ANALISIS PERBANDINGAN ALGORITMA DECISION TREE DAN XGBOOST UNTUK PREDIKSI DURASI FAST CHARGING BATERAI LITHIUM POLYMER

Lizwardi, Dio (2026) ANALISIS PERBANDINGAN ALGORITMA DECISION TREE DAN XGBOOST UNTUK PREDIKSI DURASI FAST CHARGING BATERAI LITHIUM POLYMER. Diploma thesis, Politeknik Negeri Sriwijaya.

Preview	Text COVER.pdf Download (748kB) | Preview
Preview	Text (ABSTRAK) ABSTRAK.pdf - Published Version Download (136kB) | Preview
	Text (BAB I PENDAHULUAN) BAB I.pdf - Published Version Restricted to Repository staff only Download (222kB) | Request a copy
	Text (BAB II TINJAUAN PUSTAKA) BAB II.pdf - Published Version Restricted to Repository staff only Download (673kB) | Request a copy
	Text (BAB III METODOLOGI PENELITIAN) BAB III.pdf - Published Version Restricted to Repository staff only Download (1MB) | Request a copy
	Text (BAB IV PEMBAHASAN) BAB IV.pdf - Published Version Restricted to Repository staff only Download (1MB) | Request a copy
	Text (BAB V PENUTUP) BAB V.pdf - Published Version Restricted to Repository staff only Download (126kB) | Request a copy
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf - Published Version Restricted to Repository staff only Download (149kB) | Request a copy
	Text (LAMPIRAN) Lampiran.pdf - Published Version Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

Perkembangan kendaraan listrik mendorong kebutuhan akan sistem fast charging yang mampu mengisi baterai secara cepat tanpa mengurangi keamanan dan umur pakai baterai. Selama proses pengisian, perubahan parameter seperti tegangan, arus, suhu, dan State of Charge (SoC) sangat memengaruhi durasi pengisian serta kondisi baterai. Oleh karena itu, penelitian ini bertujuan merancang sistem monitoring berbasis ESP32 yang mampu memantau parameter baterai secara real-time melalui Telegram serta membandingkan kinerja algoritma Decision Tree dan XGBoost dalam memprediksi durasi pengisian baterai Lithium Polymer. Data diperoleh secara langsung menggunakan sensor PZEM-017, ACS758, dan GY-906 selama proses fast charging, kemudian dilakukan tahap preprocessing, pelatihan model, serta evaluasi menggunakan metrik Mean Absolute Error (MAE), Root Mean Square Error (RMSE), Mean Absolute Percentage Error (MAPE), dan koefisien determinasi (R²). Hasil penelitian menunjukkan bahwa algoritma XGBoost memberikan performa prediksi yang lebih baik dibandingkan Decision Tree, dengan nilai RMSE sebesar 66,62 detik, MAE sebesar 37,46 detik, MAPE sebesar 1,79%, dan R² sebesar 0,9983, sedangkan Decision Tree memperoleh RMSE sebesar 81,48 detik, MAE sebesar 45,31 detik, MAPE sebesar 2,77%, dan R² sebesar 0,9973. Hasil tersebut menunjukkan bahwa XGBoost lebih akurat dalam memprediksi durasi pengisian baterai Lithium Polymer, sehingga berpotensi meningkatkan efektivitas sistem monitoring dan membantu pengguna dalam memperkirakan waktu pengisian secara lebih tepat.

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Fast Charging, Decision Tree, XGBoost, Lithium Polymer, Prediksi Durasi Pengisian, State of Charge (SoC)
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions:	Electronic Engineering > Undergraduate Theses
Depositing User:	Pustaka Teknik Elektro
Date Deposited:	06 Aug 2026 03:01
Last Modified:	06 Aug 2026 03:01
URI:	http://eprints.polsri.ac.id/id/eprint/24177

Actions (login required)

View Item