PREDIKSI SISA MASA PAKAI BATERAI UNINTERRUPTIBLE POWER SUPPLY (UPS) MENGGUNAKAN ALGORITMA RANDOM FOREST DAN ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS)

Sistem Uninterruptible Power Supply (UPS) memerlukan pemantauan kesehatan baterai yang andal untuk mencegah kegagalan yang tidak terduga dan mendukung perencanaan pemeliharaan yang efektif. Oleh karena itu, prediksi Sisa Masa Pakai (Remaining Useful Life/RUL) yang akurat sangat penting untuk sistem daya cadangan yang beroperasi di lingkungan infrastruktur kritis. Makalah ini menyajikan kerangka kerja berbasis data hibrida yang dikontrol kebocoran yang menggabungkan pemilihan fitur Random Forest (RF) dan prediksi Adaptive Neuro-Fuzzy Inference System (ANFIS) untuk estimasi RUL baterai. Kerangka kerja yang diusulkan mengecualikan Indeks Siklus dari input prediktif karena dapat bertindak sebagai proksi langsung dari target RUL dan menciptakan kebocoran data. RF kemudian digunakan untuk mengidentifikasi indikator kesehatan terkait degradasi dari variabel siklus baterai yang tersisa, sementara ANFIS memodelkan perilaku degradasi nonlinier melalui struktur aturan fuzzy yang dapat diinterpretasikan. Eksperimen pada dataset RUL baterai publik yang berisi 15.064 catatan menunjukkan bahwa Waktu Pengosongan adalah fitur dominan, dengan skor kepentingan 86,99%. Model RF-ANFIS yang menggunakan tiga fitur terpilih teratas mencapai nilai R2 sebesar 0,9104 dan RMSE sebesar 96,32 siklus. Analisis skalabilitas lebih lanjut menunjukkan bahwa pengurangan dimensi input dari tujuh fitur menjadi tiga fitur menurunkan potensi basis aturan fuzzy dari 2.187 aturan menjadi 27 aturan ketika tiga fungsi keanggotaan digunakan per input. Hasil ini menunjukkan bahwa RF-ANFIS memberikan keseimbangan praktis antara akurasi, interpretasi, dan kekompakan komputasi untuk pemantauan kesehatan baterai terkait UPS.