Baterai Lithium-ion (Li-ion) sudah sangat luas digunakan untuk menjadi sistem penyimpanan. Tetapi kinerja baterai Li-ion akan menurun dengan sepanjang waktu dan penggunaan karena degradasi konstituen dari elektrokimia. Degradasi baterai perlu dipertimbangkan, karena dari perspektif keselamatan untuk mencegah ledakan dan menyebabkan penurunan kinerja peralatan pada sistem bertenaga, dan meningkatnya biaya dalam perbaikan. Maka dari itu, untuk memastikan keamanan dan keandalan pada baterai perlu adanya diagnostik kesehatan. Diagnostik Kesehatan baterai dapat dilakukan dengan mengetahui sisa masa pakai (remaining useful life) baterai. Pendekatan bebasis data (data-driven) untuk esttimasi RUL (remaining useful life) baterai sendiri optimal dengan metode machine learning, karena fleksibilitas dan kemampuan pencocokan nonliniernya, dibandingkan dengan metode (failure physical model/ model based). Untuk estimasi RUL baterai pada penelitian ini akan membandingkan algoritma model machine learning yang paling optimal dengan Linear Regression, Random Forest, Support Vector Machine, XGBoost, dan Long Short-Term Memory. Feature data yang digunakan akan memafaatkan perubahan kurva tegangan baterai dan turunannya yang merupakan sumber data yang kaya yang efektif dalam diagnosis degradasi serta ditambahkannya data pendukung pada baterai seperti perubahan kapasitas pelepasan, internal resistance, waktu pengisian daya, dan suhu dapat meningkatkan estimasi sebesar 5%. Berdasarkan hasil estimasi RUL baterai dengan model XGboost (Regressor) mendapatkan akurasi paling optimal sebesar 92.5%.
Kata Kunci : Machine Learning, Baterai Lithium-Ion, Remaining useful life
