Model AI Ini Bisa Prediksi Umur Baterai: Lebih Cepat dan Akurat

Jakarta -

Para peneliti University of Michigan mengembangkan sistem machine learning yang mampu memprediksi umur pakai baterai jauh lebih cepat dibanding metode pengujian konvensional. Teknologi ini disebut bisa memperkirakan masa hidup baterai hanya setelah 50 siklus pengisian dan pengosongan.

Biasanya, pengujian baterai membutuhkan ratusan hingga ribuan siklus charge-discharge untuk mengetahui daya tahan sebenarnya. Proses itu bisa memakan waktu berbulan-bulan bahkan bertahun-tahun. Dengan model baru ini, tim peneliti mengklaim waktu dan energi pengujian dapat dipangkas hingga 95%.

Riset yang dipimpin oleh asisten profesor Ziyou Song bersama kandidat doktor Jiawei Zhang dari departemen teknik elektro dan komputer University of Michigan ini dipublikasikan di jurnal Nature, demikian dikutip detikINET dari Techspot, Rabu (11/2/2026).

Pendekatan mereka menggunakan sistem AI agentic yang terdiri dari beberapa komponen dengan peran berbeda, bekerja layaknya tim peneliti di laboratorium. Masing-masing saling berbagi data, menguji hipotesis, dan memperbaiki hasil prediksi secara bertahap.

Kerangka kerja AI ini terinspirasi dari konsep discovery learning, yakni metode pembelajaran berbasis eksplorasi dan pengalaman. Dalam konteks baterai, AI belajar dari data eksperimen masa lalu, menjalankan uji skala kecil, lalu menghubungkan performa awal dengan umur siklus jangka panjang.

Sistem ini dibagi menjadi tiga peran utama: learner, interpreter, dan oracle. Learner memilih kandidat baterai yang akan diuji pada kondisi suhu dan arus tertentu. Uji awal berlangsung sekitar 50 siklus.

Data tersebut kemudian dianalisis interpreter menggunakan simulator berbasis fisika. Setelah itu, oracle menggabungkan hasil eksperimen dengan pengetahuan historis untuk memprediksi umur operasional penuh baterai.

Model ini terus belajar karena hasil prediksi dimasukkan kembali ke dataset, sehingga akurasinya meningkat seiring waktu. Setelah cukup terlatih, sistem dapat memprediksi umur baterai tanpa harus menjalani seluruh proses eksperimen panjang.

Yang membedakan pendekatan Michigan dari model statistik biasa adalah fokusnya pada pemahaman fisik dan kimia. Sistem tidak hanya membaca sinyal listrik seperti kurva tegangan, tetapi juga menafsirkan parameter mendasar, termasuk perilaku material elektroda saat mengalami panas, stres, dan siklus berulang.

Hasilnya, model dapat diterapkan lintas format baterai. Saat dilatih hanya dengan data baterai silinder kecil, AI tetap mampu memprediksi performa baterai pouch berukuran besar seperti yang digunakan pada kendaraan listrik.

Penelitian ini didukung Farasis Energy USA yang menyediakan data dunia nyata serta sampel baterai untuk evaluasi. Tim juga menyebut konsumsi energi sistem prediksi ini hanya sekitar 5% dibanding pengujian laboratorium skala penuh.

Ke depan, para peneliti menargetkan pengembangan lebih luas, termasuk prediksi batas keamanan, optimasi kecepatan pengisian, dan pencarian material baru untuk baterai lithium-ion generasi berikutnya.

(asj/asj)