Soluna adalah platform web untuk pengelola listrik desa dan petugas teknis. Soluna menilai baterai bekas kendaraan listrik (EV), merencanakan sistem surya + baterai, mensimulasikan ketahanan energi desa saat cuaca buruk, memeriksa kompatibilitas, dan memantau siklus hidup baterai. Tujuannya agar desa terpencil dapat memakai baterai bekas EV sebagai penyimpan energi, bukan bergantung pada generator diesel. Warga desa tidak perlu mengoperasikan aplikasinya.
Sekitar 5.700 desa ditargetkan mendapat akses listrik pada 2026, kira-kira empat kali lipat dari ±1.400 desa yang terjangkau pada 2025, dan desa yang masih menunggu sering bergantung pada generator diesel yang mahal dan tidak andal. Di sisi lain, baterai EV yang dianggap pensiun pada sisa kapasitas 70–80% masih berguna sebagai penyimpan energi stasioner, tetapi belum ada jalur pemakaian ulang yang aman dan terdokumentasi. Pengelola desa tidak mudah mengetahui baterai bekas mana yang aman, berapa panel dan baterai yang dibutuhkan desanya, atau bagaimana menjaga sistem tetap berjalan setelah dipasang.
Alih-alih membiarkan pengelola menyusun sendiri penilaian, spreadsheet, dan catatan perawatan yang terpisah-pisah, Soluna menyatukan keputusan itu dalam satu alur: nilai baterai, rencanakan sistem desa, periksa kompatibilitas dan keselamatan, lalu pantau dan rawat. Kita tidak membutuhkan teknologi baterai baru. Yang dibutuhkan adalah penyatuan penilaian, perencanaan, dan perawatan, serta memajukannya sebelum baterai dipasang.
- Setiap angka penting selalu berasal dari mesin hitung Python (
engine/). Antarmuka tidak pernah menghitung SoH, grade, paket baterai, panel, ketahanan, atau biaya. - Model bahasa hanya menjelaskan hasil. Setiap angka di penjelasan dicek otomatis terhadap JSON hasil; bila pengecekan gagal, dipakai template teks.
- Konfigurasi terpisah dan berversi (tabel
Konfigurasi). Setiap hasil menyimpan versi konfigurasi dan versi model yang menghasilkannya.
±5.700 desa ditargetkan mendapat akses listrik pada 2026, dibanding ±1.400 yang tercapai pada 2025. ±15× adalah biaya pembangkitan diesel dibanding PLTU. 70–80% kapasitas biasanya masih tersisa pada baterai EV ketika dianggap pensiun.
Proyek ini menjawab tema Sustainability Hackathon JOINTS x INSPIRE 2026, dengan sub-tema: desa terpencil yang belum terjangkau listrik dan masih bergantung pada generator diesel atau kayu bakar, sehingga biaya energi tinggi dan kualitas udara dalam ruangan buruk.
Desa yang jauh dari jaringan PLN dilayani sistem surya + baterai komunal, yang tetap membutuhkan penyimpanan, perencanaan, dan perawatan jangka panjang. Sebelum itu, mereka bergantung pada generator diesel yang mahal dan tidak andal, dan pemadaman di wilayah 3T (terdepan, terluar, tertinggal) masih sering terjadi. Tiga kesenjangan menghalangi pemakaian ulang baterai bekas EV:
- Sulit dinilai. Pengelola desa tidak mudah memastikan apakah baterai bekas layak dan aman dipakai.
- Sulit direncanakan. Menyesuaikan panel dan baterai dengan kebutuhan desa, termasuk saat hujan berhari-hari, membutuhkan keahlian teknis yang tidak dimiliki desa.
- Sulit dipertahankan. Belum ada mekanisme perawatan, penggantian, dan pembiayaan yang menjaga sistem tetap berfungsi setelah dipasang.
Pemasok memasukkan data uji baterai bekas (kapasitas nominal, resistansi internal, jumlah siklus, usia, depth of discharge, rasio pengisian cepat, suhu, kimia baterai). Soluna menghasilkan:
- State of Health (SoH) berupa rentang prediksi (batas bawah / median / batas atas pada tingkat 80%), dari model baterai terlatih
- Grade A–D (ambang SoH 80%, 70%, dan 60%)
- Skor keyakinan (tinggi / sedang / rendah), berdasarkan lebar rentang dan kelengkapan input
- Estimasi sisa umur berupa rentang
- Paspor baterai, catatan kondisi dan riwayat baterai
Pengelola desa memasukkan data desa dan biaya diesel saat ini. Soluna menghitung:
- Jumlah panel surya dan paket baterai yang dibutuhkan
- Perbandingan biaya dengan diesel, termasuk periode balik modal (break-even) dan usulan iuran komunitas
- Ketahanan saat cuaca buruk: berapa lama desa tetap menyala saat mendung atau hujan berkepanjangan, dengan melepas beban dalam tiga tingkat: beban kenyamanan (TV, kipas) lebih dulu, lalu penting (pompa air, pengisian ponsel), dan beban kritis (penerangan dasar, pendingin obat, komunikasi) dipertahankan paling lama
Perencanaan mendukung tiga mode: biaya terendah, ketahanan maksimum, atau umur baterai maksimum.
Sebelum pemasangan, Soluna mencocokkan tegangan baterai, battery management system (BMS), inverter, dan perangkat proteksi, lalu melaporkan satu dari tiga status beserta alasannya: sesuai, perlu penyesuaian, atau tidak sesuai.
Setelah sistem berjalan, Soluna melacak kesehatan baterai dari pembacaan berkala, memberi peringatan dini, menjadwalkan perawatan dan penggantian sebelum baterai mencapai ambang akhir, dan mengarahkan baterai yang tidak lagi layak pakai ke daur ulang.
Cakupan: Cakupan awal meliputi penerangan, komunikasi, pendingin obat, dan pompa kecil. Menggantikan kayu bakar untuk memasak membutuhkan daya jauh lebih besar, sehingga direncanakan sebagai fase berikutnya dan tidak diklaim sudah terselesaikan. Soluna diposisikan untuk desa yang sesuai, bukan sebagai pengganti semua kebutuhan penyimpanan energi.
AI memprediksi kesehatan baterai. Semua yang menjadi dasar keputusan investasi atau keselamatan dihitung dengan rumus yang dapat diverifikasi di mesin hitung Python.
| Perhitungan | Rumus |
|---|---|
| Kapasitas terpakai per paket (kWh) | E_paket = C_nominal × SoH × DoD_maks |
| Jumlah paket baterai | N = ⌈(E_harian × H_cadangan) ÷ (E_paket × η)⌉ |
| Ketahanan (hari) | T = (N × E_paket × η) ÷ (E_beban − E_PV) |
| Kapasitas surya (kWp) | P_PV = E_harian ÷ (H_matahari × PR) |
| Balik modal (tahun) | Modal sistem ÷ (biaya diesel tahunan − biaya operasi sistem tahunan) |
| Estimasi sisa umur (tahun) | (SoH saat ini − SoH ambang) ÷ penurunan SoH per tahun |
Bila model bahasa tidak tersedia atau penjelasannya gagal cek angka, Soluna beralih ke template teks. Penilaian baterai tidak memiliki prediksi pengganti: bila layanan model terlatih tidak dapat dijangkau, penilaian gagal secara eksplisit dan tidak mengembalikan perkiraan buatan.
Next.js (React, TypeScript, Tailwind) ──► FastAPI (Python) ──► Mesin hitung deterministik
│ engine/soluna_engine
└──── Prisma ──► PostgreSQL
Model baterai terlatih berjalan sebagai layanan terpisah (repositori sendiri) dan dipanggil oleh aplikasi web melalui POST /assess, seperti dijelaskan di bawah.
- Aplikasi web: Next.js, React, TypeScript, dan Tailwind CSS, dengan autentikasi berbasis sesi untuk dua peran (admin dan pemasok), ditandatangani dengan
SESSION_SECRET. Rute dilindungi per peran diproxy.ts. Halaman Daftar (/daftar) hanya membuat akun pemasok; akun admin dibuat lewat seed atau basis data. - Lapisan data: PostgreSQL yang diakses lewat Prisma ORM. Semua konfigurasi berada di tabel
Konfigurasiyang berversi. - Mesin hitung: layanan Python / FastAPI terpisah (
engine/soluna_engine), diakses diENGINE_URL(bawaanhttp://127.0.0.1:8000, dijalankan dengannpm run engine). Mesin ini menghitung penilaian, perencanaan, ketahanan, kompatibilitas, siklus hidup, dan pengecekan penjelasan. - Model baterai: model terlatih yang disajikan terpisah di
NEXT_PUBLIC_API_URL. Aplikasi web memanggilPOST /assessdengan headerx-api-keydariBATTERY_API_KEY. Wajib ada untuk penilaian baterai. - Model bahasa (opsional): endpoint di
SOLUNA_LLM_ENDPOINT(POST {prompt}→{text}) yang mengubah hasil menjadi penjelasan bahasa sederhana. Teksnya selalu melewati cek angka.
Model machine learning dikembangkan dan dilatih di repositori tersendiri oleh AI/ML engineer kami, sehingga dapat diiterasi dan diberi versi terpisah dari aplikasi web. Pelatihan model berada di luar lingkup repositori ini.
| Item | Rincian |
|---|---|
| Data latih | Dataset publik Electric Vehicle (EV) Battery Degradation & Charge (Kaggle), sekitar 50.000 catatan dari 2.600 baterai NMC dan LFP |
| Fitur | 22 fitur input, termasuk jumlah siklus, usia, resistansi internal, depth of discharge, rasio pengisian cepat, suhu, dan kimia baterai |
| Algoritma | Gradient Boosting dengan quantile regression (scikit-learn) |
| Keluaran | SoH berupa nilai bawah / median / atas pada tingkat 80%, dikonversi menjadi grade A–D dan skor keyakinan tinggi / sedang / rendah |
| Integrasi | Aplikasi web memanggil POST /assess pada NEXT_PUBLIC_API_URL dengan header x-api-key dari BATTERY_API_KEY |
| Pelatihan | Offline, di repositori model |
Penting: Model dilatih pada dataset publik baterai EV umum dan belum divalidasi pada baterai bekas second-life yang sebenarnya. Hasil disajikan sebagai perkiraan, bukan sertifikasi. Validasi pada baterai nyata menjadi bagian dari pilot.
Untuk desa ilustratif dengan asumsi prototipe:
| Metrik | Hasil |
|---|---|
| Biaya energi desa per tahun | Rp438 juta → Rp216 juta (≈51% lebih rendah) |
| Balik modal dibanding diesel | ≈3,5 tahun |
| Diesel yang dihindari | ≈19.500 liter / tahun |
Angka-angka ini berasal dari desa contoh simulasi dengan asumsi prototipe, bukan data lapangan. Angka akan diperbarui setelah pilot.
| Modul | Halaman | Mesin hitung |
|---|---|---|
| Akun & peran (AKN) | /masuk, /daftar, proxy.ts |
– |
| Pemasok (PSK, ADM) | /pemasok, /profil, /baterai |
– |
| A. Penilaian baterai | /penilaian/baru, /penilaian/[id] (paspor) |
assessment.py |
| B1. Perencana desa | /perencana, /perencana/[id] |
planner.py |
| B2. Ketahanan desa | /ketahanan |
resilience.py |
| C. Kompatibilitas | /kompatibilitas |
compatibility.py |
| D. Siklus hidup | /siklus-hidup |
lifecycle.py |
| Penjelasan (AI) | kartu "Penjelasan sederhana" | explain.py |
| Konfigurasi (SYS-1) | /pengaturan |
default_config.json |
| Lapisan | Teknologi |
|---|---|
| Frontend | Next.js, React, TypeScript, Tailwind CSS |
| Autentikasi | Berbasis sesi (SESSION_SECRET), 2 peran (admin, pemasok), proteksi rute di proxy.ts |
| Akses data | Prisma ORM |
| Basis data | PostgreSQL |
| Mesin hitung | Python 3.11+, FastAPI (ENGINE_URL, port 8000 secara bawaan) |
| Model baterai | scikit-learn (Gradient Boosting, quantile regression), dilatih offline pada dataset Kaggle, disajikan terpisah (POST /assess, x-api-key) |
| Penjelasan | Model bahasa lewat SOLUNA_LLM_ENDPOINT (POST {prompt} → {text}), fallback template, angka diverifikasi terhadap hasil |
Hanya path yang sudah terkonfirmasi dari proyek yang dicantumkan; sisanya sengaja dihilangkan.
soluna/
├── engine/ # Mesin hitung Python (FastAPI)
│ ├── soluna_engine/
│ │ ├── assessment.py # Penilaian baterai, grade, keyakinan
│ │ ├── planner.py # Ukuran panel / baterai, biaya, balik modal
│ │ ├── resilience.py # Pelepasan beban bertingkat dan ketahanan
│ │ ├── compatibility.py # Cek tegangan, BMS, inverter, proteksi
│ │ ├── lifecycle.py # Pemantauan, perawatan, penggantian
│ │ ├── explain.py # Penjelasan dengan verifikasi angka
│ │ └── default_config.json # Konfigurasi bawaan yang berversi
│ └── requirements.txt
├── prisma/ # Skema dan migrasi Prisma
├── proxy.ts # Proteksi rute berdasarkan peran
├── .env # Variabel lingkungan lokal (tidak di-commit)
├── package.json # Skrip npm dan dependensi
└── README.md
- Node.js 22+
- Python 3.11+
- PostgreSQL
- Model penilaian baterai yang sedang berjalan dari https://github.com/ladyfanning001/EV-predict (wajib untuk penilaian)
git clone https://github.com/khalisanadya/Soluna
cd soluna
npm install
python -m venv engine/.venv
engine/.venv/Scripts/python -m pip install -r engine/requirements.txt # macOS/Linux: engine/.venv/bin/pythonDATABASE_URL="postgresql://postgres:<sandi>@localhost:5432/soluna?schema=public"
SESSION_SECRET="<string acak panjang>"
ENGINE_URL="http://127.0.0.1:8000"
# Model baterai terlatih (wajib untuk penilaian)
NEXT_PUBLIC_API_URL="<URL layanan model baterai>"
BATTERY_API_KEY="<api key>"
# Opsional: model bahasa untuk penjelasan sederhana (POST {prompt} -> {text})
# SOLUNA_LLM_ENDPOINT="<endpoint model bahasa>"npm run db:migrate # buat tabel
npm run engine # terminal 1: mesin hitung FastAPI di :8000
npm run db:seed # data demo (mesin hitung harus berjalan)
npm run dev # terminal 2: aplikasi web di :3000
# atau keduanya sekaligus: npm run dev:allAkun demo (ilustrasi): admin / soluna123 (admin) dan armada / soluna123 (pemasok). Halaman Daftar (/daftar) hanya membuat akun pemasok; akun admin dibuat lewat seed atau basis data.
npm run test:engineMenjalankan test case proposal (bagian 6.1, toleransi ±5%): kebutuhan malam ≈ 33 kWh, kapasitas terpakai 28 kWh, 2 paket untuk siklus harian, ≈ 4 paket dengan cadangan, ≈ 17 kWp surya, ketahanan ≈ 2 hari (beban penuh) dan ≈ 4 hari (beban 50%), grade B. Hasil yang sama juga tampil langsung di aplikasi pada halaman Pengaturan → Uji penerimaan.
| Fase | Waktu | Fokus |
|---|---|---|
| 1. Persiapan dan kemitraan | Bulan 0–2 | Mengamankan mitra pendanaan, pemasok baterai, dan teknisi lokal; memilih 5 desa pilot |
| 2. Penyempurnaan model | Bulan 2–4 | Menyempurnakan model dengan data desa dan uji baterai bekas nyata |
| 3. Pemasangan sistem | Bulan 4–7 | Uji fisik baterai dan pemasangan di 5 desa; melatih pengelola dan teknisi |
| 4. Operasi dan pemantauan | Bulan 7–12 | Memantau kesehatan baterai, ketahanan cuaca, dan diesel yang dihindari |
| 5. Evaluasi dan ekspansi | Bulan 12–18 | Melaporkan hasil ke mitra dan pembuat kebijakan; ekspansi ke 15–50 desa |
Pasar: TAM ≈ 10.068 lokasi tanpa listrik PLN (±1,28 juta rumah tangga) → SAM ≈ 5.555 desa sulit dijangkau yang berpotensi memakai pembangkit komunal → SOM = 50 desa sebagai target implementasi awal.
Model bisnis: Mitra pendanaan (CSR, hibah, LSM, pemerintah daerah) membiayai sistem. Soluna memperoleh pendapatan dari perencanaan, implementasi, dan langganan pemantauan, dengan dana perawatan dan penggantian baterai termasuk dalam paket pendanaan.
- Rentang estimasi sisa umur memakai model empiris sementara (
sisa-umur-empiris-0.1), bukan model ML terlatih. Pelatihan model berada di luar lingkup repositori ini, dan antarmukanya dapat diganti dengan model hasil pelatihan kelak. - Penilaian baterai bergantung pada model terlatih di
NEXT_PUBLIC_API_URL(POST /assess, headerx-api-keydariBATTERY_API_KEY). Bila layanan itu tidak tersedia, penilaian gagal secara eksplisit; Soluna tidak memakai prediksi umur pengganti. - Model bahasa hanya merangkai penjelasan bila
SOLUNA_LLM_ENDPOINTdipasang (POST {prompt}→{text}), dan teksnya tetap melewati cek angka. - Model baterai dilatih pada dataset publik dan belum divalidasi pada baterai second-life yang sebenarnya. Hasil berupa perkiraan, bukan sertifikasi.
- Prototipe memakai data desa simulasi, dan pemantauan saat ini mengandalkan input manual.
- Semua angka contoh, harga, dan data seed adalah ilustrasi dan perlu dikalibrasi dengan data desa sebenarnya. Angka biaya dan penghematan berasal dari desa contoh simulasi, bukan data lapangan.
- Hasil bersifat indikatif dan tidak menggantikan pemeriksaan teknis, sertifikasi, atau jaminan keselamatan.
- Memasak bersih (menggantikan kayu bakar) belum tercakup dalam versi ini.
|
Nazla Azzahra Hermana Project Manager Universitas Diponegoro |
Ladya Kalascha AI/ML Engineer Universitas Diponegoro |
Khalisa Nadya H. Full-Stack Developer Universitas Diponegoro |
Khoerunnisa Billah Full-Stack Developer Universitas Diponegoro |
Dibuat untuk Hackathon JOINTS x INSPIRE 2026
Tim The Blondes & Orang Tua