Article Per Year (5 Year)
p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal JTT (Jurnal Teknologi Terpadu) JURNAL INTEGRASI
Mohammad Imron Dwi Prasetyo
Unknown Affiliation
Civil Engineering, Building, Construction & Architecture Control & Systems Engineering Materials Science & Nanotechnology Mechanical Engineering Other

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Estimasi State of Charge (SOC) Pada Baterai Lithium – Ion Menggunakan Feed-Forward Backpropagation Neural Network Dua Tingkat S Aisyah; Muhammad Nizar Habibi; Mohammad Imron Dwi Prasetyo; Novie Ayub Windarko; Diah Septi Yanaratri
Jurnal Teknologi Terpadu Vol 8, No 2 (2020): JTT (Jurnal Teknologi Terpadu)
Publisher : Pusat Penelitian dan Pengabdian Kepada Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32487/jtt.v8i2.846

Abstract

Pada perkembangan teknologi zaman ini, baterai memainkan peran penting dalam memenuhi kebutuhan energi. Faktor yang mempengaruhi kinerja baterai adalah keadaan muatan dan energi yang disimpan baterai terbatas. Hal ini menyebabkan kerusakan baterai karena pengisian dan pengosongan baterai yang berulang kali dan dapat over-charge atau over-discharging. Oleh karena itu, dibutuhkan alat pengukuran kapasitas baterai untuk menjaga agar baterai tidak cepat rusak. State of charge baterai adalah status yang menunjukkan kapasitas baterai.  Pada penelitian ini, akan dilakukan estimasi state of charge baterai Lithium Ion 12 volt 4 ah menggunakan metode Feed-Forward Backpropagation karena metode FF-BPNN dapat menyesuaikan dengan karakteristik non-linear dari baterai Dalam metode ini, ada dua tingkat proses training data (dua neural) untuk mendapatkan estimasi nilai OCV dan SOC. Tingkat pertama dengan parameter input yaitu tegangan, arus, dan waktu charge atau discharge untuk estimasi OCV. OCV dari hasil tingkat pertama, digunakan sebagai input dari proses tingkat kedua untuk estimasi SOC. Hasil estimasi SOC yang didapat yaitu jumlah nilai hidden neuron 11 pada kondisi charging dan nilai hidden neuron 10 pada kondisi discharge, karena hal itu menunjukkan bahwa estimasi baterai lithium-ion SOC dengan pembacaan aktualnya menunjukkan error yang kecil.
ESTIMASI STATE OF CHARGE BATERAI LITHIUM POLYMER MENGGUNAKAN BACK PROPAGATION NEURAL NETWORK Mohammad Imron Dwi Prasetyo; Hasnira Hasnira; Novie Ayub Windarko; Anang Tjahjono
JURNAL INTEGRASI Vol 12 No 2 (2020): Jurnal Integrasi - Oktober 2020
Publisher : Politeknik Negeri Batam

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30871/ji.v12i2.2163

Abstract

The battery is an important component in the context of implementing renewable energy. The type of battery that has a density in energy storage is lithium polymer. The parameter in the battery that must be considered is the State of Charge (SOC) estimation. In general, the SOC battery estimation uses the coloumb counting method because the difficulty level is low. However, there are weaknesses in the dependence on the utility of the current sensor which is used as an accumulation of the integral of the incoming and outgoing currents over time. In this study presents Back Propagation Neural Network (BPNN) as an algorithm for estimating SOC based on OCV-SOC characteristic curves. The OCV-SOC characteristic curve of the battery is obtained from the battery pulse test. Battery voltage, current and discharging time are used as the first BPNN input layer for the estimation of Open Circuit Voltage (OCV). OCV will be learned as the second BPNN input layer for estimating battery SOC. The results of SOC estimation simulations obtained an average error of 0.479% against the real SOC based on the characteristic curve of OCV - SOC.
Co-Authors Anang Tjahjono, Anang Diah Septi Yanaratri Habibi, Muhammad Nizar Hasnira Hasnira Novie Ayub Windarko S Aisyah