IMPLEMENTASI QUALITY MANAGEMENT SYSTEM PADA BATERAI LITHIUM DENGAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN) DI PT. PANASONIC GOBEL ENERGY INDONESIA

Desiana Elsa, Emilia (2024) IMPLEMENTASI QUALITY MANAGEMENT SYSTEM PADA BATERAI LITHIUM DENGAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN) DI PT. PANASONIC GOBEL ENERGY INDONESIA. Other thesis, UNSADA.

	Text COVER.pdf Download (2MB)
	Text BAB 1.pdf Download (604kB)
	Text BAB 2.pdf Download (1MB)
	Text BAB 3.pdf Restricted to Registered users only Download (782kB)
	Text BAB 4.pdf Restricted to Registered users only Download (1MB)
	Text BAB 5.pdf Download (496kB)
	Text DAFTAR PUSTAKA.pdf Download (577kB)
	Text LAMPIRAN.pdf Download (743kB)
	Text HASIL TURNITIN.pdf Restricted to Registered users only Download (507kB)
	Text SUKET TURNITIN.pdf Restricted to Registered users only Download (629kB)

Abstract

Baterai Lithium-Ion adalah termasuk dalam jenis baterai sekunder (jenis baterai yang dapat diisi ulang) yang berfungsi untuk menyimpan dan mengalirkan energi secara elektrokimia. Baterai Lithium-Ion umumnya digunakan dalam berbagai perangkat elektronik portable seperti smartphone, laptop, tablet, kamera digital, dan perangkat elektronik lainnya. Baterai Li-Ion terdiri dari sel-sel individu yang memiliki elektroda positif (anoda) dari lithium dan elektroda negatif (katoda) yang biasanya terbuat dari grafit. Penggunaan metode Convolutional Neural Network berguna untuk deteksi kecacatan produk yang digabungkan dengan beberapa model seperti ResNet, MobileNet, dan Inception. Penggunaan kombinasi ini telah terbukti menghasilkan tingkat akurasi yang signifikan dalam mengidentifikasi cacat pada produk baterai. Model dilatih dengan dataset yang cukup besar dan memiliki arsitektur yang mampu untuk mendeteksi kecacatan baterai dengan lebih baik, dan canggih. Model CNN yang telah dikembangkan mampu mengklasifikasikan jenis baterai menggunakan 3 model berbeda dan menghasilkan tingkat akurasi yang cukup tinggi. Hasil pengujian dengan 100 epoch menggunakan optimizer Adam menghasilkan tingkat akurasi sebesar 96% untuk model Inception, model ResNet menghasilkan akurasi sebesar 94% dan model MobileNet yang menghasilkan tingkat akurasi sebesar 92%. Dalam hal ini, model ResNet direkomendasikan untuk klasifikasi karena dapat memprediksi hasil dengan lebih akurat dibanding model MobileNet dan Inception.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	baterai lithium-ion, deteksi kecacatan, convolutional neural network, ResNet, MobileNet, Inception
Subjects:	000 Generalities/Karya Umum > 005.262 Programming in Specific Program Language/Pemrograman untuk Bahasa Pemrograman Tertentu
Divisions:	Fakultas Teknik > Teknik Informatika
Depositing User:	Suwatno Suwatno Perpustakaan
Date Deposited:	08 Jan 2025 02:18
Last Modified:	08 Jan 2025 02:18
URI:	http://repository.unsada.ac.id/id/eprint/8859

Actions (login required)

View Item