| dc.description.abstract | Baterai merupakan komponen penting untuk menyimpan energi listrik melalui fenomena reaksi kimia. Baterai Lithium-Ion adalah jenis batertai yang paling banyak digunakan. Akan tetapi, faktor pertambahan siklus charging, siklus discharging, dan temperatur dapat menurunkan performa baterai hingga pada masa akhirnya (End of Life) dan jika kita abaikan akan berakibat pada kecelakaan. Sebagai upaya pencegahan dari kecelakaan dan penggunaan baterai yang tidak optimal, prognosis kesehatan baterai yang akurat merupakan hal yang penting untuk diidentifikasi serta diprediksi. Prognosis kesehatan baterai dapat diidentifikasi melalui parameter State of Health (SOH). SOH adalah indikator kesehatan baterai yang diperoleh dari hasil perhitungan kapasitas baterai terkini lalu dibandingkan dengan kapasitas awal. Maka, perancangan ini mengimplementasikan sebuah metode prognosis SOH baterai menggunakan Quantum-Classical Long-Short Term Memory (QCLSTM) dan hanya memerlukan informasi tegangan dan temperatur discharge baterai. Perancangan ini menggunakan dataset baterai dari NASA Ames Prognostic Center of Excellence. Hasil perancangan memiliki performa yang paling baik dari baterai B0006 dan baterai B0005 yang menggunakan model QCLSTM dengan 1 feature dan 70% training. Model tersebut memiliki performa dengan Mean Absolute Error (MAE) sebesar 0,004, Root Mean Square Error (RMSE) sebesar 0,006, dan Mean Absolute Percentage Error (MAPE) sebesar 0,7%. | en_US |
