Estimasi State of Health Baterai Kendaraan Listrik Menggunakan Bidirectional Long Short-Term Memory dan Bayesian Optimization - Dalam bentuk buku karya ilmiah

SYAFRI WINARTANTO

Informasi Umum

Kode

25.04.6652

Klasifikasi

620.1 - Engineering Mechanics

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Machine Learning

Dilihat

100 kali

Informasi Lainnya

Abstraksi

Estimasi State of Health (SOH) baterai lithium-ion merupakan aspek penting dalam menjaga performa dan keamanan kendaraan listrik. Ketepatan estimasi SOH diperlukan untuk memastikan kinerja optimal dan umur panjang baterai. Sistem ini menerima masukan berupa data tegangan, suhu, dan siklus baterai, dan menghasilkan keluaran berupa nilai SOH dalam persentase. Topik ini menjadi krusial karena pendekatan konvensional sering kali kurang efektif dalam menangani data berurutan dan kompleks, yang berdampak pada akurasi estimasi. Ketidaksesuaian distribusi data antara pelatihan dan pengujian juga menjadi tantangan yang dapat mempengaruhi kinerja prediksi sistem. Penelitian ini menggunakan Bidirectional Long Short-Term Memory (BiLSTM) yang dikombinasikan dengan Bayesian Optimization untuk tuning hyperparameter. BiLSTM digunakan karena kemampuannya menangani data berurutan dan memperhitungkan konteks temporal dari kedua arah. Dataset yang digunakan terdiri dari 22,278 data point baterai NCA. Bayesian Optimization telah diimplementasikan untuk mengoptimalkan parameter seperti jumlah unit LSTM, dropout rate, dan learning rate. Model yang telah dikembangkan mencapai kinerja yang sangat baik dengan Mean Squared Error sebesar 0.5510, Mean Absolute Error sebesar 0.5464, dan R² Score sebesar 0.9868. Hasil ini menunjukkan akurasi estimasi SOH yang tinggi dan memberikan kontribusi signifikan dalam pengembangan sistem manajemen baterai yang lebih cerdas untuk kendaraan listrik. Kata kunci: state of health, bidirectional long short-term memory, bayesian optimization, battery management system, electric vehicle