ABSTRAK Mira Syafril
PUBLIC Irwan Sofiyan
COVER - Mira Syafril.pdf
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
BAB I - Mira Syafril.pdf
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
BAB II - Mira Syafril.pdf
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
BAB III - Mira Syafril.pdf
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
BAB IV - Mira Syafril.pdf
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
BAB V - Mira Syafril.pdf
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
PUSTAKA Mira Syafril
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
LAMPIRAN - Mira Syafril.pdf
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Sistem Manajemen Baterai Cerdas (SMBC) adalah komponen penting sebagai
pendukung untuk Sistem Baterai Penyimpanan Energi (SBPE) yang dapat
terintegrasi smartgrid yang memiliki kemampuan untuk estimasi parameter operasi
dan kinerja SBPE seperti State-of-Health (SoH) dan State-of-Charge (SoC).
Dengan edge device berbasis Graphics Processing Unit (GPU) dapat membuat
SMBC memiliki kinerja yang lebih cepat dibanding dengan yang hanya
menggunakan komputasi berbasis Central Processing Unit (CPU).
Pengembangan platform edge device untuk analisis mahadata SBPE digunakan dua
arsitektur yaitu kerangka kerja Cross Industry Standard Process for Data Mining
(CRISP-DM) sebagai alur pengembangan pemodelan analisis mahadata dan Smart
Grid Architectural Model (SGAM) sebagai arsitektur sistem untuk
merepresentasikan susunan jaringan cerdas. Objek SBPE digunakan berupa modul
baterai yang berisi lima belas sel baterai LFP (Lithium Ferro Phosphate) dengan
nilai tegangan total 48 VDC dan kapasitas 100 Ah. Hasil uji analisis mahadata pada
edge device menunjukkan nilai estimasi nilai SoC dengan metode Aritficial Neural
Network (ANN) menghasilkan galat Mean Absolute Percentage Error (MAPE)
sebesar 4,87% dan estimasi nilai SoH dengan metode Recurrent Neural Network
(RNN) menghasilkan galat MAPE sebesar 0,68%. Algoritma untuk nilai estimasi
SoC dan SoH telah dapat diimplementasikan pada edge device dengan komputasi
pada GPU memiliki efisiensi waktu yang lebih cepat sebesar 31-35% pada SoC dan
3-5% pada SoH dibandingkan dengan komputasi pada CPU. Pada penggunaan file
dengan format parquet untuk analisis mahadata memiliki waktu paling cepat 0-3%
dari file csv dan 6-12% dari file excel. Pengolahan data untuk data training yang
merupakan komputasi sekuensial, dengan komputasi berbasis CPU memiliki waktu
lebih cepat dan penggunaan energi yang lebih efisien dibandingkan komputasi
berbasis GPU. Sementara untuk data estimation, dengan komputasi berbasis GPU
memiliki waktu lebih cepat dan penggunaan energi yang lebih efisien karena GPU
memiliki keunggulan pada komputasi paralel.