PREDIKSI LIFETIME BATERAI 110V DC JANGKA PENDEK MENGGUNAKAN METODE DEEP LEARNING LSTM PADA GI 150 KV BUDURAN
SHORT-TERM 110V DC BATTERY LIFETIME PREDICTION USING LSTM DEEP LEARNING METHOD AT GI 150 KV BUDURAN
Nama : Mohammad Yasfin Imanuddin
NIM : 19050874011
Program Studi : S – 1 Teknik Elektro
Fakultas : Teknik
Nama Lembaga : Universitas Negeri Surabaya
Pembimbing : Unit Three Kartini, S.T., M.T., Ph.D.
Gardu Induk 150kV Buduran adalah stasiun pengubah tegangan tinggi ke tegangan rendah melalui transformator, yang berada dibawah naungan PT. PLN (Persero) UPT Surabaya. Perumuskan permasalahan yaitu bagaimana model Prediksi lifetime Baterai 110V DC Jangka Pendek Pada GI 150 KV Buduran menggunakan metode matematis deep learning-LSTM Berdasarkan pemaparan rumusan masalah tersebut, maka tujuan penelitian ini adalah Menggunakan metode deep learning-LSTM untuk memprediksi Lifetime baterai dengan efektif dan akurat. Memberikan rekomendasi pemeliharaan pada baterai untuk memastikan bahwa dapat beroperasi dengan efisien selama masa pakainya.
Pendekatan dalam penelitian ini dilakukan dengan pendekatan kuantitatif. Pada penelitian ini mengumpulkan data historis yaitu data kapasitas baterai (Ah) dan data arus beban yang di topang oleh baterai (A) pada baterai 110V DC di Gardu Induk 150kV Buduran. Setelah mendapatkan data tersebut dilakukan pengestimasian lifetime baterai 110V DC pada gardu induk Buduran yang menggunakan metode deep learning-LSTM. Setelah dilakukannya 2 kali percobaan dengan memvariasikan 80% training dan 20% testing serta 90% training dan 10% testing, maka didapatkan hasil dengan kombinasi parameter yang bagus, yaitu sebesar 90% training dan 10% testing dari 2 percobaan yang dilakukan, hanya pada percobaan ke 2 di dapatkan hasil yang terbaik dengan menggunakan data training sebesar 90%, dan data testing sebesar 10%, dan menghasilkan grafik yang mengikuti pola pada data, dan juga menghasilkan peramalan 1 bulan ke depan. peramalan 1 bulan kedepannya yaitu 6.1646037, 6.1641946, 6.163957, 6.163848, 6.1638293 dengan nilai error MSE sebesar 0.01 dan RMSE sebesar 0.1.
Name : Mohammad Yasfin Imanuddin
Study ID : 19050874011
Study Program : S – 1 Electrical Engineering
Faculty : Faculty Of Engineering
Institution Name : Surabaya State University
Advisor : Unit Three Kartini, S.T., M.T., Ph.D.
Buduran 150kV Substation is a station that converts high voltage to low voltage via a transformer, which is under the auspices of PT. PLN (Persero) UPT Surabaya. The formulation of the problem is how to predict the lifetime of a short-term 110V DC battery at the Buduran 150 KV GI using the deep learning-LSTM mathematical method. Based on the explanation of the problem formulation, the aim of this research is to use the deep learning-LSTM method to predict battery lifetime effectively and accurately. Provides maintenance recommendations on the battery to ensure that it can operate efficiently throughout its lifetime.
The approach in this research was carried out using a quantitative approach. In this research, historical data was collected, namely battery capacity data (Ah) and load current data supported by the battery (A) on the 110V DC battery at the Buduran 150kV substation. After obtaining this data, an estimate was made for the lifetime of the 110V DC battery at the Buduran substation using the deep learning-LSTM method. After carrying out 2 experiments by varying 80% training and 20% testing as well as 90% training and 10% testing, results were obtained with a good combination of parameters, namely 90% training and 10% testing from the 2 experiments carried out, only in the experiment 2nd, the best results were obtained by using 90% training data, and 10% testing data, and producing graphs that follow patterns in the data, and also producing forecasts for the next 1 month. forecasting 1 month into the future, namely 6.1646037, 6.1641946, 6.163957, 6.163848, 6.1638293 with an MSE error value of 0.01 and RMSE of 0.1
Keywords: Battery Lifetime Forecasting, Substation, Deep Learning, LSTM