Perpustakaan Digital ITB

Prediksi remaining useful life (RUL) pada baterai litium-ion merupakan aspek kritis untuk memastikan keandalan, keamanan, dan efisiensi biaya dalam berbagai aplikasi, mulai dari perangkat elektronik hingga kendaraan listrik. Tantangan utama dalam prediksi RUL adalah kompleksitas data degradasi baterai yang bersifat nonlinier dan dinamis, serta kurangnya interpretabilitas model machine learning konvensional dan deep learning yang sering dianggap sebagai black box. Tugas akhir ini bertujuan untuk membandingkan performa model machine learning konvensional (Random Forest) dan deep learning (LSTM dan GRU) dalam memprediksi RUL baterai litium-ion, serta mengevaluasi metode Explainable Artificial Intelligence (XAI) yang paling efektif untuk menjelaskan hasil prediksi. Dataset yang digunakan berasal dari NASA Battery Dataset, dengan fokus pada data discharge yang divalidasi oleh pemangku kepentingan industri. Hasil penelitian menunjukkan bahwa Random Forest memberikan performa terbaik dengan tingkat error hanya 1,4%, mengungguli LSTM (11,5%) dan GRU (13%). Metode TreeInterpreter dipilih sebagai metode XAI terbaik berdasarkan evaluasi kolektif para pemangku kepentingan, karena kemampuannya memberikan penjelasan yang akurat dan mudah dipahami. Sistem prediksi RUL berbasis situs web berhasil dikembangkan untuk memudahkan pengguna dalam memantau kesehatan baterai secara real-time. Penelitian ini memberikan kontribusi dalam meningkatkan transparansi dan kepercayaan terhadap model prediksi RUL, serta mendukung pengambilan keputusan yang lebih informatif di industri.