Hasil Pencarian  ::  Simpan CSV :: Kembali

"Baterai Li-Ion banyak digunakan pada kendaraan listrik karena efisiensi dan densitas energinya yang tinggi. Untuk menjaga baterai Li-Ion beroperasi pada kondisi ideal maka estimasi status pengisian baterai menjadi indikator penting. Parameter yang menyatakan status pengisian baterai adalah State of Charge (SOC). Nilai SOC baterai tidak dapat diukur secara langsung melainkan harus diestimasi dari nilai tegangan dan arus baterai saat digunakan. Kesulitan saat mengestimasi SOC baterai disebabkan faktor nonlinearitasnya yang tinggi serta pengaruh noise saat pengukuran yang dapat mengakibatkan terjadinya akumulasi error. Algoritma Unscented Kalman Filter (UKF) dapat melakukan koreksi kesalahan saat mengestimasi SOC baterai. Namun teknik ini membutuhkan model baterai pada algoritmanya. Literatur yang membahas model baterai banyak menggunakan pendekatan Equivalent Circuit Model (ECM) Thevenin orde dua yang diperoleh dari data eksperimen Hybrid Pulse Power Characterization (HPPC). Beberapa literatur meninjau data HPPC yang seragam namun menggunakan berbagai pendekatan seperti teknik fitting, aturan waktu konstan, dan daerah analisis kurva baterai yang berbeda. Untuk mengetahui metode identifikasi parameter ECM terbaik maka dilakukan pengujian performa. Pada penelitian ini dianalisis empat metode identifikasi parameter ECM menggunakan baterai LiNiMnCo. Masing – masing parameter ECM disubsitusi ke model baterai lalu dilakukan verifikasi menggunakan data HPPC dan Dynamic Stress Test (DST). Berdasarkan nilai RMSE masing – masing percobaan, metode 1 yang menggunakan teknik fitting di daerah relaksasi baterai memiliki akurasi dan konsistensi yang terbaik yaitu 0,0103 V untuk HPPC menggunakan data CALCE dan 0,0088 V data baterai LG. Untuk pengujian DST nilai RMSE metode 1 adalah 0,0278 V. Parameter baterai yang telah diidentifikasi menggunakan metode 1 digunakan sebagai model pada algoritma UKF untuk mengestimasi SOC baterai. Nilai RMSE estimasi SOC menggunakan algoritma UKF yang telah dibangun adalah 0,32 %. Algoritma UKF mampu melakukan koreksi saat terjadi kesalahan awal nilai estimasi SOC.

---

Li-Ion batteries are widely used in electric vehicles due to their high efficiency and energy density. To keep Li-Ion batteries operating at ideal conditions, estimation of the battery state of charge is an important indicator. The parameter that states the state of charge of the battery is the State of Charge (SOC). The SOC value of the battery cannot be measured directly but must be estimated from the voltage and current values of the battery during use. The difficulty in estimating the battery SOC is due to its high nonlinearity factor and the influence of noise during measurement which can result in the accumulation of errors. The Unscented Kalman Filter (UKF) algorithm can perform error correction when estimating battery SOC. However, this technique requires a battery model in the algorithm. Much of the literature discussing battery models uses the second-order Thevenin Equivalent Circuit Model (ECM) approach obtained from Hybrid Pulse Power Characterization (HPPC) experimental data. Some literature reviews uniform HPPC data but uses various approaches such as fitting techniques, constant time rules, and different battery curve analysis regions. To determine the best ECM parameter identification method, performance testing is conducted. In this study, four ECM parameter identification methods using LiNiMnCo batteries are analyzed. Each ECM parameter is subsumed into the battery model and then verified using HPPC and Dynamic Stress Test (DST) data. Based on the RMSE value of each experiment, method 1 which uses fitting techniques in the battery relaxation region has the best accuracy and consistency, namely 0.0103 V for HPPC using CALCE data and 0.0088 V LG battery data. For DST testing the RMSE value of method 1 is 0.0278 V. The battery parameters that have been identified using method 1 are used as a model in the UKF algorithm to estimate the battery SOC. The RMSE value of SOC estimation using the UKF algorithm that has been built is 0.32 %. The UKF algorithm can make corrections when there is an initial error in the SOC estimation value."

"Seiring dengan perubahan dunia yang sangat cepat, efisiensi dalam mengelola persediaan menjadi hal yang sangat penting, terutama bagi UKM. Ada beberapa sumber daya penting yang dibutuhkan oleh UKM untuk meningkatkan bisnis mereka: sejumlah dana, penguasaan teknologi, dan sumber daya manusia. Robotic Process Automation (RPA) sebagai salah satu teknologi unggulan di Industri 4.0 dapat mengatasi kebutuhan sumber daya manusia untuk melakukan tugas-tugas dalam manajemen persediaan. RPA dianggap sebagai salah satu teknologi modern yang memungkinkan UKM melakukan tugas berulang dengan lebih efisien sehingga menghasilkan kinerja organisasi yang lebih baik. Penelitian ini mengadopsi tahap Inisialisasi dan Implementasi dari The Consolidated Framework for Implementing RPA Project. Data bersumber dari salah satu UKM dalam bisnis kecantikan yang beroperasi di Provinsi Jawa Tengah- Indonesia, dimana bisnis kecantikan dianggap sebagai salah satu sektor yang berkembang pesat saat ini di Indonesia. Ruang lingkup penelitian ini difokuskan pada manajemen persediaan seperti pengecekan stok persediaan, peramalan permintaan produk berdasarkan data historis, membuat rencana pembelian, memesan barang ke vendor melalui email dan menindaklanjuti menggunakan email jika barang yang dipesan belum datang. Temuan penelitian ini menunjukkan bahwa penggunaan RPA dalam manajemen persediaan dapat menghemat banyak biaya yang sebelumnya dianggap sebagai beban. Adanya RPA di perusahaan telah berhasil membantu AuradermA Skin Care dalam mengelola persediaan dengan lancar, mengurangi beban kerja staf dan pada akhirnya memastikan persediaan tidak habis atau berlebihan. Diharapkan penelitian ini memberikan kontribusi dalam bidang RPA karena implementasi RPA belum begitu banyak ditemukan terutama untuk UKM.

---

State of Charge (SOC) is a condition that states battery charge condition. This condition is important to know to ensure safe battery operating condition. One of the challenge in estimating SOC is that the battery dynamic system. To estimate SOC, battery undergoes characterization process. The Li-Ion battery characterization system monitors voltage across the battery as well as current going to or out of the battery. After the system is assembled, battery will be prepared before characterization using Constant Current Constant Voltage (CCCV) charging. Characterization process starts with battery undergoing discharging and charging process. In this research, Li-Ion battery made from LiNiMnCoO2 is modelled based on second order Thevenin Equivalent Circuit Model. SOC estimation is optimized using Uscented Kalman Filter (UKF). Next, battery undergoes Hybrid Pulse Power Characterization (HPPC) test to obtain ECM parameters. Next, ECM parameters are used as value to be fitted with SOC from Coulomb Counting (CC) with seventh order polynomial method from HPPC result. SOC estimation validation is done using Dynamic Stress Test (DST). The SOC estimation result using UKF is compared to the estimation which doesn’t use UKF. The simulation and experiment result show that UKF algorithm is able to adjust its estimation result when given wrong initial SOC estimation value. The simulated SOC estimation result using UKF is compared with the CC method and reference SOC have Root-Mean Square Error (RMSE) of 0.7 % and Maximum Error (ME) of 9.9 %. The experiment SOC estimation result compared with CC SOC method has RMSE of 2.76 % and ME of 10%."

"Baterai merupakan komponen yang penting dalam implementasi kendaraan listrik baik kendaraan listrik hibrid, kendaraan listrik hibrida plug-in, maupun kendaraan listrik baterai. Salah satu baterai jenis baterai yang sering digunakan untuk aplikasi kendaraan listrik adalah baterai litium ion (Li-ion). Dalam aplikasi kendaraan listrik pak baterai terdiri dari ratusan sel individual untuk memberikan energi dan daya listrik yang dibutuhkan. Penggunaan baterai pada jumlah dan kapasitas besar membutuhkan sistem kendali baterai dan sistem manajemen baterai yang baik untuk menjaga performa, keamanan, serta keandalan baterai. Nilai kondisi keadaan (SoC) baterai menjadi parameter yang paling penting untuk sistem manajemen baterai dan memberikan informasi untuk sistem manajemen energi. Baterai memiliki karakteristik non linear dan dipengaruhi oleh banyak faktor, sehingga estimasi SoC menjadi tantangan yang perlu dipecahkan. Oleh karena itu, pada studi ini dirancang estimator SoC yang secara tidak langsung dapat membantu untuk menjaga baterai pada kondisi aman yang menggunakan metode berbasis model elektrokimia

---

.Batteries are an important component in the implementation of electric vehicles, both hybrid electric vehicles, plug-in hybrid electric vehicles, and battery electric vehicles. One type of battery that is often used for electric vehicle applications is a lithium ion (Li-ion) battery. In electric vehicle applications the battery pack consists of hundreds of individual cells to provide the required energy and electrical power. The use of batteries in large numbers and capacities requires a good battery control system and battery management system to maintain battery performance, safety, and reliability. The state condition (SoC) value of the battery becomes the most important parameter for the battery management system and provides information for the energy management system. Batteries have nonlinear characteristics and are influenced by many factors, so SoC estimation is a challenge that needs to be solved. Therefore, in this study, a SoC estimator was designed to keep the battery in a safe condition and optimal output power using an electrochemical model-based method."

"Baterai menjadi komponen kunci dalam sistem penyimpanan energi, maka dari itu sangat penting untuk mengestimasi nilai State of Charge secara akurat untuk mengelola dan memanfaatkan daya baterai secara optimal. Ketidakakuratan estimasi SoC dapat menyebabkan performa yang tidak optimal dan kerusakan baterai. Pendekatan tradisional dalam estimasi SoC cenderung kurang presisi, terutama di bawah kondisi dinamis. Oleh karena itu, untuk meningkatkan akurasi estimasi SoC, pada penelitian ini diusulkan model estimasi SoC menggunakan metode Support Vector Machine dengan Particle Swarm Optimization pada baterai Lithium-Ion dan Lithium-Polymer karena keduanya banyak digunakan dalam berbagai aplikasi, termasuk kendaraan listrik, perangkat seluler, dan peralatan elektronik. Hasil penelitian ini akan menunjukkan algoritma SVM dan PSO-SVM yang dapat digunakan untuk memprediksi estimasi pada baterai Lithium-Ion dan Lithium-Polymer. Berdasarkan penelitian yang telah dilakukan diperoleh hasil skor R-Squared menggunakan SVM pada Lithium-Ion sebesar 96,1% dan Lithium-Polymer sebesar 92,8%, serta menggunakan PSO-SVM pada Lithium-Ion 97,8% sebesar dan Lithium-Polymer sebesar 93,6%. hasil skor Mean Absolute Error diperoleh dengan menggunakan SVM pada Lithium-Ion sebesar 4,9% dan Lithium-Polymer sebesar 6,0%, serta menggunakan PSO-SVM pada Lithium-Ion sebesar 3,8% dan Lithium-Polymer sebesar 5,7%. hasil skor Root Mean Squeared Error diperoleh dengan menggunakan SVM pada Lithium-Ion sebesar 6,3% dan Lithium-Polymer sebesar 8,1%, serta menggunakan PSO-SVM pada Lithium-Ion sebesar 4,8% dan Lithium-Polymer sebesar 7,7%. Hasil analisis menunjukkan bahwa algoritma PSO-SVM dan SVM lebih cocok diaplikasikan pada baterai Lithium-Ion dibandingkan Baterai Lithium-Polymer, khusunya PSO-SVM.

---

Batteries become a key component in the energy storage system; therefore, it is crucial to accurately estimate the State of Charge to manage and utilise the battery power optimally. Inaccuracy in SoC estimation can lead to suboptimal performance and battery damage. Traditional approaches in SoC estimation tend to lack precision, especially under dynamic conditions. Therefore, to improve the accuracy of SoC estimation, this study proposes a SoC estimation model using Support Vector Machine with Particle Swarm Optimization method for Lithium-Ion and Lithium-Polymer batteries as they are widely used in various applications, including electric vehicles, mobile devices, and electronic equipment. The results of this research will show the PSO-SVM and SVM algorithms that can be used to predict estimates for Lithium-Ion and Lithium-Polymer batteries. Based on research that has been carried out, the R-Squared score results obtained using SVM on Lithium-Ion were 96.1% and Lithium-Polymer was 92.8%, and using PSO-SVM on Lithium-Ion was 97.8% and Lithium-Polymer was 93 .6%. The Mean Absolute Error score results were obtained using SVM on Lithium-Ion of 4.9% and Lithium-Polymer of 6.0%, and using PSO-SVM on Lithium-Ion of 3.8% and Lithium-Polymer of 5.7%. The Root Mean Squeared Error score results obtained using SVM on Lithium-Ion were 6.3% and Lithium-Polymer were 8.1%, and using PSO-SVM on Lithium-Ion was 4.8% and Lithium-Polymer was 7.7%. The analysis results show that the PSO-SVM and SVM algorithms are more suitable for application to Lithium-Ion batteries compared to Lithium-Polymer Batteries, especially PSO-SVM."

"Tahapan proses yang dilakukan untuk pengambilan kembali logam lithium adalah leaching, pembuatan membran emulsi, dan ekstraksi. Limbah baterai Li-Ion dikarakterisasi terlebih dahulu dengan XRD. Hasil XRD menunjukan bahwa terdapat kandungan logam lithium di limbah dalam bentuk LiCoO2. Kondisi optimum untuk proses leaching adalah menggunakan asam sitrat 1,5 M, rasio padatan/cairan: 20 gram/L, dan kecepatan pengadukan 400 rpm pada suhu 550C selama 50 menit dengan hasil 99,3% lithium berhasil ter-leaching. Lalu untuk kondisi optimum proses pembuatan membran emulsi adalah menggunakan 0,03 M Cyanex 921, 8% w/v SPAN 80, 0,05 M H2SO4, rasio volume fasa ekstraktan/fasa internal: 1/1, dan kecepatan pengadukan 1150 rpm selama 60 menit yang mampu menghasilkan membran emulsi dengan tingkat kestabilan diatas 90% setelah 4 jam. Selanjutnya pada proses ekstraksi dengan kondisi optimum pH 6 untuk fasa umpan, rasio volume fasa emulsi/fasa umpan: 1/2, dan kecepatan pengadukan 175 rpm selama 15 menit dengan hasil 63,4% lithium berhasil ter-ekstrak.

---

The process to acquire lithium metal are leaching, creation of emulsion membrane, and extraction. The spent Li-Ion battery was characterized first by XRD. Result of XRD showed that there is lithium in spent battery in the form of LiCoO2. The optimum condition for leaching process is using citric acid 1,5 M, solid/liquid ratio: 20 gram/L, and stirring speed 400 rpm in 550C for 50 minutes with result 99,3% lithium successfully leached. Then the optimum condition to make emulsion membrane is using 0,03 M Cyanex 921, 8% w/v SPAN 80, 0,05 M H2SO4, extractant phase/internal phase volume ratio: 1/1, and stirring speed 1150 rpm for 60 minutes able to produce emulsion membrane with stability level of above 90% after 4 hours. Next in extraction process with optimum condition pH 6 for external phase, emulsion phase/external phase volume ratio: 1/2, and stirring speed 175 rpm for 15 minutes with result 63,4% lithium successfully extracted."

"Li4Ti5O12 merupakan salah satu material yang menjanjikan untuk bahan anoda baterai litium ion. Li4Ti5O12 adalah material yang bersifat zero strain, dimana material tidak mengalami ekspansi volum pada saat prose charge/discharge. Namun, Li4Ti5O12 memiliki kapasitas teoritis yang relatif rendah (175 mAh/g). Hal ini membuat perlu dilakukannya modifikasi terhadap material Li4Ti5O12 untuk meningkatkan performa elektrokimianya. Salah satu cara yang dapat dilakukan adalah dengan menggabungkan material Li4Ti5O12 dengan timah (Sn), yang mana memiliki kapastitas teoretis yang sangat tinggi (994 mAh/g). Namun, Sn memiliki permasalahan ekspansi volum yang sangat besar dan juga pulverization pada saat siklus charge/discharge. Oleh karena itu, digunakan grafit untuk mencegah terjadinya ekspansi volum yang berlebihan dari Sn. Grafit memiliki efek stress-relieving pada Sn, sehingga dapat menghambat ekspansi volumnya pada saat siklus charge/discharge. Pada penelitian ini, dilakukan sintesis komposit LTO/Sn-grafit dengan metode solid state. Untuk mengetahui pengaruh kadar Sn pada komposit tersebut, dilakukan variasi kadar Sn sebesar 5% wt.; 10% wt.; dan 15% wt. Dari penelitian ini, didapatkan hasil bahwa sampel dengan kadar Sn 10% wt. memiliki kapasitas discharge dan nilai potensial kerja terbaik. Sampel dengan kadar Sn 5% wt. memiliki kemampuan retensi paling baik. Sampel dengan kadar Sn 15% wt. memiliki nilai hambatan terkecil.

---

Li4Ti5O12 is one of promising materials for lithium ion battery anode material. Li4Ti5O12 is a zero strain material, where the material does not undergo volume expansion during the charge/discharge process. However, Li4Ti5O12 has a relatively low theoretical capacity (175 mAh/g). Modifying Li4Ti5O12 material is necessary to improve its electrochemical performance. Method that can be done is by combining Li4Ti5O12 with tin (Sn), which has a very high theoretical capacity (994 mAh/g). However, Sn has very large volume expansion problems as well as pulverization phenomena during its charge/discharge cycle. Therefore, graphite is used to prevent the excessive volume expansion of Sn. Graphite has the effect of stress-relieving on Sn, so it can inhibit its volume expansion during the charge/discharge cycle.

In this study, composite synthesis of LTO/Sn-graphite was carried out by solid state method. To determine the effect of Sn content on these composites, Sn variations were carried out at 5% wt., 10% wt., and 15% wt. The results of this study shown that sample with 10% wt. Sn content has the best discharge capacity and working potential value. Sample with 5% wt. Sn content has the best retention capability. Sample with 10% wt. Sn content has the least resistance value."

"Lithium-Ion Battery (LIB) masih menjadi alternatif teknologi yang efektif dalam memaksimalkan efisiensi kendaraan listrik atau Electric Vehicle (EV). Penerapan EV telah memberikan dampak yang signifikan dalam rangka mengurangi isu permasalahan global-pengurangan emisi gas karbon. Mekanisme pengisian LIB dengan metode fast-charging menjadi alternatif pengaplikasian EV dalam skala yang lebih masif. Namun, adanya dinamika pada baterai dimana fungsi kerja baterai dapat mengalami penurunan dari waktu ke waktu akan mempengaruhi kinerja baterai. Selain itu, upaya pengisian fast-charging pada LIB dengan kecepatan maksimum memberikan dampak resiko peningkatan suhu baterai dan adanya celah yang semakin besar terjadinya degradasi baterai. Pada penelitian ini diusulkan penerapan algoritma Deep Neural Network (DNN) untuk optimasi fast-charging Lithium-Ion Battery (LIB) sebagai solusi pendekatan yang inovatif dalam menanggulangi dinamika fast-charging LIB yang kompleks. Penelitian ini mengembangkan pendekatan yang integratif dengan mengombinasikan metode Quasi-Newton Limited-memory Broyden–Fletcher–Goldfarb–Shanno Bound (L-BFGS-B) dan algoritma DNN. Hasil penelitian menunjukkan bahwa metode Quasi Newton L-BFGS-B mampu menemukan solusi awal arus pengisian optimal. Metode ini mampu mempertahankan kesehatan baterai (SoH) dan kapasitasnya dengan hanya mengalami penurunan SoH sekitar 2% serta kapasitas baterai dipertahankan 98% dari kapasitas awal. Pengembangan algoritma DNN juga mampu memprediksi arus pengisian optimal berdasarkan input dari hasil optimasi Quasi-Newton L-BFGS-B. Namun, model DNN yang diterapkan menunjukkan adanya overfitting yang perlu ditangani lebih lanjut.

---

Lithium-Ion Battery (LIB) is still an effective alternative technology in maximizing the efficiency of electric vehicles (EV). The application of EVs has provided a significant impact in order to reduce the issue of global problems - reducing carbon gas emissions. The LIB charging mechanism with the fast-charging method is an alternative to the application of EVs on a massive scale. However, the dynamics of the battery where the battery work function can decrease over time will affect battery performance. In addition, fast-charging efforts at LIB with maximum speed have the impact of increasing the risk of battery temperature and the existence of a larger gap in battery degradation. This research proposes the application of Deep Neural Network (DNN) algorithm for Lithium-Ion Battery (LIB) fast-charging optimization as an innovative solution approach to address the complex dynamics of LIB fast-charging. This research develops an integrative approach by combining the Quasi-Newton Limited-memory Broyden–Fletcher–Goldfarb–Shanno Bound (L-BFGS-B) method and DNN algorithm. The results show that this approach can improve the speed and efficiency of fast-charging. The research shows that the Quasi Newton L-BFGS-B method is capable of finding an initial solution to the optimal charging current. This method is effective in maintaining battery health (SoH) and capacity by reducing SoH by only 2% and maintaining battery capacity by 98% of the initial capacity. The DNN algorithm development is further capable of predicting the optimal charging current based on inputs from the Quasi-Newton L-BFGS-B optimization results. However, the implemented DNN model shows the overfitting which should be further explored."

"Sistem tata udara presisi merupakan mesin refrigerasi yang digunakan di ruang pusat data untuk menjaga temperatur di dalam kabinet berkisar antara 20º - 22ºC, dan kelembaban antara 45-55%. Untuk mencapai keadaan tersebut, delapan variabel tak terukur belum dapat diestimasi sehingga dibutuhkan observer. Proses estimasi state dilakukan menggunakan model ruang keadaan. Persamaan untuk Filter Kalman dibagi menjadi persamaan time update dan measurement update. Penggunaan metode ini diharapkan diperoleh nilai matriks prediction error covarians yang konvergen pada nilai sekecil mungkin. Selain itu juga dibandingkan state hasil estimasi dengan state aktual model untuk mengetahui nilai kuadrat kesalahan estimasi yang terjadi.

---

Precision air conditioning is a refrigeration machine that used in the data center to keep the temperature inside the cabinet ranged from 20 º - 22 º C, and humidity between 45-55%. To reach that state, the eight variables not measured can not be estimated so that the observer is required. State estimation process is done using a state space model. The equation for the Kalman Filter equations are divided into time update and measurement update. Use of this method is expected to obtain the prediction error matrix covarians which converges on the value as small as possible. It also compared to the estimated state with the actual state of the model to determine the value of the square of estimation error that occurred."

"Pergerakan harga saham berfluktuasi. Diperlukan suatu metode untuk mengestimasi pergerakannya. Model runtun waktu merupakan suatu model yang dapat digunakan dalam menganalisis pergerakan harga saham. Salah satu model runtun waktu sederhana adalah model local linear trend dengan level stokastik dan slope deterministik. Algoritma filter Kalman dapat digunakan untuk mengestimasi solusi model. Implementasi menggunakan data harga saham BMRI dan LSIP memberikan hasil yang cukup baik dilihat dari nilai rata – rata eror relatif dan nilai MSE (mean square error).

---

The movements of stock price is fluctuate. A method is required to determine such movement. Time series model is one of the models that can be used in analyzing stock price movements. One of the basic model of time series is the local linear trend model with stochastic level and deterministic slope. Kalman filter algorithm can be used to estimate the solution of that model. Implementation on BMRI and LSIP stock price data gives satisfactory results based on the average relative error and MSE (mean square error)."

"Perkembangan luas baterai lithium-ion (LIB) telah menarik banyak minat dari banyak peneliti. Peningkatan khusus penelitian baterai ini dapat dilihat dari LIB yang mulai digunakan dalam sistem grid yang disebut battery energy storage system (BESS). Proyek tesis ini bertujuan untuk menentukan jenis LIB apa yang cocok untuk digunakan dalam sistem jaringan yang berbeda. Untuk memilih jenis LIB mana yang cocok untuk sistem, efisiensi siklus dan mekanisme degradasi LIB harus dipelajari. Saat ini, jenis LIB yang digunakan untuk BESS adalah Lithium Iron Phosphate (LFP) dan Lithium Nickel Manganese Cobalt (NMC). Terlepas dari kemampuan LFP dan NMC, mekanisme degradasi mereka masih merupakan bagian penting dari batasan BESS. Selain itu, degradasi LFP dan NMC dipengaruhi oleh suhu dan laju arus sehingga peningkatan kedua parameter akan menghasilkan degradasi yang lebih tinggi. Variasi suhu dan laju arus membuktikan bahwa LFP memiliki stabilitas yang unggul dibandingkan NMC, meskipun memiliki kapasitas lebih rendah dari NMC. Oleh karena itu, dapat disimpulkan bahwa LFP lebih cocok untuk sistem bersiklus tinggi, sementara NMC lebih cocok untuk sistem yang memiliki penyimpanan kapasitas tinggi sebagai perhatian utama mereka.

---

The vast development of lithium-ion batteries (LIB) has gained a lot of interest from many researchers. The particular improvement of LIB research is that LIB is starting to be used in a grid system called battery energy storage system (BESS). This thesis project aims to determine what type of LIB is suitable to be used in different grid systems. To choose which type of LIB that is suitable for the system, the cycling efficiency and the degradation mechanism of the LIB must be studied. Currently, the types of LIB used for BESS are Lithium Iron Phosphate (LFP) and Lithium Nickel Manganese Cobalt (NMC).

Despite the capability of LFP and NMC, their degradation mechanism is still an essential part of the limitation of the BESS. Additionally, the degradation of LFP and NMC are affected by temperature and current rate (C-rate) such that increasing both parameters will result in higher degradation. The variation of temperature and C-rate proves that LFP has superior stability compared to NMC, despite having lower capacity than NMC. Therefore, it can be concluded that LFP is more suitable for a high cycling system while NMC is more suitable for system which has high capacity storage as their primary concern."