Hasil Pencarian  ::  Simpan CSV :: Kembali

"State of Health (SOH) merupakan salah satu parameter penting pada baterai lithium-ion yang menunjukkan tingkat penuaan baterai. Estimasi SOH yang akurat diperlukan untuk memprediksi umur baterai dan mencegah kegagalan sistem berbasis baterai. Salah satu metode estimasi SOH yang banyak digunakan oleh para peneliti adalah penggunaan metode deep learning seperti Long Short – Term Memory (LSTM) . Meskipun algoritma tersebut secara umum sudah banyak digunakan oleh banyak orang, namun para peneliti masih terus berupaya untuk mengembangkannya agar mendapatkan hasil yang memiliki akurasi yang tinggi dan error yang rendah. Maka dari itu, penelitian ini dilakukan untuk merancang arsitektur model Long Short – Term Memory (LSTM) yang dioptimasi dengan metode Differential Evolution – Grey Wolf Optimizer (DEGWO) untuk meningkatkan akurasi estimasi SOH pada baterai lithium-ion yang berasal dari dataset NASA. Hasil penelitian yang didapat menunjukkan bahwa model DEGWO – LSTM merupakan model dengan performa terbaik dibandingkan dengan model LSTM Standar, dengan nilai R² sebesar 0,9965, RMSE sebesar 0,5%, dan MAPE sebesar 0,4%.

---

State of Health (SOH) is one of the important parameters in lithium-ion batteries that indicates the degree of battery aging. Accurate SOH estimation is required to predict battery life and prevent battery-based system failures. One method of SOH estimation that is widely used by researchers is the use of deep learning methods such as Long Short - Term Memory (LSTM). Although these algorithms have generally been used by many people, researchers are still trying to develop them in order to get results that have high accuracy and low error. Therefore, this research was conducted to design a Long Short - Term Memory (LSTM) model architecture optimized with the Differential Evolution - Grey Wolf Optimizer (DEGWO) method to improve the accuracy of SOH estimation on lithium-ion batteries derived from NASA datasets. The results obtained show that the DEGWO - LSTM model is the best performing model compared to the Standard LSTM model, with an R² value of 0.9965, RMSE of 0.5%, and MAPE of 0.4%. "