Publisher

SEMINAR IDSEMINAR ID

Journal Journal of Computer System and Informatics (JoSYC)Journal of Computer System and Informatics (JoSYC) Abstract

Abstrak – Ketidakseimbangan tegangan antarsel baterai menurunkan efisiensi, mempercepat degradasi, dan menaikkan risiko kegagalan sistem penyimpanan energi listrik. Penelitian ini bertujuan memodelkan serta memprediksi kondisi balancing charger menggunakan dua algoritma pembelajaran mesin, Random Forest (RF) dan K-Nearest Neighbors (KNN), pada kondisi sel baterai berisi 4, 8, 10, hingga 15 sel dengan lima skala dataset (1000, 5000, 10000, 15000, 20000 sampel). Data tegangan diperoleh melalui simulasi dan pengukuran laboratorium pada baterai lithium-ion dengan rentang 3,2–4,2 V, kemudian dinormalisasi dan dibagi menjadi data pelatihan serta pengujian. Kinerja dievaluasi memakai akurasi, confusion matrix, dan feature importance. Hasil menunjukkan RF mencapai akurasi 0,98 pada 4 sel dan tetap tinggi 0,93 pada 15 sel, sedangkan KNN hanya 0,94 dan 0,37 pada konfigurasi serupa. RF memperlihatkan prediksi yang terpusat pada diagonal confusion matrix dan bobot fitur merata, menandakan adaptabilitas terhadap kenaikan dimensi. Kontribusi penelitian ini adalah: (1) kerangka evaluasi untuk membandingkan algoritma klasifikasi pada skenario multi-sel; (2) bukti empiris skalabilitas RF untuk mendeteksi kondisi balancing dengan data tegangan tunggal; dan (3) implikasi praktis bagi BMS, yaitu pengambilan keputusan balancing yang lebih akurat, prioritisasi sel yang bermasalah, pengurangan siklus penyeimbangan sia-sia, dan potensi penghematan energi serta perpanjangan umur pakai. Temuan ini merekomendasikan RF sebagai algoritma inti pada sistem balancing charger berbasis machine learning, khususnya untuk implementasi nyata pada perangkat tepi berdaya terbatas.

Conclusion

Berdasarkan hasil pembahasan yang telah dilakukan untuk seluruh konfigurasi baterai (4S, 8S, 10S, dan 15S), telah dibuktikan bahwa Random Forest secara konsisten unggul dibandingkan K-Nearest Neighbors dalam memprediksi kondisi balancing charger.Random Forest dapat mencapai akurasi tinggi secara stabil dan meningkat seiring bertambahnya data, sementara KNN memerlukan dataset besar untuk kinerja yang mendekati RF.Oleh karena itu, penelitian ini merekomendasikan penggunaan Random Forest sebagai algoritma utama dalam sistem balancing charger berbasis machine learning.

Future Research

Bagaimana peningkatan efisiensi energi pada balancing charger dapat lebih optimal bila diterapkan model ensemble hybrid antara Random Forest dan K-Nearest Neighbors? Bagaimana kinerja model RF dapat dievaluasi di perangkat tepi dengan keterbatasan daya dan memori, serta dampaknya terhadap latensi prediksi? Bagaimana transfer learning dapat memanfaatkan data dari baterai lithium‑ion berbasis chemistries lain untuk mempercepat pelatihan model RF pada aplikasi kendaraan listrik serta memperpanjang umur pakai baterai?.

References

1. RANCANG BANGUN PENGISI DAYA UNTUK BATERAI LITHIUM-POLYMER DENGAN MEMPERTIMBANGKAN KOMPENSASI RESISTANSI... doi.org/10.14710/transmisi.25.2.48-57RANCANG BANGUN PENGISI DAYA UNTUK BATERAI LITHIUM POLYMER DENGAN MEMPERTIMBANGKAN KOMPENSASI RESISTANSI doi 10 14710 transmisi 25 2 48 57
2. Research on the Remaining Useful Life Prediction Method of Energy Storage Battery Based on Multimodel... pubs.acs.org/doi/10.1021/acsomega.4c03524Research on the Remaining Useful Life Prediction Method of Energy Storage Battery Based on Multimodel pubs acs doi 10 1021 acsomega 4c03524
3. Review of Renewable Energy Potentials in Indonesia and Their Contribution to a 100% Renewable Electricity... mdpi.com/1996-1073/14/21/7033Review of Renewable Energy Potentials in Indonesia and Their Contribution to a 100 Renewable Electricity mdpi 1996 1073 14 21 7033
4. Stock Price Prediction: A Comparative Study of Random Forest and LSTM Models | Highlights in Science,... doi.org/10.54097/70a8b947Stock Price Prediction A Comparative Study of Random Forest and LSTM Models Highlights in Science doi 10 54097 70a8b947

Subjects

1. #pengambilan keputusan#pengambilan keputusan
2. #random forest#random forest

Metadata

File size	1.77 MB
Pages	11
Short Link	https://juris.id/p-2Y4
Lookup Links	Google ScholarGoogle Scholar, Semantic ScholarSemantic Scholar, CORE.ac.ukCORE.ac.uk, WorldcatWorldcat, ZenodoZenodo, Research GateResearch Gate, Academia.eduAcademia.edu, OpenAlexOpenAlex, Hollis HarvardHollis Harvard
DMCA	Report