Mesin | 69
Perbandingan Average Filter dengan Hanning Filter pada
Pengolahan Sinyal Load Cell
Tengku Iskandar1*, Hendri Maja Saputra2
1Teknik Elektronika, Politeknik Caltex Riau, Jl. Umban Sari No.1, Rumbai, Pekanbaru, Riau-Indonesia
2Pusat Penelitian Tenaga Listrik dan Mekatronik, Lembaga Ilmu Pengetahuan Indonesia (LIPI), Kantor LIPI (Puslit Telimek, Gd. 20), Cisitu, No.21/154D, Bandung, Indonesia
*[email protected], [email protected]
Abstract
Paper ini membahas perbandingan Average Filter (AF) dengan Hanning Filter (HF) pada pengolahan sinyal load cell. Load cell pada penelitian ini digunakan pada salah satu instrument yang disebut alat uji Triaxial yang berguna untuk penentuan tekanan beban. Pada data keluaran load cell terdapat noise, sehingga dibutuhkan filter agar data beban yang dibaca dapat konstan. Load cell yang digunakan pada penelitian ini mampu menghitung beban sampai dengan 20 kg. Load cell tersebut dihubungkan ke modul ADC HX711 (24 bit) untuk kemudian dibaca oleh Arduino nano. Hasil keluaran data kemudian di filter menggunakan average filter (AF) dan hanning filter (HF). AF menggunakan nilai rata-rata dari data load cell yang dijumlahkan, sedangkan HF menggunakan nilai dari data load cell yang ditambah dengan data sebelumnya dan ditambah data awal. Kedua filter memiliki standar deviasi yang kecil yaitu 224 g untuk average filter dan 216 g untuk hanning filter. Kedua filter membuktikan sangat efektif dapat digunakan pada load cell untuk mengurangi noise, tetapi yang lebih bagus adalah Average filter.
Keywords: load cell, average filter, Hanning filter, calibration
1. Pendahuluan
Load cell telah banyak digunakan selama bertahun-tahun di dunia industri. Data keluaran load cell biasanya tidak dapat terlepas dari dua faktor, yaitu akurasi dan kalibrasi yang tidak tepat. Load cell pada penelitian ini dipasangkan pada instrument yang disebut alat uji triaxial (lihat Gambar 1) (Buchko, 2013). Data yang yang dibaca dari load cell melalui modul ADC oleh mikrokontroller Arduino nano (Atmel Corporation, 2004) memiliki nilai yang tidak akurat.
Mesin | 70
Prinsip kerja load cell yaitu saat tekanan diberikan ke permukaan, maka bagian atas strain gauge terkompresi dan yang lebih rendah sehingga mengubah ketegangan. Ada banyak jenis sel beban yang digunakan untuk load cell, misalnya adalah sel strain gauge, sel mekanik, dan sebag ainya. Sensor ini digunakan untuk mengukur kekuatan atau berat (D., 1997). SEN128A3B merupakan sensor berat yang memiliki range 0-500 gram dan sangat sensitif dengan perubahan posisi dan kemiringan dari penempatan sensor tersebut. Hal ini sebagaimana yang dijelaskan oleh Burr-Brown (Burr, 1998). Load cell dibuat oleh ikatan pengukur regangan untuk bahan semi yang mendeteksi secara efisien ketegangan, pengukur regangan terikat ke posisi pada regangan terbesar. Hubungan linier antara strain gauge dengan perubahan resistansi pada load cell, hal ini sebagaimana yang dijelaskan oleh industri interface inc ( A Primer on the Design , 2009).
Pada penelitian yang dilakukan Lou (Lou, Raso, & Hill, An Electronically Integrated Load Cell, 1998), kekurangan dalam pembacaan sensor load cell dapat diperbaiki dengan menggunakan Low Pass Filter (LPF). Sebuah rangkaian elektronik (Wheatstone) dengan rangkaian low pass filter dipasang untuk pengukur pada bagian atas dan bawah permukaan load cell. Filter berupa rangkaian elektronik yang menyaring sinyal keluaran dan memberikan kompensasi suhu. Sensitifitas sel beban disesuaikan dengan mengubah gain dari rangkaian elektronik tersebut. Penguat memberikan perubahan pada sinyal differensial, sedangkan low pass filter mengurangi frekuensi menjadi 60 Hz terhadap kebisingan lingkungan.
Menurut penelitian dari wahyu (Pembudi & Suhendra, Perbaikan respon output menggunakan implementasi kalman filter pada simulasi pembacaan sensor beban load cell, 2015), implementasi kalman filter dapat merubah respon keluaran pada load cell. Kalman filter (KF) merupakan salah satu dari banyak metode yang dapat memprediksi data yang didapat berdasarkan data yang telah diterima sebelumnya dan diikuti dengan koreksi pada data yang diperoleh. Kalman filter ini dapat mereduksi noise sinyal, sehingga didapat hasil estimasi mendekati nilai yang sebenarnya. Penerapan kalman filter untuk aplikasi model UAV terbukti memperkecil perbedaan antara data model keluaran dengan data hasil identifikasi, sehingga dapat memberikan respon yang cepat dan stabil terhadap noise yang muncul. Makalah yang dijelaskan oleh Sulistyanto (Sulistyanto, Wahyunggoro, & Cahyadi, 2015), membahas mengenai pengolahan sinyal yang dihasilkan oleh sensor berat (load cell) yang memiliki sensitifitas yang tinggi menggunakan metode moving average, tiga sub-metode moving average yaitu simple moving average, weighted moving average dan exponential moving average.
Paper ini membahas tentang perbandingan Average filter dengan Hanning filter untuk pengolahan sinyal load cell. Hasil keluaran dari load cell disaring oleh Average filter dan Hanning filter, sehingga noise pada hasil pengukuran tersebut akan berkurang dan diperoleh hasil yang lebih baik pada sebelumnya. Modul ADC yang digunakan pada penelitian ini adalah HX711 (Avia Semiconductor, 2006) yang memiliki kecenderungan untuk membaca secara akurat pada saat objek diam.
2. Metode
Pada penelitian ini, noise sinyal pada load cell direduksi menggunakan Average Filter (AF) dan Hanning Filter (HF) yang kemudian hasilnya dibandingkan. Nilai beban dari sensor diperoleh menggunakan coding program Arduino. Modul HX711 membaca nilai load cell berupa nilai desimal 24 bit. Rangkaian dari perangkat yang digunakan pada penelitian ini dapat dilihat pada Gambar 2
Mesin | 71
Gambar 2. Rangkaian dari perangkat pengujian
Load cell yang telah terhubung pada arduino diambil nilai keluaran dari modul adc pada berat load cell, kemudian difilter menggunakan average filter.
Average filter merupakan filter yang menjumlahkan beberapa nilai untuk kemudian dibagi dengan banyaknya jumlah data itu sendiri. Average filter dengan kata lain merupakan nilai rata-rata dari suatu data. Persamaan average filter dapat dilihat pada persamaan (1). Pada penelitian ini, banyaknya jumlah data yang digunakan adalah 10 buah.
⋯
(1) Persamaan (1) dikonversi ke bahasa kode pada program arduino nano. Kode tersebut dapat dilihat dibawah ini:
value = sensor;
value_now = value + value_after; if(z==10) { value_mean = value_now/z; value_now = 0; z = 0; } value_after = value_now; z = z + 1; ave = value_mean;
Load cell yang telah diaverage filter dibandingkan dengan hanning filter. Hanning filter pada load cell menghasilkan nilai beban yang akan muncul pada saat beban diterima oleh modul. Nilai beban dibaca sehingga menampilkan hasil dari nilai sebelumnya dari beban pada arduino. Persamaan hanning filter dapat dilihat pada persamaan (2).
2 1 2 (2)
Persamaan (2) dikonversi ke bahasa kode pada program arduino nano. Kode tersebut dapat dilihat dibawah ini:
han[2] = han[1]; han[1] = han[0]; han[0] = sensor;
Mesin | 72
Mengkalibrasi dari hasil filter terhadap nilai beban yang diterima Arduino secara real time setelah perbandingan antara average filter dengan hanning filter. Pengkalibrasian nilai yang dihasilkan berupa linier yang diambil pada minimum dan maksimum beban yang diterima dengan batas bit dari sensor pada coding program. Rumus kalibrasi untuk load cell dapat dilihat pada persamaan (3).
(3) Persamaan (3) dikonversi ke bahasa kode pada program arduino nano. Kode tersebut dapat dilihat dibawah ini:
value = (sensor - Min_x) / (Max_x - Min_x) * (Max_y - Min_y) + Min_y; 3. Hasil dan Pembahasan
Nilai yang ditampilkan dengan menggunakan average filter mendapatkan nilai secara cepat. Nilai akan terkirim yang telah dirata-ratakan dari hasil keseluruhan yang dirunning pada coding program. Mengurangi noise yang terjadi pada sensor berat load cell. Nilai yang ditampilkan menggunakan Hanning Filter mendapatkan nilai dengan membaca nilai hasil sebelumnya yang ditambah dengan hasil awal, nilai akan dikirim pada coding program dari hasil gabungan linier modulasi.
Gambar 3. Data sensor dari ADC setelah di filter
Perbandingan dari filter antara average dan Hanning. Terdapat perbedaan dari hasil nilai beban yang terjadi pada saat sensor diberikan beban.
Gambar 4. Perbandingan data sensor berat load cell dan setelah proses Average Filter dan Hanning Filter.
Grafik diatas memperlihatkan bahwa terdapat perbedaan antar nilai keluaran sensor sebelum diberi filter dengan setelah diberi kedua filter yaitu Average Filter dan Hanning Filter. Grafik diatas terdapat perbandingan data beban load cell dengan membaca data dari adc dengan setelah dikalibrasikan, terlihat dari gambar 3, grafik menunjukkan keluaran data dari adc terhadap waktu pada load cell. Hasil grafik dari ketiga grafik terdapat yang lebih smooth atau berkurangnya noise dibandingkan yang lainnya.
Mesin | 73
Average filter memperlihatkan berkurangnya noise dan hasil grafik lebih baik yang menunjukkan hasil dari rata-rata yang telah diambil dari data beban load cell, sedangkan hanning filter menunjukkan hasil grafik yang baik dengan hasil data dari data sebelumnya. Beban yang diberikan pada sensor berat load cell sebesar 480 gr. Begitu pula pada tabel dibawah ini. Hasil pada average filter lebih mendekati dibandingkan hanning filter (lihat Tabel 1). Hasil berat load cell memiliki standar deviasi yang kecil setelah di filter (lihat tabel 2).
Sensor Tanpa Filter (ORI) Average Filter Hanning Filter
Tanpa Beban (gr) 0.66 0.60 0.78
Dengan Beban (gr) 476.86 478.94 477.41
Table 1. Perbandingan berat load cell tanpa beban dan dengan beban.
Sensor Tanpa Filter (ORI) Average Filter Hanning Filter
Standar Deviasi 215.6089 224.4371 216.916
Table 2. Perbandingan standar deviasi 4. Kesimpulan
Berdasarkan hasil dari kedua perbandingan average filter dengan hanning filter dapat disimpulkan bahwa pada grafik perbandingan average filter lebih baik dibandingkan dengan hanning filter. hasil pada grafik perbandingan menunjukkan average filter mendekati beban dari load cell dibandingkan dengan hanning filter. Pada saat sebelum dan setelah diberi beban load cell, average filter memiliki hasil yang lebih bagus dibandingkan hasil dari hanning filter. ini dapat disimpulkan bahwa average filter memiliki hasil keluaran yang bagus. Hasil yang telah difilter menunjukkan bahwa average filter lebih halus untuk mengoptimasikan nilai beban dari load cell tersebut.
Ucapan Terimakasih
Terimakasih kepada Dr. Eng. Budi Prawara dan Prof. Dr. Eng. Estiko Rijanto yang telah mengizinkan kami untuk kerja praktek di Pusat Penelitian Teknik Tenaga Listrik & Mekatronika – Lembaga Ilmu Pengetahuan Indonesia (LIPI). Terimakasih pula kepada para anggota Kelompok Penelitian (Keltian) Mekatronik dan teman-teman yang telah membantu mencari referensi dan menyelesaikan paper ini. Daftar Pustaka
[1] Reodique, A. (2005). Noise Consideration for Integrated Pressure Sensors. Freescale Semiconductor, 1-2.
[2] Flavio Roberto Faciolla Theodoro a, ⇑. M. (2015). Measurement uncertainty of a pressure sensor submitted to a. F.R.F. Theodoro et al. / Measurement 88 (2016) 238–247, 1.
[3] Hermawi, A. (2007). APLIKASI MOVING AVERAGE FILTER. TESLA Vol. 9 No. 1, 1-2. [4] JosC I. Acha I, R. M.-C. (1997). Design of log FIR filters. Signal Processing 62 (1997) 243-246,
3-4.
[5] Yang, G. J., Choi, B. W., & Kim, J. H. (2014). Implementation of HTTP Live Streaming for an IP Camera using an Open Source Multimedia Converter. International Journal of Software Engineering and Its Applications, 1-12.
[6] Yamato, E. W. (2014). ANALISA PERFORMANSI JARINGAN LAN (LOCAL AREA NETWORK ) IPTV. 1(25).
[7] ILMUANDROID. (2014). Retrieved November 14, 2016, from
http://www.ilmu-android.com/2012/09/mengenal-dan-menghitung-densitas-layar.html
[8] Quoc, D. D., Sun, J., Le, V. N., & Tan, N. N. (2015). Sensor Fusion based on Complementary Algorithms using MEMS. International Journal of Signal Processing, 1.
[9] InvenSense Inc. (2010, 11 24). Retrieved from http://www.invensense.com
[10] Saputra, H. M., Abidin, Z., & Rijanto, E. (2013). IMU APPLICATION IN MEASUREMENT OF VEHICLE POSITION AND. Mechatronics, Electrical Power, and Vehicular Technology. [11] Zhi, R. (2016). A Drift Eliminated Attitude & Position Estimation.
Mesin | 74
[12] Zunaidi, I., & Kato, N. (2006). Positioning System for 4-Wheel Mobile Robot:. CMU. Journal, 5(1).
[13] Fourati, H., & Manamanni, N. (2013). Position Estimation Approach by Complementary Filter-aided IMU. 12th biannual European Control Conference . Zurich, Switzerland.
[14] Ding, L., & Sang, H. (2016). Filtering Analysis of Navigation Data Processing for Personnel Positioning System. Science Journal of Applied Mathematics and Statistics , IV.
[15] Park, C. G., & Kang, C. H. (2016). An Adaptive Complementary Filter For Gyroscope/Vision Integrated Attitude Estimation . International Journal of Aeronautical and Space Sciences. [16] Naydenov, D. (2016). Autonomous navigation Position tracking of a remote control. Vienna. [17] Naus, K., & Marchel, Ł. (2015). SLAM AIDED INERTIAL NAVIGATION SYSTEM .
SCIENTIFIC JOURNAL OF POLISH NAVAL ACADEMY.
[18] Markom, M. A., Adom , A. H., Erdy, S., Tan, M. M., Aniza, S., Shukor, A., & Rahim, N. A. (2015). Indoor Scanning and Mapping using Mobile Robot and RPLidar. IEEE IRIS . [19] Jasinski, E. (n.d.). Conception of Navigation System for Autonomous Agricultural Robot . [20] RoboPeak.com. (2014). RP Lidar: Low cost 360 degree 2D laser scanner (Lidar) system
Introduction.
[21] Team, R. (2014). Rplidar Aplication Note.
[22] Lou, E., Raso, V., & Hill, D. (1998, April). An Electronically Integrated Load Cell. IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT,, 47, No. 2.
[23] Pembudi, W. S., & Suhendra, I. (2015). PERBAIKAN RESPON OUTPUT MENGGUNAKAN IMPLEMENTASI KALMAN FILTER PADA SIMULASI PEMBACAAN SENSOR BEBAN LOAD CELL. Seminar Nasional Sains dan Teknologi Terapan III.
[24] Atmel Corporation. (2004). Retrieved from Atmel Corporation. [25] Avia Semiconductor. (2006). Retrieved from Sparkfun.
[26] Golestan, S., Ramezani, M., Guerrero, J., & Freijedo, F. (2014, June). Moving Average Filter Based. IEEE TRANSACTIONS ON POWER ELECTRONICS, 29, No. 6.
[27] Buchko, L. (2013). UCS, CBR, Triaxial, Direct Shear . Timely Engineering Soil Tests, LLC. [28] D., J. C. (1997). Process control instrumentation technology.
[29] Burr, B. (1998). SEN128A3B. Seed Strudio. [30] A Primer on the Design . (2009). Interface Inc.
[31] Lou, E., Raso, V., & Hill, D. (1998, April). An Electronically Integrated Load Cell. IEEE transactions on instrument and measurement, 47, No. 2.
[32] Pembudi, W. S., & Suhendra, I. (2015). Perbaikan respon output menggunakan implementasi kalman filter pada simulasi pembacaan sensor beban load cell. Seminar Nasional Sains dan Teknologi Terapan III.
[33] Sulistyanto, P., Wahyunggoro, O., & Cahyadi, A. I. (2015). Pengolahan isyarat load cell menggunakan metode moving average. STMIK AMIKOM Yogyakarta.
