PENERAPAN ARSITEKTUR ARTIFICIAL NEURAL NETWORK (ANN)DALAM OPTIMALISASI PREDIKSI STATE OF CHARGE (SOC)BATERAI LiFePO4 DAN PREDIKSI PERFORMA SISWA

Oleh :
Dimas Zuda Fathul Akhir - K2319020 - Fak. KIP

Baterai LiFePO4 merupakan jenis baterai lithium-ion yang proses pemeliharaanya lebih sulit dibanding dengan baterai yang lain. Hal ini dikarenakan performa baterai yang semakin berkurang seiring waktu, harga penggantian baterai selalu bertambah dan berisiko terjadi ledakan dan kerusakan ketika dalam keadaan ekstrim. Oleh karena itu, diperlukan proses pengukuran nilai State of Charge (SoC) untuk mengoptimalkan pengoperasian dan memastikan keamanan dan keandalan dari baterai. Metode machine learning dengan arsitektur Artificial Neural Network (ANN) merupakan metode yang paling tepat dan cepat dalam mengatasi permasalahan nonlinear seperti baterai. Tujuan dari penelitian ini adalah untuk mengembangkan arsitektur (ANN) untuk mengoptimalisasi prediksi SoC baterai LiFePO4. Dataset yang digunakan dalam penelitian ini adalah dataset baterai LiFePO4 dengan tipe 18650 yang berjumlah 219193 data. Arsitektur yang telah dikembangkan dievaluasi menggunakan Mean Absolute Error (MAE) dan korelasi Spearman. Hasil dari penelitian ini menunjukkan bahwa arsitektur paling optimal dalam memprediksi nilai SoC baterai adalah 4-32-16-32-1 dengan input berjumlah 4, 3 hidden layer dengan masing-masing layer memiliki neuron 32-16-32. dan 1 output layer. Masing-masing hidden layer menggunakan aktivasi ReLU sedangkan untuk output menggunakan aktivasi Sigmoid. Optimizer yang digunakan adalah Adam dengan learning rate sebesar 0.001. Nilai error dari training sebesar 3,05 x 10-3 sedangkan pada hasil testing sebesar 6.1 x 10-3 . Korelasi yang dihasilkan model adalah 0.999. Arsitektur yang telah dikembangkan juga diuji dengan dataset performa siswa. Hasil error yang diperoleh saat pengujian adalah 0,012, sedangkan korelasi yang diperoleh adalah 0,992.