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

Abstract

Baterai merupakan komponen yang sangat penting pada era digital saat ini, terlebih baterai lithium-ion yang banyak digunakan di sektor perangkat elektronik dan akan menjadi penyimpanan energi utama pada kendaraan listrik (EV). Namun, salah satu tantangan terbesar dalam pemanfaatan baterai lithium-ion adalah melakukan prognosis state of charge (SOC), yaitu indikator persentase yang menunjukkan kapasitas daya tersisa terhadap kapasitas totalnya dengan karakteristiknya yang non-linear, yaitu parameter arus, tegangan dan temperatur baterai. Sehingga, diperlukan metode yang mampu menangani data yang kompleks dan non-linear. Maka dari itu, digunakan metode Read-first Long Short-Term Memory (RLSTM) sebagai metode pemodelan prognosis SOC. Penelitian ini bertujuan untuk memberikan prognosis SOC yang akurat sehingga meminimalisir kesalahan prognosis SOC yang pada akhirnya memberikan informasi penting kepada pengguna agar mendapat tindakan manajemen baterai yang baik, terhindar dari kondisi overcharging ataupun overdischarging. Baterai yang digunakan sebagai subjek pengujian dalam penelitian ini adalah B0005, B0006, B0007, dan B0018 yang bersumber dari NASA Li-ion Battery Aging Datasets. Hasil dari pengujian terhadap keempat baterai didapatkan bahwa RLSTM konsisten sebagai model terbaik dibanding model pembanding yang digunakan, dengan metrik evaluasi terbaik pada pengujian baterai B0018 dengan segmentasi data 70% training 30% testing. Performa dari model RLSTM pada pengujian terhadap baterai dan segmentasi data ini, didapatkan RMSE sebesar 0.006035, MAE sebesar 0.004556, dan R2 sebesar 0.999637.