Perpustakaan Digital ITB

Adopsi kendaraan listrik (EV) di Indonesia secara signifikan terhambat oleh kekhawatiran pengguna terhadap jarak tempuh (range anxiety) dan keterbatasan infrastruktur pengisian daya publik (SPKLU) yang masih tersebar secara tidak merata. Penelitian ini memperkenalkan model hibrida yang inovatif dengan menggabungkan pembelajaran mesin (machine learning/ML) dan optimisasi matematis secara sinergis untuk meningkatkan perencanaan rute EV dan penjadwalan pengisian daya secara dinamis. Sistem ini mengintegrasikan data yang diberikan pengguna (asal, tujuan, spesifikasi EV) dengan data jaringan jalan dari OpenStreetMap (OSM), serta menerapkan beragam algoritma optimisasi (misalnya, MILP, A*) dan model ML (misalnya, Random Forest dengan R²=0,987 untuk prediksi waktu pengisian daya) untuk merekomendasikan rute yang hemat energi dan layak dilalui. Durasi pengisian daya diprediksi secara dinamis menggunakan data historis, sementara pemilihan rute disesuaikan dengan konsumsi energi real-time, jarak tempuh, dan ketersediaan stasiun pengisian. Evaluasi dalam berbagai skenario realistis di Indonesia menunjukkan keberhasilan kerangka kerja ini dalam menyediakan rencana perjalanan yang andal dan adaptif serta estimasi waktu tiba (ETA) yang akurat, sehingga secara efektif mengurangi kekhawatiran pengguna terhadap jarak tempuh. Temuan ini menegaskan bahwa pendekatan hibrida ini menawarkan solusi yang tangguh untuk mendukung adopsi EV yang lebih luas, khususnya di negara berkembang dengan keterbatasan infrastruktur.