<![CDATA[Konsumsi energi pada kendaraan listrik sangat dipengaruhi oleh berbagai faktor dinamis sepertigaya mengemudi, kondisi lalu lintas, topografi jalan, yang dapat mengurangi jangkauan kendaraanhingga 15-25%. Manajemen energi yang tidak efisien dapat secara drastis mengurangi jarak tempuhefektif kendaraan, menurunkan kepraktisan dan keandalannya dalam penggunaan sehari-hari. Strategimanajemen energi berbasis pembelajaran mendalam telah menunjukkan peningkatan efisiensi hingga20% dibandingkan dengan rute perjalanan konvensional dan 12% dibandingkan dengan eco-drivingstandar.Penelitian ini berfokus pada optimasi energi pada sistem powertrain kendaraan listrik, yangmeliputi motor listrik, baterai, dan kontroler. Pengembangan, pelatihan, dan pengujian sistem kontroldilakukan sepenuhnya dalam lingkungan simulasi perangkat lunak MATLAB/Simulink. Metodemachine learning yang digunakan terbatas pada algoritma Deep Reinforcement Learning. KontrolMIMO yang digunakan terbatas hanya tiga input dan juga tiga output yang mementingkan tiga faktorutama dalam kendaraan listrik. Model kendaraan listrik yang digunakan dalam simulasi merupakanmodel matematis yang disederhanakan dan tidak mempertimbangkan semua dinamika kendaraan secaramendetail seperti degradasi baterai atau pengaruh suhu ekstrem. Penelitian ini berfokus pada optimasienergi pada sistem powertrain kendaraan listrik, yang meliputi motor listrik, baterai, dan kontroler. 2)Pengembangan, pelatihan, dan pengujian sistem kontrol dilakukan sepenuhnya dalam lingkungansimulasi perangkat lunak MATLAB/Simulink. 3) Metode machine learning yang digunakan terbataspada algoritma Deep Reinforcement Learning (DRL). 4) Kontrol MIMO yang digunakan terbatas hanyatiga input dan juga tiga output yang mementingkan tiga faktor utama dalam kendaraan listrik. 5) Modelkendaraan listrik yang digunakan dalam simulasi merupakan model matematis yang disederhanakandan tidak mempertimbangkan semua dinamika kendaraan secara mendetail seperti degradasi bateraiatau pengaruh suhu ekstrem.]]>
