Kelompok [18] Deep Learning - Analisis Perbandingan Prediksi Suhu Baterai Li-Ion Polymer Berdasarkan Voltase Menggunakan Metode RNN dan GRU

Proyek ini dikembangkan oleh Team-X dalam rangka tugas besar mata kuliah Deep Learning, dengan fokus pada analisis prediksi suhu baterai Li-Ion menggunakan dua metode neural network: Recurrent Neural Network (RNN) dan Gated Recurrent Unit (GRU). Penelitian ini bertujuan untuk memprediksi suhu baterai Li-Ion berdasarkan voltase untuk meningkatkan pengelolaan suhu dan keselamatan baterai.

📌 Anggota Kelompok

1. Annisa Novantika (121450005)
2. Sylviani Primaastuti Ananda (121450042)
3. Rahmat Putra Aji (121450053)
4. Nadia Silvani (121450054)
5. Jelli Kurnilia (121450083)
6. Muhammad Fathir Fadillah (121450098)

🚀 Tujuan Proyek

Penelitian ini bertujuan untuk membandingkan kinerja model RNN dan GRU dalam memprediksi suhu baterai Li-Ion Polymer berdasarkan parameter voltase. Tujuan utama dari proyek ini adalah untuk memberikan prediksi yang lebih akurat dan stabil dalam memonitor suhu baterai.

📂 Dataset

Dataset yang digunakan dalam penelitian ini terdiri dari data pengukuran suhu dan voltase baterai Li-Ion Polymer yang diperoleh dari pengujian pada perangkat Infinix X6739, dengan total 720 sampel data.

Link Dataset: Dataset Pengukuran Suhu dan Voltase

🛠️ Teknologi yang Digunakan

• Python untuk pemrograman
• TensorFlow/Keras untuk pembuatan model RNN dan GRU
• Matplotlib dan Seaborn untuk visualisasi hasil

🧠 Model yang Digunakan

1. Recurrent Neural Network (RNN): Model yang digunakan untuk memproses data berurutan dan memprediksi suhu berdasarkan voltase.
2. Gated Recurrent Unit (GRU): Model dengan struktur yang lebih efisien dan cocok untuk prediksi deret waktu dengan data dinamis.

📊 Metodologi

1. Preprocessing Data: Data voltase dan suhu diproses untuk digunakan dalam pelatihan model.
2. Pelatihan Model: Menggunakan RNN dan GRU dengan kombinasi parameter seperti epoch, learning rate, dan jumlah neuron.
3. Evaluasi Model: Menggunakan Mean Square Error (MSE) untuk mengukur seberapa baik model bekerja atas data validasi.
4. Pengecekan Train-Val Loss : Nilai validation dan train loss dicek sepanjang berjalannya epoch baik untuk kombinasi terbaik untuk RNN maupun GRU untuk mengecek apakah kedua model dengan kombinasi terbaiknya

📈 Hasil yang Diharapkan

• Mendapatkan model dengan kombinasi hyper parameter terbaiknya yang unggul dibandingkan yang lain baik saat pelatihan sepanjang epoch maupun pengujiannya atas data tes.
• Hasil prediksi suhu baterai lithium-ion polymer berdasarkan voltase menggunakan model dengan kombinasi terbaiknya.

Flowchart

🧑‍💻 Cara Menjalankan Proyek

1. Clone repositori:

   git clone https://github.com/sains-data/Prediksi-Suhu-Baterai-Li-Ion-RNN-GRU.git
   

2. Masuk ke direktori proyek:

   cd Prediksi-Suhu-Baterai-Li-Ion-RNN-GRU
   

3. Instal dependensi:

   pip install -r requirements.txt
   

4. Jalankan notebook atau script:

   python main.py
   

👥 Kontibutor

• Annisa Novantika - Github
• Sylviani Primaastuti Ananda - Github
• Rahmat Putra Aji - Github
• Nadia Silvani - Github
• Jelli Kurnilia - Github
• Muhammad Fathir Fadillah - Github

📫 Kontak

Jika ada pertanyaan, silakan hubungi:

• ✉️ Email:
  • annisa.121450005@student.itera.ac.id
  • sylviani.121450042@student.itera.ac.id
  • rahmat.121450053@student.itera.ac.id
  • nadia.121450054@student.itera.ac.id
  • jelli.121450083@student.itera.ac.id
  • muhammad.121450098@student.itera.ac.id

🔗 Tautan Kelompok

Kunjungi ...