ANALISIS PARAMETER PENGISIAN CEPAT BATERAI KENDARAAN LISTRIK BERBASIS LSTM-RNN

Halomoan, Advent Samuel (2025) ANALISIS PARAMETER PENGISIAN CEPAT BATERAI KENDARAAN LISTRIK BERBASIS LSTM-RNN. Diploma thesis, Politeknik Negeri Sriwijaya.

	Text (COVER) COVER.pdf - Published Version Download (382kB)
	Text (ABSTRAK) Abstrak.pdf - Published Version Download (14kB)
	Text (BAB I) BAB 1.pdf - Published Version Restricted to Repository staff only Download (29kB) | Request a copy
	Text (BAB II) BAB II.pdf - Published Version Restricted to Repository staff only Download (680kB) | Request a copy
	Text (BAB III) BAB III.pdf - Published Version Restricted to Repository staff only Download (557kB) | Request a copy
	Text (BAB IV) BAB IV.pdf - Published Version Restricted to Repository staff only Download (604kB) | Request a copy
	Text (BAB V) BAB V.pdf - Published Version Restricted to Repository staff only Download (10kB) | Request a copy
	Text (DAFTAR PUSTAKA) DAFTAR PUSTAKA.pdf - Published Version Restricted to Repository staff only Download (81kB) | Request a copy
	Text (LAMPIRAN) LAMPIRAN.pdf - Published Version Restricted to Repository staff only Download (819kB) | Request a copy

Abstract

Pengisian cepat (fast charging) pada kendaraan listrik (Electric Vehicle/EV) menjadi solusi atas kendala lamanya waktu pengisian baterai, namun berisiko menyebabkan peningkatan suhu yang signifikan, degradasi baterai, dan overcharging. Oleh karena itu, dibutuhkan sistem monitoring dan prediksi cerdas yang mampu menganalisis parameter pengisian secara real-time. Penelitian ini merancang dan mengimplementasikan sistem monitoring dan prediksi pengisian cepat berbasis algoritma Long Short-Term Memory - Recurrent Neural Network (LSTM-RNN) untuk memprediksi State of Charge (SOC) baterai kendaraan listrik. Sistem menggunakan sensor PZEM-017 dan sensor suhu MLX90614 untuk membaca parameter tegangan, arus, daya, suhu, dan SOC, yang dikirimkan ke Raspberry Pi melalui Arduino. Model LSTM-RNN dikembangkan dengan dua lapisan LSTM (64 dan 32 unit), dropout 20%, dan dilatih menggunakan dataset pengisian pada tiga variasi arus: 5A, 10A, dan 15A. Hasil evaluasi menunjukkan bahwa model memiliki performa prediksi terbaik pada arus 15A dengan nilai R² sebesar 0.8558 dan MAPE < 1%. Visualisasi menunjukkan kesesuaian prediksi dengan data aktual, khususnya pada arus tinggi. Sistem ini juga menampilkan hasil prediksi dan monitoring secara real-time melalui Human-Machine Interface (HMI). Dengan demikian, penerapan model LSTM-RNN terbukti efektif dalam meningkatkan akurasi prediksi SOC serta mendukung pengisian cepat yang efisien dan aman.

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Fast Charging, LSTM-RNN, 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:	14 Aug 2025 07:42
Last Modified:	14 Aug 2025 07:42
URI:	http://eprints.polsri.ac.id/id/eprint/18496

Actions (login required)

View Item