Pada penelitian ini akan dicoba suatu simulasi untuk memprediksi daya regeneratif dari suatu sistem pengereman regeneratif menggunakan model uji, di mana model uji sistem rem regeneratif rencananya akan diimplementasikan pada kendaraan listrik. Tujuan yang ingin dicapai pada penelitian ini adalah menyelidiki hasil prediksi daya regeneratif menggunakan machine learning, menggunakan data training yang diperoleh dari model uji serta melakukan validasi dari data test. Simulasi prediksi daya dilakukan menggunakan machine learning dengan tipe regresi, sedangkan untuk regresi yang digunakan yaitu SVR (Support Vector Regression) dan regresi linear. Walaupun menggunakan machine learning untuk memperoleh prediksi daya, daya yang diprediksi akan memiliki galat terhadap daya pada model uji yang sebenarnya berdasaarkan metrik yang ada pada regresi. Dari simulasi prediksi daya menggunakan SVR, diperoleh metrik pada ultrakapasitor hubung secara paralel dan ultakapasitor tunggal, secara berurutan yaitu: 1) Coefficient of determination sebesar 0,69 dan 0,85; 2) MAE sebesar 3,68 dan 2,09; dan 3) MSE sebesar 23,16 dan 11,75. Dari simulasi prediksi daya menggunakan regresi linear, diperoleh metrik pada ultrakapasitor hubung secara paralel dan ultakapasitor tunggal, secara berurutan yaitu: 1) Coefficient of determination sebesar 0,71 dan 0,91; 2) MAE sebesar 3,49 dan 1,75; dan 3) MSE sebesar 21,83 dan 7,28.

This study conducts a simulation to forecast regenerative power of a regenerative braking using a model that has regenerative braking system. This study proposes analyzing forecasted results of regenerative power using training data obtained by the model and doing validation using test data. Power forecasting simulation conducted by using regression; furthermore, regressions used for power forecasting are SVR (Support Vector Regression) and linear regression. Although this study uses machine learning for power forecasting, the forecasted data have difference results compared to experimental data based on regression metrics. According to power forecasting simulation using SVR, the metrics obtained for ultracapacitor installed in parallel and single ultracapacitor, respectively, are: 1) Coefficient of determination scores 0.69 and 0.85; 2) MAE of 3.68 and 2.09; and 3) MSE of 23.16 and 11.75; In the other hand, according to power forecasting simulation using linear regression, the metrics obtained for ultracapacitor installed in parallel and single ultracapacitor, respectively, are: 1) Coefficient of determination of 0.71 and 0.91; 2) MAE of 3.49 and 1.75; and 3) MSE of 21.83 and 7.28.