Baterai adalah salah satu komponen
penting dalam berbagai teknologi modern, termasuk kendaraan listrik, perangkat
elektronik, dan sistem penyimpanan energi terbarukan. Penggunaan baterai yang
intensif dan berkelanjutan menyebabkan siklus hidup baterai menjadi perhatian
utama, terutama karena baterai secara alami mengalami degradasi dan penurunan
kapasitas seiring waktu. Penelitian ini bertujuan
mengembangkan sebuah sistem peramalan untuk memprediksi kapasitas baterai
berdasarkan analisis data dari siklus-siklus penggunaan sebelumnya dengan
menggunakan dataset yang memiliki 500 siklus dan juga 3 dataset lain yang
memiliki 79 siklus. Metode peramalan yang digunakan melibatkan regresi linear, ARIMA
(autoregressive integrated moving average), dan ANN (artificial neural
network) yang kemudian dilakukan pengujian akurasi model melalui metrik
seperti MAPE (mean absolute percentage error), MSE (mean squared
error), dan MFE (mean forecast error). Selain itu, dilakukan
perbandingan antar algoritma dan dataset yang digunakan untuk mengevaluasi
keefektifan model dalam meramalkan data siklus baterai. Hasil peramalan yang
dilakukan pada dataset 1 menunjukkan bahwa hasil peramalan sudah cukup baik dan
model ARIMA menjadi model paling akurat dengan MAPE sebesar 1,07%; MSE sebesar
0,000008; dan MFE sebesar 0,000193 pada siklus pengisian. Sedangkan
peramalan pada 3 dataset lain yang fluktuasinya berbeda menunjukkan penurunan
akurasi dibandingkan peramalan dataset 1, dengan ANN menjadi model paling fleksibel dan stabil untuk
keseluruhan dataset yang memiliki kesalahan terendah dengan rata – rata MAPE
4,36% dan rata – rata MSE 0,000063.
