Deteksi konsumsi energi pada navigasi cerdas kendaraan listrik menggunakan model jaringan syaraf tiruan berbasis Multilayer Perceptron

Indonesia:
Keterbatasan kapasitas baterai kendaraan listrik menuntut sistem navigasi cerdas mempertimbangkan estimasi energi sepanjang rute guna menjamin efisiensi operasional. Penelitian ini bertujuan mengevaluasi performa model Multi-Layer Perceptron (MLP) dalam mengklasifikasikan konsumsi energi rute ke dalam kategori penggunaan konsumsi energi 0% dan konsumsi energi 1%. Data bersumber dari 159 perjalanan di wilayah Malang dengan lima fitur: waktu tempuh, jarak, kecepatan maksimum, perubahan elevasi, dan kepadatan lalu lintas. Pra-pemrosesan data dilakukan melalui normalisasi Z-Score dan teknik Synthetic Minority Over-sampling Technique (SMOTE) untuk mengatasi ketidakseimbangan kelas. Pengujian melibatkan variasi arsitektur jaringan dan nilai threshold, yang dievaluasi berdasarkan metrik Accuracy, Precision, Recall, serta F1-Score. Hasil menunjukkan model mencapai Accuracy tertinggi 96,15% pada dataset asli, namun konfigurasi tersebut cenderung bias terhadap kelas mayoritas. Oleh karena itu, arsitektur MLP 5-8-4-1 dengan penerapan SMOTE pada threshold 0,50 ditetapkan sebagai model optimal karena memberikan keseimbangan performa terbaik dengan Accuracy 92,31% dan F1-Score 95,24%. Temuan ini membuktikan bahwa implementasi komputasi cerdas memberikan kontribusi signifikan pada manajemen energi kendaraan listrik yang lebih presisi, terukur, dan bertanggung jawab.

English:
The limited battery capacity of electric vehicles requires navigation systems to consider not only distance and travel time, but also the energy demand along the route. This study aims to measure the performance of a Multilayer Perceptron (MLP) model in classifying electric vehicle route energy consumption into two classes, namely 0% and 1% consumption. The dataset consists of 160 electric vehicle trips in the Malang area with five main features: travel time, distance, maximum speed, elevation change, and traffic density. The data are normalized using Z-Score, split in a stratified manner into training, validation, and test sets, and balanced using SMOTE on the training set. Several experimental scenarios are constructed by varying the hidden layer architectures and threshold values, and are evaluated using accuracy, Precision, Recall, and F1-Score. The results show that the highest accuracy of 96.15% is obtained on the original imbalanced data; however, this configuration tends to favor the majority class. The MLP configuration with a 5–8–4–1 architecture on SMOTE-balanced data and a threshold of 0.50 is selected as the main model because it provides the best trade-off, achieving an accuracy of 92.31% and an F1-Score of 95.24%.

Arabic:
تتطلب سعة البطارية المحدودة في المركبات الكهربائية وجود أنظمة ملاحة ذكية تأخذ في الاعتبار تقدير استهلاك الطاقة لضمان كفاءة التشغيل. تهدف هذه الدراسة إلى تقييم أداء نموذج الشبكة العصبية الاصطناعية القائم على الإدراك المتعدد الطبقات (MLP) في تصنيف استهلاك الطاقة إلى فئتين: استهلاك الطاقة بنسبة 0% واستهلاك الطاقة بنسبة 1%. تم الحصول على البيانات من 159 رحلة في منطقة مالانج باستخدام خمس ميزات تشمل وقت السفر، والمسافة، والسرعة القصوى، وتغير الارتفاع، وكثافة المرور. تمت معالجة البيانات مسبقًا باستخدام توحيد الدرجة المعيارية (Z-Score) وتقنية الإفراط في أخذ عينات الأقلية الاصطناعية (SMOTE) لمعالجة عدم توازن الفئات. شملت الاختبارات تنويع هيكل الشبكة وقيم العتبة (Threshold) ، والتي تم تقييمها بناءً على مقاييس الدقة، والدقة المحددة، والاسترداد، ودرجة F1. تشير النتائج إلى أن النموذج حقق أعلى دقة بنسبة %96.15 على مجموعة البيانات الأصلية، ومع ذلك أظهر هذا التكوين انحيازًا نحو الفئة الكبرى. بناءً على ذلك، تم تحديد هيكل MLP 5-8-4-1 مع تطبيق تقنية SMOTE عند عتبة 0.50 كنموذج أمثل، حيث قدم أفضل توازن في الأداء بدقة بلغت %92.31 ودرجة F1 بلغت %95.24. تثبت هذه النتائج أن تطبيق الحوسبة الذكية يساهم بشكل كبير في إدارة طاقة المركبات الكهربائية بطريقة أكثر دقة ومسؤولية.يه.