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."

"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."