Peramalan Kapasitas Baterai Asam Timbal Dengan Metode Extreme Learning Machine

Abstract

Pola konsumsi BBM di Indonesia yang meningkat setiap tahun merupakan salah satu akibat dari kebiasaan masyarakat Indonesia yang tingkat konsumtif pembelian kendaraan bermotor yang meningkat. Salah satu usaha yang dapat dilakukan adalah mengurangi pemakaian BBM untuk transportasi dan menggantikannya dengan energi listrik. Mobil listrik yaitu mobil yang digerakkan dengan motor listrik, menggunakan energi listrik yang disimpan dalam baterai. Penelitian ini membahas peramalan kapasitas baterai pada mobil listrik menggunakan baterai lead acid dengan menggunakan algorithma extreme learning machine. Dalam peramalan menggunakan teknik validasi dua model yaitu holdout validasi dan cross validasi. Penelitian ini masih dalam tahap offline sehingga diperlukan penelitian lanjut secara online Perancangan mobil listrik menggunakan 8 buah baterai lead acid yang dirangkai seri masing-masing 4 baterai kemudian di pararel. Kapasitas masing masing baterai sebesar 70 Ah dan tegangan 12 V. sedangkan beban dimodelkan dengan sebuah motor dengan daya 5 Hp tegangan 240 V dan 1750 rpm. Kemudian tahap merancang sistem pada peramalan kapasitas dan waktu habis baterai menggunakan jaringan saraf tiruan yang ada pada software matlab dengan algorithma Extreme Learning Machine. Setelah melakukan pengujian pada keseluruhan sistem dan memastikan bekerja dengan baik dan hasilnya memenuhi target, maka yang dilakukan selanjutnya adalah pengambilan data input berupa tegangan dan arus dari baterai. Sedangkan kapasitas baterai didapatkan dari fungsi block daya mekanik pada simulasi yang berisi rumus daya masing-masing kondisi. Setelah itu data di diproses secara otomatis dengan bahasa pemrograman Extreme Learning Machine. Dalam proses terdapat data latih (training data) dan data uji (testing data). Hasil peramalan kapasitas baterai menggunakan Extreme Learning Machine menununjukkan hasil yang lebih baik pada teknik cross validation dibanding dengan Holdout validation dengan mengambil contoh pada kondisi akselerasi memiliki hasil holdout 28.8779 Ah dan cross validation 28.9929 Ah sedangkan hasil tanpa metode 28.9487 Ah. Dan saat ditinjau dari error persen yang dihasilkan nilai holdout 0.2445% dan crossvalidation bernilai 0,1527%. kasimpulan dari hasil tersebut disebabkan pada teknik cross validation himpunan data secara acak dirubah menjadi sub himpunan sesuai dengan nila fold yang diinginkan sehingga memperluas data training dan data testing dalam peramalan.