filter (AEKF) models were selected due to their simpler data pre-processing and better accuracy. These estimations are based on mathematical methods. The study recommends using the First-Order Equivalent Circuit Model (ECM) method in conjunction with the EKF and AEKF algorithms due to their straightforward setup and efficient computational process. Through research involving multiple charge-discharge cycles, it was found that the AEKF method consistently outperformed the EKF method in terms of SoC accuracy. This was further confirmed by subjecting the AEKF method to reliability testing, where it displayed superior SoC estimation accuracy compared to the EKF method when given different initial SoC values. Additionally, the shorter computing time of the EKF method is a consideration for practical real-world implementation. Furthermore, experiments conducted over 500 cycles revealed that SoH estimation declined from 99.97% to 76.1947%, suggesting that the battery has reached the End of Life (EOL) stage, as reported in various journals."

"Seiring dengan perubahan dunia yang sangat cepat, efisiensi dalam mengelola persediaan menjadi hal yang sangat penting, terutama bagi UKM. Ada beberapa sumber daya penting yang dibutuhkan oleh UKM untuk meningkatkan bisnis mereka: sejumlah dana, penguasaan teknologi, dan sumber daya manusia. Robotic Process Automation (RPA) sebagai salah satu teknologi unggulan di Industri 4.0 dapat mengatasi kebutuhan sumber daya manusia untuk melakukan tugas-tugas dalam manajemen persediaan. RPA dianggap sebagai salah satu teknologi modern yang memungkinkan UKM melakukan tugas berulang dengan lebih efisien sehingga menghasilkan kinerja organisasi yang lebih baik. Penelitian ini mengadopsi tahap Inisialisasi dan Implementasi dari The Consolidated Framework for Implementing RPA Project. Data bersumber dari salah satu UKM dalam bisnis kecantikan yang beroperasi di Provinsi Jawa Tengah- Indonesia, dimana bisnis kecantikan dianggap sebagai salah satu sektor yang berkembang pesat saat ini di Indonesia. Ruang lingkup penelitian ini difokuskan pada manajemen persediaan seperti pengecekan stok persediaan, peramalan permintaan produk berdasarkan data historis, membuat rencana pembelian, memesan barang ke vendor melalui email dan menindaklanjuti menggunakan email jika barang yang dipesan belum datang. Temuan penelitian ini menunjukkan bahwa penggunaan RPA dalam manajemen persediaan dapat menghemat banyak biaya yang sebelumnya dianggap sebagai beban. Adanya RPA di perusahaan telah berhasil membantu AuradermA Skin Care dalam mengelola persediaan dengan lancar, mengurangi beban kerja staf dan pada akhirnya memastikan persediaan tidak habis atau berlebihan. Diharapkan penelitian ini memberikan kontribusi dalam bidang RPA karena implementasi RPA belum begitu banyak ditemukan terutama untuk UKM.

---

State of Charge (SOC) is a condition that states battery charge condition. This condition is important to know to ensure safe battery operating condition. One of the challenge in estimating SOC is that the battery dynamic system. To estimate SOC, battery undergoes characterization process. The Li-Ion battery characterization system monitors voltage across the battery as well as current going to or out of the battery. After the system is assembled, battery will be prepared before characterization using Constant Current Constant Voltage (CCCV) charging. Characterization process starts with battery undergoing discharging and charging process. In this research, Li-Ion battery made from LiNiMnCoO2 is modelled based on second order Thevenin Equivalent Circuit Model. SOC estimation is optimized using Uscented Kalman Filter (UKF). Next, battery undergoes Hybrid Pulse Power Characterization (HPPC) test to obtain ECM parameters. Next, ECM parameters are used as value to be fitted with SOC from Coulomb Counting (CC) with seventh order polynomial method from HPPC result. SOC estimation validation is done using Dynamic Stress Test (DST). The SOC estimation result using UKF is compared to the estimation which doesn’t use UKF. The simulation and experiment result show that UKF algorithm is able to adjust its estimation result when given wrong initial SOC estimation value. The simulated SOC estimation result using UKF is compared with the CC method and reference SOC have Root-Mean Square Error (RMSE) of 0.7 % and Maximum Error (ME) of 9.9 %. The experiment SOC estimation result compared with CC SOC method has RMSE of 2.76 % and ME of 10%."

"Penelitian ini mengembangkan metode untuk mendeteksi anomali pada degradasi baterai lithium-ion dengan memanfaatkan dataset kapasitas baterai sehat sebagai data pelatihan dan validasi. Model Long Short-Term Memory (LSTM)-Autoencoder dirancang dan dilatih untuk mengenali penyimpangan dalam pola degradasi baterai. Model ini berhasil mencapai akurasi tinggi dengan threshold Mean Squared Error (MSE) sebesar 0,083, yang mampu membedakan kondisi baterai normal dan anomali secara efektif. Analisis menggunakan confusion matrix menunjukkan performa model yang sangat andal tanpa adanya false positive maupun false negative. Konfigurasi hyperparameter dilakukan untuk memastikan kombinasi terbaik pada model dengan dataset yang digunakan. Namun, keterbatasan dataset yang digunakan menunjukkan pentingnya validasi lebih lanjut untuk penerapan model pada data yang lebih beragam dan kompleks.

---

This study proposes a method to detect anomalies in lithium-ion battery degradation using a dataset of healthy battery capacity as training and validation data. A Long Short-Term Memory (LSTM)-Autoencoder model was developed and trained to identify deviations in battery degradation patterns. The model achieved high accuracy, with a mean squared error (MSE) threshold of 0.083, effectively separating normal and anomalous battery conditions. Confusion matrix analysis confirmed the model's reliability, showing no false positives or negatives. The hyperparameters were optimized for performance, ensuring efficient convergence within 30 epochs. While the results demonstrate the potential of this approach for anomaly detection, dataset limitations highlight the need for further validation on diverse and complex data.

"

"[Telah dilakukan peningkatan konduktivitas listrik LiFePO4 dengan metode penambahan material logam nano Cu dan CNTs. Metode ini menjadi pilihan yang menarik karena mudah dan murah dalam proses pembuatannya. Proses sintesis dilakukan dengan mencampur serbuk LiFePO4 (komersil) dengan variasi presentase berat nano tembaga (komersil) 0, 1, 3, 5, 7 wt. % dan 5 wt. % nano karbon (komersil)kemudian di proses vacuum mixing dan film applicator. Pengujian XRD, SEM dan EDX dilakukan pada serbuk yang diterima untuk mengkonfirmasi fasa, ukuran butir serta ada tidaknya impurities. Hasil XRD dan EDX pada serbuk nano Cu menunjukkan bahwa telah terjadi oksidasi dan terbentuk menjadi CuO dan Cu2O, serta ditemukanadanya impurities elemen S sebesar 8.5 wt. %. Komposisi fasa yang dihasilkan dari proses penambahan didapat dari menganalisis pola difraksi XRD menunjukkan bahwa fasa yang terbentuk adalahLiFePO4 namun ditemukan adanya impurities berupa Cu4O3 pada variasi penambahan 80 wt. % LiFePO4, 5 wt. % Cu, 5 wt. % C, dan 10 wt. % PVDF. Konduktivitas listrik diuji material katoda LiFePO4 dengan EIS, dan hasil uji menunjukkan bahwa konduktivitas listrik LiFePO4 meningkat seiiring dengan penambahan nano Cu namun tidak terlalu signifikan (dalam satu orde), hal ini dikarenakan efek oksidasi pada Cu.Pada variasi penambahan nano C dan nano Cu terjadi peningkatan sebesar 3 orde dengan nilai konduktivitas sebesar 8.4 x 10-5 S/cm pada variasi penambahan 80 wt. % LiFePO4, 5 wt. % Cu, 5 wt. % C. Penambahan nano karbon pada LiFePO4 lebih efektif dalam peningkatan konduktivitas dibandingkan dengan penambahan nano Cudikarenakan efek oksidasi pada Cu yang tidak dapat dihindari. Morfologi material katoda dan distribusi nano Cu dan nano karbon dianalisis menggunakan SEM/EDX, menunjukkan material yang dicampur pada variasi penambahan nano Cu cukup homogen, struktur butir spherical, sedangkan pada variasi penambahan nano Cu dannano karbon struktur butir polyhedral dengan ukuran butir berada pada rentang 100- 500 nm. Struktur butir ini mempengaruhi hasil cole plot dimana pada variasi penambahan Cu terbentuk semicircle sedangkan pada penambahan nano C tidak;Improved of Electrical conductivity of LiFePO4 with the method of adding Cu Nano metal material and CNTs has been done. This method is an attractive option because it is easy and inexpensive in the manufacturing process. Synthesis process isdone by mixing the powder LiFePO4 (commercial) with a variation of the percentage by weight of Nano copper (commercial) 0, 1, 3, 5, 7 wt. % and 5 wt. % CNTs (commercial) and then process in vacuum mixing and film applicator. Testing XRD, SEM and EDX performed on the powder to confirm the phase, grain size and the presence or absence of impurities. Results of XRD and EDX on Nano Cu powder showed that there had been oxidation and formed into CuO and Cu2O, and discovered the existence of impurities elements S of 8.5 wt. %.Phase composition as the result from adding process obtained with analyzing the XRD diffraction pattern showed that the phase formed is LiFePO4 yet found any impurities in the form of Cu4O3 on variations LiFePO4 addition of 80 wt. %, 5 wt. % Cu, 5 wt. % C, and 10 wt. % PVDF. The electrical conductivity of LiFePO4 cathode material was tested by EIS, and the results showed that the electrical conductivity of LiFePO4 increased with the addition of Nano-Cu but not too significant (still on the same order), this is because the effects of oxidation on Cu. On the addition of Nano C and Nano Cu variation there is an increase of 3 order with conductivity value 8.4 x 10-5 S / cm at variations LiFePO4 addition of 80 wt.%, 5 wt.% Cu, 5 wt.% C. The addition of CNTs is more effective in LiFePO4 conductivity increase, compared to the additionof Nano-Cu due to the effects of oxidation on Cu are unavoidable. Cathode material morphology and distribution of CNTs and Nano Cu analyzed using SEM / EDX, showed mixed material on the variation of the addition of Nano Cu quite homogenous, spherical grain structure, while the variation of the addition of Nano Cu and CNTs structures polyhedral grains with a grain size in the range 100-500 nm. This affects the grain structure results in a variation of Cole plot where the addition of Cu is formed semicircle, while the addition of Nano C is not.;Improved of Electrical conductivity of LiFePO4 with the method of adding CuNano metal material and CNTs has been done. This method is an attractive optionbecause it is easy and inexpensive in the manufacturing process. Synthesis process isdone by mixing the powder LiFePO4 (commercial) with a variation of the percentageby weight of Nano copper (commercial) 0, 1, 3, 5, 7 wt. % and 5 wt. % CNTs(commercial) and then process in vacuum mixing and film applicator. Testing XRD,SEM and EDX performed on the powder to confirm the phase, grain size and thepresence or absence of impurities. Results of XRD and EDX on Nano Cu powdershowed that there had been oxidation and formed into CuO and Cu2O, and discoveredthe existence of impurities elements S of 8.5 wt. %.Phase composition as the result from adding process obtained with analyzingthe XRD diffraction pattern showed that the phase formed is LiFePO4 yet found anyimpurities in the form of Cu4O3 on variations LiFePO4 addition of 80 wt. %, 5 wt. %Cu, 5 wt. % C, and 10 wt. % PVDF. The electrical conductivity of LiFePO4 cathodematerial was tested by EIS, and the results showed that the electrical conductivity ofLiFePO4 increased with the addition of Nano-Cu but not too significant (still on thesame order), this is because the effects of oxidation on Cu. On the addition of Nano Cand Nano Cu variation there is an increase of 3 order with conductivity value 8.4 x 10-5 S / cm at variations LiFePO4 addition of 80 wt.%, 5 wt.% Cu, 5 wt.% C. The additionof CNTs is more effective in LiFePO4 conductivity increase, compared to the additionof Nano-Cu due to the effects of oxidation on Cu are unavoidable. Cathode materialmorphology and distribution of CNTs and Nano Cu analyzed using SEM / EDX,showed mixed material on the variation of the addition of Nano Cu quite homogenous,spherical grain structure, while the variation of the addition of Nano Cu and CNTsstructures polyhedral grains with a grain size in the range 100-500 nm. This affects thegrain structure results in a variation of Cole plot where the addition of Cu is formedsemicircle, while the addition of Nano C is not., Improved of Electrical conductivity of LiFePO4 with the method of adding CuNano metal material and CNTs has been done. This method is an attractive optionbecause it is easy and inexpensive in the manufacturing process. Synthesis process isdone by mixing the powder LiFePO4 (commercial) with a variation of the percentageby weight of Nano copper (commercial) 0, 1, 3, 5, 7 wt. % and 5 wt. % CNTs(commercial) and then process in vacuum mixing and film applicator. Testing XRD,SEM and EDX performed on the powder to confirm the phase, grain size and thepresence or absence of impurities. Results of XRD and EDX on Nano Cu powdershowed that there had been oxidation and formed into CuO and Cu2O, and discoveredthe existence of impurities elements S of 8.5 wt. %.Phase composition as the result from adding process obtained with analyzingthe XRD diffraction pattern showed that the phase formed is LiFePO4 yet found anyimpurities in the form of Cu4O3 on variations LiFePO4 addition of 80 wt. %, 5 wt. %Cu, 5 wt. % C, and 10 wt. % PVDF. The electrical conductivity of LiFePO4 cathodematerial was tested by EIS, and the results showed that the electrical conductivity ofLiFePO4 increased with the addition of Nano-Cu but not too significant (still on thesame order), this is because the effects of oxidation on Cu. On the addition of Nano Cand Nano Cu variation there is an increase of 3 order with conductivity value 8.4 x 10-5 S / cm at variations LiFePO4 addition of 80 wt.%, 5 wt.% Cu, 5 wt.% C. The additionof CNTs is more effective in LiFePO4 conductivity increase, compared to the additionof Nano-Cu due to the effects of oxidation on Cu are unavoidable. Cathode materialmorphology and distribution of CNTs and Nano Cu analyzed using SEM / EDX,showed mixed material on the variation of the addition of Nano Cu quite homogenous,spherical grain structure, while the variation of the addition of Nano Cu and CNTsstructures polyhedral grains with a grain size in the range 100-500 nm. This affects thegrain structure results in a variation of Cole plot where the addition of Cu is formedsemicircle, while the addition of Nano C is not.]"