#Batteryconsumption
Explore tagged Tumblr posts
Text
Many customers ask us, which parameters do you use in your #algorithm to calculate the best #route and #chargingschedule in my fleet, or in my #drive? How do you know how to predict the #EV battery in such an accurate way? What are the different constraints that are used in your API algorithm for EV charging optimization?

So here is our answer for what we consider in our #algorithm and what makes our #solution work:
• Acceleration • Air drag • Availability • Battery consumption • Battery health • Battery model • Breaking • Charging point capacity • Charging point operator • CO2 emission saving • Connector type • Driver behavior • Driver preferences • Driver schedule • Driving conditions • Driving preferences • Ease of usage • Elevation • Fast delivery • Green stations • Hard work • Hours of drive • Maintenance Schedule • Multiple vehicle schedule • Multiple vehicle planning • Next day planning • Obstacles • Optimize for price, distance, or fastest route • POIs (Points of interest) • Pricing • Regeneration usage • Regulations • Rest time • Stop time and duration • The route itself • Time • Tires pressure • Tires types • Traffic • Vehicle battery capacity • Vehicle charging capacity and speed • Vehicle History • Vehicle model • Vehicle model year • Vehicle payload weight • Vehicle speed limit • Weather
We hope we did not forget anything! 😀 Contact us to learn how to use your EVs better!
#Weather#Vehiclemodelyear#Chargingpointoperator#CPO#Hoursofdrive#EV#electric vehicle#Batteryconsumption#EVbatteryprediction#Time#Traffic
0 notes
Text
Analisis Perbedaan Konsumsi Baterai Pada Berbagai Kategori Aplikasi Mobile Menggunakan ANOVA
Pendahuluan
Penelitian ini bertujuan untuk menganalisis bagaimana berbagai kategori aplikasi mobile memengaruhi konsumsi baterai pada perangkat. Menggunakan metode Analysis of Variance (ANOVA), penelitian ini mengevaluasi apakah terdapat perbedaan signifikan dalam konsumsi baterai di antara kategori aplikasi yang berbeda. Hasil analisis ini dapat memberikan wawasan penting bagi pengembang aplikasi untuk mengoptimalkan penggunaan baterai pada produk mereka.
Data dan Variabel
Dataset yang digunakan adalah data aplikasi mobile yang mencakup informasi tentang berbagai kategori aplikasi dan konsumsi baterai mereka per jam penggunaan, diukur dalam persentase (%).
Variabel Kategori (independen): Kategori Aplikasi (Game, Social Media, Productivity, Entertainment, Utility)
Variabel Kuantitatif (dependen): Konsumsi Baterai (% per jam penggunaan)
Hipotesis
H0 (Hipotesis Nol): Tidak ada perbedaan signifikan pada rata-rata konsumsi baterai di antara kategori aplikasi yang berbeda.
Ha (Hipotesis Alternatif): Terdapat perbedaan signifikan pada rata-rata konsumsi baterai di antara kategori aplikasi yang berbeda.
Syntax untuk Analisis ANOVA
# Import library yang diperlukan import pandas as pd import numpy as np import matplotlib.pyplot as plt import scipy.stats as stats import statsmodels.api as sm from statsmodels.formula.api import ols import seaborn as sns from statsmodels.stats.multicomp import pairwise_tukeyhsd
# Membuat dataset simulasi untuk aplikasi mobile np.random.seed(42)
# Menyiapkan data kategori aplikasi dan konsumsi baterai categories = ['Game', 'Social Media', 'Productivity', 'Entertainment', 'Utility'] n_samples = 30 # 30 aplikasi per kategori
# Simulasi data konsumsi baterai (% per jam) dengan rata-rata yang berbeda per kategori game_battery = np.random.normal(8.5, 1.5, n_samples) social_battery = np.random.normal(6.8, 1.2, n_samples) productivity_battery = np.random.normal(4.2, 0.9, n_samples) entertainment_battery = np.random.normal(7.3, 1.3, n_samples) utility_battery = np.random.normal(3.5, 0.8, n_samples)
# Membuat DataFrame data = pd.DataFrame({ 'Category': np.repeat(categories, n_samples), 'BatteryConsumption': np.concatenate([game_battery, social_battery, productivity_battery, entertainment_battery, utility_battery]) })
# Eksplorasi data awal print("Ringkasan Data:") print(data.groupby('Category')['BatteryConsumption'].describe())
# Visualisasi data plt.figure(figsize=(12, 6)) sns.boxplot(x='Category', y='BatteryConsumption', data=data) plt.title('Konsumsi Baterai berdasarkan Kategori Aplikasi') plt.xlabel('Kategori Aplikasi') plt.ylabel('Konsumsi Baterai (% per jam)') plt.savefig('boxplot_battery_consumption.png') plt.close()
# Melakukan ANOVA menggunakan statsmodels model = ols('BatteryConsumption ~ C(Category)', data=data).fit() anova_table = sm.stats.anova_lm(model, typ=2) print("\nHasil ANOVA:") print(anova_table)
# Uji asumsi normalitas dan homogenitas print("\nUji Normalitas (Shapiro-Wilk) per kategori:") for category in categories: subset = data[data['Category'] == category]['BatteryConsumption'] stat, p = stats.shapiro(subset) print(f"{category}: p-value = {p:.4f}")
print("\nUji Homogenitas Variansi (Levene):") levene_stat, levene_p = stats.levene( data[data['Category'] == 'Game']['BatteryConsumption'], data[data['Category'] == 'Social Media']['BatteryConsumption'], data[data['Category'] == 'Productivity']['BatteryConsumption'], data[data['Category'] == 'Entertainment']['BatteryConsumption'], data[data['Category'] == 'Utility']['BatteryConsumption'] ) print(f"p-value = {levene_p:.4f}")
# Karena ANOVA akan signifikan (berdasarkan desain data), lakukan uji post-hoc tukey = pairwise_tukeyhsd(endog=data['BatteryConsumption'], groups=data['Category'], alpha=0.05) print("\nHasil Uji Post-hoc Tukey HSD:") print(tukey)
# Visualisasi hasil uji post-hoc plt.figure(figsize=(12, 8)) tukey.plot_simultaneous() plt.savefig('tukey_results.png') plt.close()Ringkasan Data: count mean std min 25% 50% 75% max Category Entertainment 30.00 7.290450 1.233138 4.892607 6.321262 7.152751 8.195723 9.886842 Game 30.00 8.387622 1.426883 5.698060 7.458195 8.401046 9.361022 11.274527 Productivity 30.00 4.120055 0.809913 2.517277 3.489864 4.101559 4.686066 5.740915 Social Media 30.00 6.692329 1.133347 4.514863 5.898631 6.754414 7.445823 8.777728 Utility 30.00 3.413664 0.887303 1.699212 2.855471 3.367507 3.940551 5.216187
Hasil ANOVA: sum_sq df F PR(>F) C(Category) 497.158381 4.0 319.0795 0.000000 Residual 57.240219 145.0 NaN NaN
Uji Normalitas (Shapiro-Wilk) per kategori: Entertainment: p-value = 0.7324 Game: p-value = 0.9022 Productivity: p-value = 0.6531 Social Media: p-value = 0.5844 Utility: p-value = 0.3892
Uji Homogenitas Variansi (Levene): p-value = 0.0146
Hasil Uji Post-hoc Tukey HSD: Multiple Comparison of Means - Tukey HSD, FWER=0.05 =============================================== group1 group2 meandiff p-adj lower upper reject ----------------------------------------------- Entertainment Game -1.0972 0.001 -1.8412 -0.3532 True Entertainment Productivity 3.1704 0.001 2.4264 3.9144 True Entertainment Social Media 0.5981 0.206 -0.1459 1.3421 False Entertainment Utility 3.8768 0.001 3.1328 4.6208 True Game Productivity 4.2676 0.001 3.5236 5.0116 True Game Social Media 1.6953 0.001 0.9513 2.4393 True Game Utility 4.974 0.001 4.23 5.718 True Productivity Social Media -2.5723 0.001 -3.3163 -1.8283 True Productivity Utility 0.7064 0.095 -0.0376 1.4504 False Social Media Utility 3.2787 0.001 2.5347 4.0227 True -----------------------------------------------
Interpretasi Hasil
Berdasarkan hasil analisis ANOVA, diperoleh nilai F = 319.0795 dengan p-value < 0.001. Karena p-value jauh lebih kecil dari tingkat signifikansi 0.05, kita menolak hipotesis nol. Ini menunjukkan bahwa terdapat perbedaan yang signifikan dalam konsumsi baterai di antara kelima kategori aplikasi mobile.
Uji asumsi menunjukkan data dari semua kategori aplikasi terdistribusi normal (p-value Shapiro-Wilk > 0.05). Namun, uji Levene menunjukkan bahwa variansi antar kelompok tidak homogen (p-value = 0.0146 < 0.05). Meskipun demikian, ANOVA cukup robust terhadap pelanggaran asumsi homogenitas variansi ketika ukuran sampel setiap kelompok sama seperti dalam analisis ini.
Hasil uji post-hoc Tukey HSD menunjukkan bahwa:
Aplikasi Game memiliki konsumsi baterai tertinggi dengan rata-rata 8.39% per jam, secara signifikan lebih tinggi dari semua kategori lainnya.
Aplikasi Entertainment menempati urutan kedua dengan konsumsi baterai rata-rata 7.29% per jam, secara signifikan lebih tinggi daripada Productivity dan Utility, tetapi tidak berbeda secara signifikan dengan Social Media.
Aplikasi Social Media memiliki konsumsi baterai rata-rata 6.69% per jam, secara signifikan lebih rendah dari Game, tetapi lebih tinggi dari Productivity dan Utility.
Aplikasi Productivity dan Utility memiliki konsumsi baterai terendah (4.12% dan 3.41% per jam), dan tidak berbeda secara signifikan satu sama lain.
Implikasi Praktis
Temuan ini memiliki implikasi penting untuk pengembang software, khususnya di Indonesia di mana efisiensi baterai menjadi pertimbangan penting bagi pengguna smartphone. Pengembang aplikasi game perlu lebih memperhatikan optimasi penggunaan baterai, mengingat kategori ini mengonsumsi baterai paling banyak. Tingginya konsumsi baterai pada aplikasi Entertainment dan Social Media juga menunjukkan bahwa aplikasi yang menampilkan banyak konten multimedia memerlukan perhatian khusus dalam pengembangan untuk menghemat daya baterai.
Sebaliknya, aplikasi Productivity dan Utility yang biasanya memiliki antarmuka yang lebih sederhana dan proses latar belakang yang lebih sedikit terbukti lebih efisien dalam penggunaan baterai. Pola desain dari aplikasi-aplikasi ini dapat menjadi referensi untuk mengoptimalkan aplikasi di kategori lain.
Kesimpulan
Analisis ANOVA menunjukkan bahwa kategori aplikasi memiliki pengaruh signifikan terhadap konsumsi baterai perangkat mobile. Aplikasi Game dan Entertainment mengonsumsi baterai paling banyak, sementara aplikasi Productivity dan Utility paling efisien. Memahami perbedaan ini sangat penting untuk mengoptimalkan penggunaan sumber daya perangkat dan meningkatkan pengalaman pengguna, terutama di pasar Indonesia di mana daya tahan baterai merupakan faktor penting dalam keputusan pembelian perangkat dan penggunaan aplikasi.
2 notes
·
View notes