Hidayat, Naufal Rizqy Amalie (2025) Rancang bangun sistem estimasi State of Charge (SoC) baterai lithium-ion untuk manajemen baterai menggunakan Back Propagation Neural Network. Sarjana thesis, UIN Sunan Gunung Djati Bandung.
|
Text (COVER)
1_cover.pdf Download (45kB) | Preview |
|
|
Text (ABSTRAK)
2_abstrak.pdf Download (26kB) | Preview |
|
|
Text
Surat Pernyataan Karya Sendiri Naufal Rizqy.pdf Download (119kB) | Preview |
|
|
Text (DAFTAR ISI)
3_daftarisi.pdf Download (253kB) | Preview |
|
|
Text (BAB I)
4_bab1.pdf Download (1MB) | Preview |
|
![[img]](https://digilib.uinsgd.ac.id/style/images/fileicons/text.png) |
Text (BAB II)
5_bab2.pdf Restricted to Registered users only Download (2MB) |
|
|
Text (BAB III)
6_bab3.pdf Restricted to Registered users only Download (41kB) |
|
|
Text (BAB IV)
7_bab4.pdf Restricted to Registered users only Download (1MB) |
|
|
Text (BAB V)
8_bab5.pdf Restricted to Registered users only Download (1MB) |
|
|
Text (BAB VI)
9_bab6.pdf Restricted to Registered users only Download (249kB) |
|
|
Text (DAFTAR PUSTAKA)
10_daftarpustaka.pdf Restricted to Registered users only Download (253kB) |
Abstract
Baterai lithium-ion menjadi pilihan utama dalam berbagai aplikasi karena kepadatan energi yang tinggi dan karakteristik unggul lainnya. Namun, estimasi State of Charge (SoC) yang tidak akurat dapat mengakibatkan masalah keamanan selama proses pengisian baterai. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem estimasi SoC baterai lithium-ion menggunakan Back Propagation Neural Network (BPNN) yang diintegrasikan dengan ESP32 untuk estimasi SoC secara real-time. Model BPNN dilatih menggunakan 17.213 data historis pengisian baterai dengan metrik evaluasi Mean Absolute Error (MAE) sebesar 0,8826%. Sistem diuji dalam kondisi real-time untuk mengevaluasi kinerjanya. Pengujian menunjukkan bahwa prediksi waktu pengisian rata-rata oleh BPNN adalah 132,2 menit, sedangkan waktu aktual pengisian baterai adalah 130,4 menit dengan tingkat error sebesar 1,4%. Model RC juga digunakan sebagai pembanding teoritis, menghasilkan prediksi waktu pengisian sebesar 134 menit dengan error 2,8%. Hasil ini menunjukkan bahwa sistem berbasis BPNN memiliki akurasi lebih tinggi dibandingkan model RC, sehingga efektif untuk aplikasi monitoring baterai.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Uncontrolled Keywords: | State of Charge (SoC); Back Propagation Neural Network (BPNN); baterai lithium-ion; manajemen baterai; |
| Subjects: | Applied Physics > Batteries Electric Applied Physics > Electronics |
| Divisions: | Fakultas Sains dan Teknologi > Program Studi Teknik Elektro |
| Depositing User: | Naufal Rizqy Amalie Hidayat |
| Date Deposited: | 12 Mar 2025 02:03 |
| Last Modified: | 12 Mar 2025 02:03 |
| URI: | https://digilib.uinsgd.ac.id/id/eprint/105635 |
Actions (login required)
 |
View Item |
