<![CDATA[Estimasi State Of Charge (SOC) baterai merupakan parameter terpenting dalam Battery Management System (BMS), terlebih sebagai aplikasi dari mobil listrik dan smart grid. SOC tidak dapat dilakukan pengukuran secara langsung, sehingga diperlukan metode estimasi untuk mendapatkan nilai tersebut. Beberapa metode yang pernah diusulkan adalah coloumb counting dan open circuit voltage. Akan tetapi coloumb counting memiliki kelemahan dalam hal inisialisasi SOC awal dan memiliki ketergantungan terhadap sensor arus. Sedangkan metode open circuit voltage hanya dapat digunakan pada baterai dalam kondisi idel. Pada penelitian ini diusulkan metode algoritma Feed Forward Neural Network (FFNN) untuk estimasi SOC baterai lithium polymer. Algoritma ini dapat menyelesaikan sistem nonlinier seperti yang dimiliki oleh baterai lithium polymer. Arsitektur FFNN dibangun dua kali (dual neural) untuk estimasi OCV dan SOC. FFNN pertama dengan input tegangan, arus, dan waktu charging maupun discharging untuk estimasi OCV. OCV hasil training neural pertama digunakan sebagai input FFNN kedua untuk estimasi SOC. Hasil dari estimasi ini didapatkan dengan nilai hidden neuron 11 pada neural pertama dan hidden neuron 4 pada neural kedua.Keywords: SOC, BMS, Coloumb Counting, OCV, FFNNEstimasi State Of Charge (SOC) baterai merupakan parameter terpenting dalam Battery Management System (BMS), terlebih sebagai aplikasi dari mobil listrik dan smart grid. SOC tidak dapat dilakukan pengukuran secara langsung, sehingga diperlukan metode estimasi untuk mendapatkan nilai tersebut. Beberapa metode yang pernah diusulkan adalah coloumb counting dan open circuit voltage. Akan tetapi coloumb counting memiliki kelemahan dalam hal inisialisasi SOC awal dan memiliki ketergantungan terhadap sensor arus. Sedangkan metode open circuit voltage hanya dapat digunakan pada baterai dalam kondisi idel. Pada penelitian ini diusulkan metode algoritma Feed Forward Neural Network (FFNN) untuk estimasi SOC baterai lithium polymer. Algoritma ini dapat menyelesaikan sistem nonlinier seperti yang dimiliki oleh baterai lithium polymer. Arsitektur FFNN dibangun dua kali (dual neural) untuk estimasi OCV dan SOC. FFNN pertama dengan input tegangan, arus, dan waktu charging maupun discharging untuk estimasi OCV. OCV hasil training neural pertama digunakan sebagai input FFNN kedua untuk estimasi SOC. Hasil dari estimasi ini didapatkan dengan nilai hidden neuron 11 pada neural pertama dan hidden neuron 4 pada neural kedua.Kata kunci: SOC, BMS, Coloumb Counting, OCV, FFNN]]>
