PROGNOSIS STATE OF HEALTH BATERAI LITHIUM-ION MENGGUNAKAN READ-FIRST LONG-SHORT TERM MEMORY

Abstract

Penurunan performa baterai lithium-ion akibat degradasi internal selama siklus penggunaan membutuhkan metode prediksi yang akurat untuk menentukan State of health (SoH). Penelitian ini mengusulkan model Encoder–Decoder berbasis Read-First Long Short-Term Memory (RLSTM–LSTM) untuk melakukan prognosis SoH menggunakan parameter Indirect Health Indicator (IHI) yang diperoleh dari data siklus baterai NASA PCoE, khususnya baterai B0005 dan B0006. Parameter IHI yang digunakan mencakup t_discharge, t_Tmax, DVD_ETI, dan DTD_ETI. Setelah dilakukan ekstraksi dan normalisasi fitur, model dilatih dan dievaluasi menggunakan metrik MAE, RMSE, dan MAPE. Model utama dibandingkan dengan tiga model pembanding: LSTM–LSTM, LSTM tunggal, dan RLSTM tunggal. Hasil pengujian pada baterai B0006 menunjukkan bahwa model RLSTM–LSTM memiliki performa terbaik dengan MAE sebesar 0.0175, RMSE sebesar 0.0213, dan MAPE sebesar 1.62%. Kebaruan penelitian ini terletak pada penerapan arsitektur RLSTM sebagai encoder yang mampu menangkap informasi global dari sekuens parameter kesehatan baterai, meningkatkan akurasi prediksi dibandingkan pendekatan LSTM konvensional. Implikasi dari penelitian ini menunjukkan bahwa model RLSTM–LSTM dapat diintegrasikan dalam sistem manajemen baterai cerdas (Battery Management System) untuk memperkirakan kesehatan baterai secara real-time dan memperpanjang umur pakai baterai melalui strategi perawatan prediktif.