Analisis Komparatif Model Deep Learning Dengan Pendekatan Gramian Angular Field (GAF) Untuk Prediksi Remaining Useful Life (RUL) Baterai Li-Ion 18650

Soendoro, Kevin (2026) Analisis Komparatif Model Deep Learning Dengan Pendekatan Gramian Angular Field (GAF) Untuk Prediksi Remaining Useful Life (RUL) Baterai Li-Ion 18650. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6022241108_Master_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (8MB) | Request a copy

Abstract

Degradasi baterai adalah peristiwa yang terjadi secara alami selama baterai digunakan. Salah satu tolak ukur dari kesehatan baterai yang dapat diukur adalah Remaining Useful Life (RUL). Tolak ukur ini mengandung data berapa lama lagi baterai dapat digunakan sebelum harus digantikan dengan yang baru. Hal ini dilakukan untuk mencegah beberapa hal, yaitu tegangan drop, kerusakan baterai secara tiba-tiba, atau ketidaknyamanan pengguna baterai karena baterai memiliki kapasitas yang sangat sedikit. Beberapa penelitian sebelumnya telah memanfaatkan pendekatan berbasis deep learning seperti Long Short-Term Memory (LSTM) dan Deep Neural Network (DNN) untuk memperkirakan RUL berdasarkan data historis baterai yang berbentuk satu dimensi. Metode tersebut efektif dalam menangkap hubungan linear, tetapi akan terkendala jika pola-pola tersebut bersifat kompleks dan sulit ditangkap dalam bentuk linier. GAF dapat lebih mudah mengenali pola yang kompleks karena dapat menangkap korelasi temporal dengan baik. Oleh karena itu peneliti mengusulkan metode yang dapat digunakan sebagai perbandingan untuk mencari metode yang paling efektif, misalnya metode hybrid CNN-LSTM dan LSTM-CNN atau juga menggunakan model machine learning yang sudah dioptimisasi seperti XGBoost. Dalam penelitian ini, peneliti mengusulkan pendekatan baru yang menggabungkan transformasi Gramian Angular Field (GAF) dengan model Convolutional Neural Network (CNN) yang kemudian akan dibandingkan dengan metode yang sering digunakan sebelumnya. Transformasi GAF digunakan untuk mengubah data time-series menjadi representasi data dua dimensi, sehingga memungkinkan ekstraksi fitur spasial dan temporal melalui data dalam bentuk dua dimensi.
=======================================================================================================================================
Battery degradation is a phenomenon that occurs naturally during battery usage. One of the parameters used to measure battery health is Remaining Useful Life (RUL). This parameter contains information about how long the battery can still be used before it needs to be replaced. This is important to prevent several issues, such as voltage drop, sudden battery failure, or user inconvenience due to very low battery capacity. Several previous studies have utilized deep learning-based approaches such as Long Short-Term Memory (LSTM) and Deep Neural Network (DNN) to estimate RUL based on historical battery data in the form of one-dimensional time series. These methods are effective in capturing linear relationships, but they face limitations when the patterns are complex and difficult to represent in linear form. GAF can more easily capture complex patterns because it is able to represent temporal correlations effectively. Therefore, the researcher proposes several methods to be used as a comparison in order to find the most effective approach, such as hybrid methods CNN-LSTM and LSTM-CNN, as well as optimized machine learning models like XGBoost. In this study, the researcher proposes a new approach that combines Gramian Angular Field (GAF) transformation with a Convolutional Neural Network (CNN) model, which will then be compared with commonly used methods. The GAF transformation is used to convert time-series data into a two-dimensional representation, allowing the model to better capture spatial and temporal features.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	CNN, Deep Learning, GAF, LSTM, RUL
Subjects:	Q Science > QA Mathematics > QA336 Artificial Intelligence
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Electrical Engineering > 20101-(S2) Master Thesis
Depositing User:	Kevin Soendoro
Date Deposited:	29 Jul 2026 05:09
Last Modified:	29 Jul 2026 05:09
URI:	http://repository.its.ac.id/id/eprint/139568

Actions (login required)

View Item