PERANCANGAN SISTEM MANAJEMEN BATTERY LITHIUM-ION DENGAN MENGGUNAKAN METODE ARTIFICIAL INTELLIGENCE (AI) MODEL DEEP LEARNING (LONG SHORT-TERM MEMORY)

Faikar, Dinda Faliska (2026) PERANCANGAN SISTEM MANAJEMEN BATTERY LITHIUM-ION DENGAN MENGGUNAKAN METODE ARTIFICIAL INTELLIGENCE (AI) MODEL DEEP LEARNING (LONG SHORT-TERM MEMORY). Diploma thesis, Politeknik Negeri Sriwijaya.

Preview	Text (COVER) COVER.pdf - Published Version Download (885kB) | Preview
Preview	Text (ABSTRAK) ABSTRAK.pdf - Published Version Download (248kB) | Preview
	Text (BAB I PENDAHULUAN) BAB 1.pdf - Published Version Restricted to Repository staff only Download (302kB) | Request a copy
	Text (BAB II TINJAUAN PUSTAKA) BAB II.pdf - Published Version Restricted to Repository staff only Download (956kB) | Request a copy
	Text (BAB III PERANCANGAN) BAB III.pdf - Published Version Restricted to Repository staff only Download (1MB) | Request a copy
	Text (BAB IV HASIL DAN PEMBAHASAN) BAB IV.pdf - Published Version Restricted to Repository staff only Download (834kB) | Request a copy
	Text (BAB V KESIMPULAN DAN SARAN) BAB V.pdf - Published Version Restricted to Repository staff only Download (213kB) | Request a copy
	Text (DAFTAR PUSTAKA) DAFTAR PUSTAKA.pdf - Published Version Restricted to Repository staff only Download (212kB) | Request a copy
	Text (LAMPIRAN) LAMPIRANN.pdf - Published Version Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

Baterai lithium-ion merupakan salah satu sumber energi yang banyak digunakan pada berbagai perangkat elektronik karena memiliki densitas energi yang tinggi, efisiensi yang baik, dan umur pakai yang relatif panjang. Namun, baterai lithium-ion rentan terhadap kondisi overcharge dan overdischarge yang dapat menurunkan performa serta mempercepat degradasi baterai. Perancangan ini bertujuan untuk merancang sistem Battery Management System (BMS) berbasis Artificial Intelligence (AI) menggunakan metode Deep Learning Long Short-Term Memory (LSTM) untuk memprediksi State of Charge (SOC) dan Depth of Discharge (DOD) pada baterai lithium-ion. Metode perancangan dilakukan melalui pengambilan data tegangan dan arus baterai selama proses charging dan discharging pada baterai 13.50V dan 24.800 mAh , kemudian data diolah menggunakan Google Colaboratory untuk pelatihan dan pengujian model LSTM. Hasil perancangan menunjukkan bahwa sistem mampu memprediksi SOC DOD dengan nilai RMSE 0.3419% dan MAE 0.3231%, serta akurasi prediksi mencapai 98%. Kesimoulannya menunjukkan bahwa model LSTM mampu memprediksi nilai SOC dan DOD berdasarkan pola historis data baterai dengan baik. Penerapan metode LSTM pada sistem BMS dapat membantu meningkatkan keamanan, efisiensi, dan keandalan penggunaan baterai lithium-ion pada berbagai perangkat elektronik.

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Battery Management System, Baterai Lithium-Ion, Deep Learning, Long Short-Term Memory, State of Charge, Depth of Discharge
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions:	Electronic Engineering > Undergraduate Theses
Depositing User:	Pustaka Teknik Elektro
Date Deposited:	30 Jul 2026 03:05
Last Modified:	30 Jul 2026 03:05
URI:	http://eprints.polsri.ac.id/id/eprint/23792

Actions (login required)

View Item