Perpustakaan Digital ITB

Baterai menjadi salah satu kunci utama dalam upaya dekarbonisasi untuk mengatasi keadaan darurat perubahan iklim. Hal itu dikarenakan sumber energi yang berasal dari energi terbarukan bersifat intermiten, sehingga dibutuhkan penyimpanan energi untuk menjaga keamanan dan kestabilan sistem. Baterai lithium-ion sebagai sumber energi sedang menghadapi kesulitan dalam hal memprediksi sisa umur pakai baterai (SUB) yang ditandai dengan menurunnya kondisi kesehatan baterai sampai pada ambang batas yang ditentukan. Prediksi SUB ini menggunakan satuan siklus, dimana prediksinya dihitung berdasarkan jumlah siklus yang digunakan sampai pada ambang batas yang ditentukan. Oleh karenanya, penelitian kali ini ditujukan untuk menjawab tantangan dalam memprediksi SUB. Pada penelitian ini dikembangkan prediksi SUB berbasis data time series siklus baterai lithium Nikel Kobalt Aluminium (NCA). Alur pengembangan model menggunakan kerangka kerja OSEMN (Obtain, Scrub, Explore, Model, & Interpret). Pada beberapa kasus, fitur atau variabel yang terdapat dalam dataset mentah tidak dapat menghasilkan kinerja terbaik. Pada kasus ini, dilakukan analisis korelasi berbagai variabel input yang digunakan dalam prediksi SUB dimana Kapasitas, State of Charge (SoC), Temperatur, dan Tegangan. Hasil eksperimen menunjukkan bahwa algoritma Long Short-Term Memory (LSTM) dengan variabel input SoC, Temperatur, dan Tegangan memberikan kinerja yang lebih baik dibandingkan dengan Recurrent Neural Network (RNN) dan Deep Neural Network (DNN) berdasarkan metrik performa. Prediksi SUB dengan metode LSTM pada data pengujian siklus baterai menghasilkan metrik performa dimana nilai MSE 0,458, MAE 0,486, RMSE 0,677, dan R square 0,933 serta waktu prediksi 215,18 detik. Hasil dan temuan ini dapat memberikan panduan bagi pengembangan prediksi SUB yang lebih baik kedepannya.