Implementasi Filter Kalman Pada Sistem Sensor Deteksi Warna Lantai Robot MR.COOL MK8
Ibnu Arseno1, Rama Okta Wiyagi2, Muhamad Yusvin Mustar3
1,2,3Teknik Elektro, Fakultas Teknik, Universitas Muhammadiyah Yogyakarta, Yogyakarta, Indonesia, 55181
Ibnuarseno17@gmail.com
ABSTRAK
Kesalahan robot MR.COOL MK8 dalam mendeteksi warna lantai arena KRPAI disebabkan oleh kondisi robot ketika berjalan menyebabkan posisi robot berubah naik turun dan disebabkan faktor cahaya eksternal menyebabkan pembacaan nilai ADC sensor deteksi warna lantai tidak stabil. Sebagai solusi Algoritma Filter Kalman diadopsi ke dalam sistem sensor deteksi warna lantai pada robot untuk meredam derau pada data ADC sensor. Penelitian ini bertujuan untuk merancang dan membuat sistem sensor deteksi warna lantai yang lebih akurat dalam mendetksi warna bidang lantai arena KRPAI. Hasil dari penelitian ini dengan konfigurasi nilai estimasi error (P_k^-) = 8, nilai error pada data (R) = 10, dan inisialisasi kovarian noise proses (q) = 0,01 pada algoritam Filter Kalman menujukan sistem dapat meredam derau pada data ADC sensor deteksi warna lantai, setelah menggunakan Filter Kalman derau data ADC sensor pada bidang putih berkurang 41%, derau data ADC sensor pada bidang abu-abu berkurang 21%, dan derau data ADC sensor pada bidang hitam berkurang 18%.
Kata kunci: Nilai ADC, Arena KRPAI, dan Derau.
PENDAHULUAN
MR.COOL adalah robot pemadam api autonomus yang didesain untuk mengikuti Kontes Robot Pemadam Api Indonesia (KRPAI) setiap tahunnya. MR.COOL merupakan salah satu robot yang dirancang klub robotik MRC Teknik Elektro Universitas Muhammadiyah Yogyakarta yang telah mengalami banyak perkembangan meliputi perkembangan pada bagian motorik, elektronis, maupun program. Bagian - bagian pada robot dirancang berdasarkan peraturan dalam panduan KRPAI. Dalam kompetisi KRPAI robot harus dapat memadamkan titik api tersebut dan mampu kembali ke ruang semula(“KRI 2019 - Kontes Robot Indonesia,”
n.d.). Supaya robot dapat kembali ke ruang semula diperlukan algoritma khusus dengan memanfaatkan parameter dari sensor ultrasonik, sensor kompas, dan sensor deteksi warna lantai. Robot yang telah berhasil memadamkan titik api harus mendeteksi garis putih yang terdapat pada pintu ruangan supaya robot mengetahui bahwa robot telah masuk atau keluar dari ruangan pada arena.
KRI Nasional 2019 robot MR.COOL MK8 mengalami dua kali kegagalan untuk kembali ke ruang semula sehingga tidak dapat mendapatakn bonus nilai return trip disebabkan robot gagal mendeteksi garis putih pada pintu ruang yang terdapat titik api, dikarenakan terdapat derau dari pembacaan sensor dan juga pengaruh faktor eksternal serta
pergerakan robot yang dinamis sehingga posisi sensor deteksi warna lantai tidak dalam keadaan stabil, menyebabkan data yang diperoleh tidak memenuhi parameter yang terdapat pada program untuk memerintahkan robot kembali ke ruang semula.
Sistem kerja dari sensor deteksi warna lantai adalah dengan mendeteksi intensitas cahaya pantul yang diterima oleh sensor secara langsung(“Sensor Garis – Prinsip Kerja Sensor Garis menggunakan Photodioda dan LDR - CORAT CORET KEHIDUPAN,” n.d.). Perbedaan warna antara bidang hitam, bidang abu-abu dan garis putih menyebabkan perbedaan intensitas cahaya pantul yang diamati oleh sensor sebagai perubahan level tegangan, karena sifat dari photodioda yang mampu mengubah cahaya menjadi arus atau tegangan yang ditandai dengan linearitas cahaya dengan waktu respon yang sangat cepat, dan dapat merespon berbagai warna (Corp, n.d.). Data tegangan yang telah terukur kemudian dikonversikan ke dalam bentuk data digital, dari data digital lalu ditentukan ambang batas untuk dapat membedakan warna bidang hitam, bidang abu-abu dan garis putih pada arena. Nilai ambang batas yang telah ditentukan masih dipengaruhi oleh derau, kondisi lantai yang kotor, gangguan dari faktor eksternal serta pergerakan robot yang dinamis menyebabkan posisi sensor tidak stabil kerap kali menyebabkan kesalahan pembacaan nilai ambang batas oleh sensor deteksi warna lantai.
Tugas akhir ini menawarkan solusi untuk permasalahan diatas dengan mengimplementasikan filter digital pada sensor deteksi warna lantai, yaitu Filter Kalman. Filter Kalman memiliki keunggulan dapat digunakan untuk meredam derau dalam rangkaian data yang digunakan diberbagai bidang rekayasa (“Using Kalman filter for Analogue to Digital measurements | RETINATRONICS,”
n.d.). Ide dasar solusi ini adalah meningkatkan unjuk kerja sistem sensor deteksi warna lantai sehingga dapat meredam derau dan faktor eksternal lainnya sehingga tidak terjadi kesalahan dalam pembaca nilai ambang batas, dikarenakan nilai ambang batas semakin lebih sempit karena data yang diterima lebih stabil.
KAJIAN LITERATUR
Wahyu Setyo Pambudi, dan Imam Suhendra (2015) melakukan penelitian tentang Perbaikan Respon Output Menggunakan Implementasi Kalman Filter Pada Simulasi Pembacaan Sensor Beban Load Cell. Penerapan load cell sebagai input sistem kontrol pengisian air galon pada depot air minum isi ulang, ketika melakukan pengisian air ke dalam galon terdapat tekanan air dari kran yang menyebabkan adanya derau pada saat pembacaan sensor
169 load cell. Derau tersebut menyebabkan output tidak stabil
ketika dihubungkan dengan aktuator berupa gate valve.
Karakter dari sensor beban load cell sendiri sensitif terhadap getaran dan sentuhan sehingga untuk meredam derau tersebut digunakan metode Filter Kalman. Hasil yang diperoleh pada penelitian ini menunjukan bahwa Filter Kalman mampu meredam derau yang disebabkan getaran dari tekanan air kran. Data load cell sebelum menggunakan Filter Kalman menunjukan angka 12,74 sedangkan setelah menggunakan Filter Kalman menjadi 7,84 (Pambudi, Suhendra, Teknik, Universitas, & Batam, 2015).
Vera Firmansyah (2018) melakukan penelitian mengenai implementasi Filter Kalman pada sensor suhu pada tulisanya yang berjudul Aplikasi Kalman Filter Pada Pembacaan Sensor Suhu Untuk Pemantauan Kondisi Ruangan Laboratorium. Pada penelitiannya Filter Kalman digunakan untuk menghilangkan atau mengurangi derau pada sensor, dengan mengatur parameter Q dan R untuk mendaptkan hasil terbaik. Hasil dari penelitianya penunjukan dengan nilai Q = 1e-8 dan R=1e-5 didapatkan hasil terbaik pada keadaan suhu tidak konstan didapat derau sebesar 0,8 untuk sensor DHT11 dan pada sensor LM35 diperoleh derau sebesar 0,3. Hasil tersebut menujukan derau yang dihasilkan lebih kecil dibandingkan sebelum menggunakan Filter Kalman, sebelum mengggunakan Filter Kalman derau pada sensor DHT11 = 1,7 dan pada sensor LM35 = 0,6 (Firmansyah, 2018).
• Filter Kalman
Filter Kalman adalah algoritma yang menggunakan serangkaian parameter yang diamati dari waktu ke waktu, yang berisi derau dan ketidakakuratan lainnya, untuk memperkirakan variabel yang tidak dikenal dengan akurasi lebih. Aplikasi Filter Kalman dapat mengatasi ketidak stabilan data input yang disebabkan oleh adanya derau.
Filter Kalman dapat mereduksi derau pada sinyal, sehingga didapatkan hasil estimasi yang lebih stabil dan lebih bersih dari derau(Qomarudin & Surabaya, 2015).
Filter Kalman mengestimasi suatu proses melalui mekanisme kontrol umpan balik, filter mengestimasi state dari proses kemudian mendapat umpan balik berupa nilai hasil dari pengukuran yang bercampur derau. Persamaan untuk Filter Kalman dikelompokan menjadi dua bagian, yaitu persamaan update waktu atau disebut juga persamaan prediksi dan persamaan update pengukuran atau disebut juga persamaan koreksi. Persamaan update waktu bertugas untuk mendapatkan nilai pra estimasi untuk waktu step selanjutnya. Persamaan update pengukuran bertugas untuk keperluan umpan balik, untuk memadukan hasil pengukuran terbaru dengan nilai pra estimasi untuk memperoleh nilai pasca-estimasi yang lebih baik. Siklus kerja algoritma Filter Kalman sebagaimana pada Gambar 1.
Gambar 9. Siklus kerja Algoritma Filter Kalman Persamaan perubahan waktu (prediksi) bertugas untuk memprediksi nilai state pra estimasi dan nilai estimasi error dari waktu k − 1 menuju waktu k. Persamaanya adalah sebagai berikut:
x̂k−= x̂k−1 (1)
Pk−= Pk−1+ Q (2)
Persamaan perubahan pengukuran adalah mencari nilai kalman gain, (Kk). kalman gain yang berfungsi untuk mengurangi error pada kovarian aposterior, selanjutnya mengukur nilai proses aktual (zk) dari sensor deteksi warna lantai, kemudian melakukan perhitungan nilai pasca estimasi state (x̂k). terakhir adalah mendapatkan nilai pasca estimasi error (Pk) dengan menggunakan persamaan sebagai berikut:
Kk= Pk−/(Pk−+ R)−1 (3) x̂k= x̂k−+ K(zk− x̂k−) (4) Pk= Pk−− Pk−/(Pk−+ R)−1 Pk−
= Pk−− KkPk−
= (1 − Kk) Pk− (5)
Setelah melewati tahap prediksi dan koreksi, siklus ini akan diulang secara terus menerus dimana nilai dari x̂k−1 digunakan untuk memprediksi nilai x̂k− yang baru. Sifat rekrusif ini adalah satu sifat penting dari Filter Kalman, menjadikan penerapan dari Filter Kalman lebih sederhana.
METODE PENELITIAN
Data yang diambil berupa nilai ADC dari 3 buah sensor deteksi warna lantai pada robot yang diambil secara real time ketika robot berjalan menelusuri arena, dari 3 sensor tersebut diambil 2 data yaitu berupa nilai proses aktual (real value), dan nilai pasca estimasi kovarian error (estimated value). Real value merupakan nilai sesungguhnya dari sensor deteksi warna lantai, estimated value merupakan nilai hasil dari proses Filter sehingga relatif bersih dari derau.
Penyesuaian parameter R (nilai error pada data), Pk− (nilai estimasi error), dan (q) (kovarian noise proses) pada program dilakukan untuk dapat meenghasilkan performa filter yang terbaik. Hasil data nilai ADC yang diperoleh kemudian dibandingkan untuk dapat melihat perubahan susudah menggunakan Filter Kalman dan ketika sebelum menggunakan Filter Kalman, dan juga membandingkan peeyesuaian parameter antara yang sudah mencapai performa terbaik dan sebelum mencapai performa terbaik.
• Perancangan Perangkat Keras
Sensor Deteksi Warna Lantai dirancang dengan memanfaatkan perubahan nilai resistansi dari Photodioda dan LED sebagai pemancar cahaya (reciver). Terdapat 3 buah sensor yang mana masing-masing sensor terdapat photodioda berukuran 3mm, LED yang digunakan adalah LED biru super bright berukuran 3mm, resistor 10k Ohm, resistor 330 Ohm dan kapasitor 100nF. Sensor deteksi warna lantai dihubungkan pada port ADC mikrokontroler ATmega328P (Weber, n.d.). Sensor0 dihubungkan pada port C0, sensor1 dihubungkan pada port C1, dan Sensor2 dihubungkan pada port C2. Tampilan Schematik rangkaian Sensor deteksi warna lantai ditunjukan pada Gambar 2
Gambar 10. Schematik rangkaian Sensor deteksi warna lantai
• Perancangan Perangkat Lunak
Tahap perancangan perangkat lunak menjelaskan perancangan program dari sensor deteksi warna lantai pada robot MR.COOL MK8. Program dirancang dengan menggunakan bahasa C dengan software editor Arduino IDE pada ATmega328P. Flowchart perancangan perangkat lunak pada penelitian ini ditunjukan pada Gambar 3.
Gambar 11. Flowchart perancangan perangkat lunak Nilai awal yang dihasilkan oleh sensor deteksi warna lantai adalah dalam bentuk data analog, yaitu nilai tegangan. Nilai tegangan berasal dari nilai tegangan referensi
mikrokontroler yaitu +5V. Nilai tegangan yang dihasilkan oleh sensor tergantung dari banyak sedikitnya intensitas cahaya yang diterima oleh sensor. Data analog yang dihasilkan oleh sensor kemudian dikonversikan ke dalam bentuk data digital oleh mikrokontoler. Mikrokontroler ATmega328P memiliki fitur konversi data dari data analog ke data digital internal 10 bit dengan cara dihubungkan pada port C.
Proses perhitungan Filter Kalman menggunakan library yang dibuat oleh Denys Sene pada program arduino IDE.
Persamaan untuk Filter Kalman dikelompokan menjadi dua bagian, yaitu persamaan update waktu dan persamaan update pengukuran. Flowchart Filter Kalman ditunjukan pada Gambar 4
Gambar 12. Flowchart Filter Kalman
Penentuan nilai ambang batas atau thresholding pada perancangan perangkat lunak untuk menentuka perbedaan warna lantai hitan, warna lantai abu-abu, dan garis putih pada arena KRPAI. Penentuan nilai ambang batas tersebut berdasrkan pada nilai ADC yang diperoleh oleh sensor deteksi warna lantai. Pada warna putih diperoleh nilai ambang diantara nilai 500 sampai 1020 dengan ditandai LED warna hijau yang menyala, waran abu-abu diperoleh nilai ambang diantara 220 sampai 400 dengan ditandai LED warna merah yang menyala, dan warna hitam diperoleh nilai ambang diantara 50 sampai 200 dengan ditandai LED warna kuning yang menyala.
Data yang akan digunakan pada penlitian ini adalah nila voltage dan nilai ADC dari sensor. Nilai ADC dari sensor yang digunakan berupa nilai proses aktual (zk), dan nilai pasca estimasi kovarian error (x̂k−). Data diperoleh ketika robot menelusuri arena KRPAI.
HASIL DAN PEMBAHASAN
Pada bagian ini dijelaskan tentang hasil penelitian dan disertakan tabel, gambar beserta diskusi dan pembahasannya maupun grafik dengan format seperti yang tertera dibawah ini.
171
• Pengujian Tegangan Output Pada Sensor Deteksi Warna Lantai
Pengujian tegangan output pada sensor deteksi warna lantai dilakukan untuk mengetahui perbedaan nilai tegangan output dari sensor ketika sensor mendeteksi bidang lantai berwarna putih, abu-abu, dan hitam. Pengujian dilakukan dengan cara mengganti warna bidang lantai pada robot dengan menggunakan warna putih, warna abu-abu, dan warna hitam, dengan jarak antara sensor dengan bidang lantai setinggi 1,5cm.
Hasil dari pengujian tegangan output pada sensor deteksi warna lantai menunjukan adanya perbedaan nilai tegangan output pada sensor ketika sensor berada pada bidang lantai dengan warna putih, abu-abu, dan hitam seperti yang ditunjukan pada Gambar 5. Terjadinya perbedaan nilai tegangan pada sensor dikarenakan adanya perubahan nilai resistansi pada photodioda sehingga mempengaruhi besar kecilnya arus yang mengalir melalui photodioda, perbedaan bidang lantai berwarna putih, abu-abu, dan hitam menyebabkan berbedaan intensitas cahaya pantul yang teramati pada sensor sebagai perubahan level tegangan.
Gambar 13. Hasil pengujian tegangan output pada sensor
• Pengujian Nilai ADC pada Mikrokontroler ATmega328P
Tahap pengujian nilai ADC pada Mikrokontroler ATmega328P dilakukan untuk mengetahui nilai ADC dari sensor deteksi warna lantai yang terbaca oleh mikrokontroler ketika sensor berada pada bidang warna putih, abu-abu, dan hitam. Pengujian pada tahap ini dilakukan dengan cara robot diletakan diatas bidang lantai berwarna putih, abu-abu, dan hitam dalam keadaan robot diam dan dengan keadaan robot bergerak pada bidang lantai berwarna putih abu-abu, dan hitam. Hasil pengujian nilai ADC ketika robot diam dan berada pada bidang lantai arena KRPAI ditunjukan pada Gambar 6.
Gambar 14. Grafik Nilai ADC Ketika Robot Diam pada bidang putih, bidang abu-abu, dan bidang hitam
ketika robot diam dan berada pada bidang lantai berwarna putih Dari data yang ditunjukan pada gambar 6 menunjukan nilai ADC yang terbaca pada mikrokontroler berada pada rentang 935 – 950. Terjadinya variasi pada data ADC yang terbaca disebabkan adanya derau pada data. Hasil pengujian nilai ADC pada mikrokontroler ketika robot diam dan berada pada bidang lantai berwarna abu-abu. Berdasarkan data yang ditunjukan pada Gambar 6 nilai ADC yang terbaca ketika sensor berada pada bidang lantai berwarna abu-abu berada diantara rentang 240 – 300. Terjadinya variasi pada data ADC yang terbaca disebabkan adanya derau pada data. Hasil pengujian nilai ADC pada mikrokontroler ketika sensor berada pada bidang lantai berwarna hitam kondisi robot diam nilai ADC yang dihasilkan berada diantara rentang 140 – 150 seperti yang ditunjukan pada Gambar 6. Hasil pengujian nilai ADC pada mikrokontroler ketika robot bergerak melewati gari berwarna putih ditunjukan pada Gambar 7.
Gambar 15. Grafik Nilai ADC Ketika Robot Bergerak pada bidang putih, bidang abu-abu, dan bidang hitam
Berdasarkan data pada Gambar 7 nilai ADC pada sensor terlihat lebih banyak mengandung derau dibandingkan ketika robot dalam kondisi diam ketika berada pada bindang lantai berwarna putih. nilai ADC yang terbaca oleh sensor direntang antara 950 – 973 dengan simpangan nilai ADC sebesar 23. Hasil pengujian nilai ADC pada mikrokontroler ketika robot kondisi bergerak pada lantai berwarna abu-abu berdasarkan data pada Gambar 7 nilai ADC tidak dalam kondisi stabil ketika robot bergerak pada bidang lantai berwarna abu-abu, rentang nilai ADC yang terbaca oleh sensor direntang antara 221 – 293 menunjukan simpangan nilai ADC sebesar 72. Ketidak stabilan nilai ADC disebabkan karena ada derau pada data ADC dan disebabkan ketika robot bergerak maka kondisi sensor deteksi warna lantai tidak stabil menyebabkan perubahan ketinggian sensor terhadap bidang lantai sehingga mempengaruhi cahaya yang diterima photodioda dari LED.
Hasil pengujian nilai ADC ketika robot dalam kondisi bergerak pada bidang lantai berwarna hitam berdasarkan data pada Gambar 7 menunjukan nilai ADC tidak stabil ketika robot dalam kondisi bergerak pada bidang lantai berwarna hitam, nilai ADC yang terbaca oleh sensor berada pada rentang 127 – 172 menunjukan simpangan nilai ADC sebesar 45. Ketidak stabilan nilai ADC disebabkan karena adanya dearu pada data ADC dan dikarenakan ketika robot bergerak maka kondisi sensor deteksi warna lantai tidak stabil menyebabkan perubahan ketinggian sensor terhadap bidang lantai sehingga mempengaruhi cahaya yang diterima
photodioda dari LED. Penerimaan cahaya oleh photodioda yang dinamis menyebabkan nilai ADC tidak stabil.
Hasil dari pengujian nilai ADC pada mikrokontroler ATmega 328P menunjukan terjadinya perbedaan nilai ADC ketika sensor deteksi warna lantai mendeteksi bidang warna lantai yang berbeda. Hal tersebut disebabkan perbedaan intensitas cahaya yang diterima photodioda dari LED, sehingga menyebabkan perbedaan nilai tegangan output pada sensor. tegangan output dari sensor kemudian dikonversikan ke data digital menggunakan fitur ADC pada mikrokontroler ATmega 328P.
• Pengujian Sistem Filter Kalman Pada Sensor Deteksi Warna Lantai
Tahap pengujian sistem Filter Kalman pada sensor deteksi warna lantai merupakan tahap pengujian terakhir. Pengujian ini dilakukan dengan tujuan untuk mengetahui kemampuan sistem Filter Kalman yang diimplementasikan pada sensor deteksi warna lantai dalam meredam derau nilai ADC pada sensor deteksi warna lantai dan sebagai penstabilan data ketika robot dalam keadaan bergerak, sehingga meminimalisir kesalahan sensor ketika mendeteksi warna pada bidang lantai.
Pengujian ini dilakukan dengan cara melakukan tuning terlebih dahuluvterhadap nilai error pada data (R) dan nilai estimasi error (Pk−) pada algoritma Filter Kalman untuk mendapatkan hasil yang terbaik. Pada Tabel 3 diberikan 3 nilai R dan nilai Pk− yang berbeda sebagai nilai perkiraan awal untuk sensor deteksi warna lantai. Gambar 8 menunjukan respon Filter Kalman pada sensor deteksi warna lantai pada tiga nilai R dan Pk− yang berbeda. Nilai R dan Pk− yang terbaik dihasilkan pada label KF3 (garis oranye) dengan R = 8 dan Pk− = 10. Data pengukuran sensor sebelum difilter ditunjukan pada label sensor (garis biru).
Tabel 7. Inisialisasi Nilai Error Pada Data dan Nilai Estimasi Error
No Label R Pk−
1. KF1 1 2
2. KF2 4 6
3. KF3 8 10
Gambar 16. Grafik Respon Filter Kalman Pada Sensor Deteksi Warna Lantai dengan nilai R dan Pk− yang berbeda Setelah diperoleh nilai R dan Pk− yang terbaik kemudian dilakukan tuning pada nilai kovarian noise proses (q) pada Filter Kalman untuk memperoleh respon terbaik terhadap
nilai ukur aktual. Pada Tabel 4 diberikan 3 nilai kovarian noise proses (q) yang berbeda.
Tabel 8. Inisialisasi Nilai Kovarian Noise Proses No Label kovarian noise proses (q)
1. q1 0,1
2. q2 0,01
3. q3 0,001
Nilai kovarian noise diimplementasikan pada sensor0 dari sensor deteksi warna lantai untuk melihat perbandingan respon dari Filter Kalman yang dihasilkan. Gambar 9 menunjukan respon Filter Kalman terhadap nilai aktual dengan nilai kovarian noise yang berbeda.
Gambar 17. Pengaruh Nilai Kovarian Noisr Proses Pada Filter Kalman
Berdasarkan Gambar 9 menunjukan respon Filter Kalman pada sensor deteksi warna lantai dengan nilai kovarian noise proses (q) yang berbeda. Hasil yang terbaik ditunjukan pada label q2 (garis ungu) dengan nilai q = 0,01 dibandingkan dengan label q1 (garis hijau) dengan nilai q = 0,1 respon Filter Kalman masih banyak mengandung derau dan label q3 (garis biru muda) dengan nilai q = 0,001 respon Filter Kalman dengan nilai aktual sangat lambat walaupun dapat meredam derau.
Setelah diperoleh nilai R, Pk−, dan q yang terbaik kemudian dilakukan pengujian dengan cara robot berjalan menelusuri arena KRPAI dari ruang 2 menuju ruang 1 seperti pada Gambar 15(b). Gambar 15(a) menunjukan hasil pembacaan sensor deteksi warna lantai ketika robot bergerak dari ruang 2 ke ruang 1 atau dari titik H menuju titik F sebelum melalui proses Filter Kalman. Berdasarkan hasil pengujian ketika sensor deteksi warna lantai belum melalui proses Filter Kalman seperti yang ditunjukan pada Gambar 15, ketika robot berada pada bidang lantai abu-abu (1), dan bidang lantai hitam (3, 5) data nilai ADC yang diperoleh dari sensor deteksi warna lantai banyak mengandung derau yang diakibatkan pergerakan dari robot ketika berjalan dan pengaruh faktor eksternal.
Hasil pembacaan sensor deteksi warna lantai ketika robot bergerak dari ruang 2 ke ruang 1 atau dari titik H menuju titik F setelah melalui tahap Filter Kalman dengan konfigurasi nilai estimasi error (Pk−) = 8, nilai error pada data (R) = 10, dan inisialisasi kovarian noise proses (q) = 0,01 ditunjukan pada Gambar 10.
173 Gambar 18. Grafik Hasil Pembacaan Sensor Deteksi Warna
Lantai Ketika Robot Menelusuri Ruang 2 Ke Ruang 1 Sebelum Melalui Filter Kalman
Hasil pembacaan sensor deteksi warna lantai ketika robot bergerak dari ruang 2 ke ruang 1 atau dari titik H menuju titik F setelah melalui tahap Filter Kalman dengan konfigurasi nilai estimasi error (Pk−) = 8, nilai error pada data (R) = 10, dan inisialisasi kovarian noise proses (q) = 0,01 ditunjukan pada Gambar 11.
Gambar 19. Grafik Hasil Pembacaan Sensor Deteksi Warna Lantai Ketika Robot Menelusuri Ruang 2 Ke Ruang 1Setelah Melalui Filter Kalman
Dari grafik pada Gambar 10 menunjukan hasil pengujian sistem Filter Kalman pada sensor deteksi warna lantai, berdasarkan grafik menunjukan data nilai ADC yang mengandung derau pada Gambar 11 dapat diredam dengan baik oleh Filter Kalman dibuktikan dengan berkurangnya nilai simpangan pada data yang sudah melalui proses Filter Kalman.
Berdasarkan data dari grafik 10 sebelum melalui proses Filter Kalman diperoleh data pada bidang putih nilai maksimum ADC sensor sebesar 973 dan nilai minimum
ADC sensor sebesar 568 sehingga didapatkan nilai simpangan sebesar 405. Pada bidang abu-abu nilai maksimum ADC sensor sebesar 365 dan nilai minimum ADC sensor sebesar 205 sehingga didaptkan nilai simpangan sebesar 106. Pada bidang hitam nilai maksimum ADC sensor sebesar 177 dan nilai minimum ADC sensor sebesar 127 sehingga didapatkan nilai simpangan sebesar 50.
Berdasarkan data grafik 11 setelah dilakukan Filter Kalman diperoleh data nilai maksimum ADC sensor pada bidang putih sebesar 963 dan nilai minimum ADC sensor sebesar 728 sehingga didapatkan nilai simpangan sebesar 235. Pada bidang abu-abu nilai maksimum ADC sensor sebesar 294 dan nilai minimum ADC sensor sebesar 211 sehingga didapat nilai simpangan sebesar 83. Pada bidang hitam nilai maksimum ADC sensor sebesar 173 dan nilai minimum ADC sensor sebesar 132 sehingga didapat nilai simpangan sebesar 41. Terjadi penurunan nilai simpangan pada data ADC sensor deteksi warna lantai setelah melalui proses Filter Kalman. Perbandingan nilai ADC aktual dengan nilai ADC pasca estimasi pada proses Filter Kalman ditunjukan pada Gambar 12 nilai aktual (zk) direpresentasikan dengan garis berwarna biru dan nilai pasca estimasi ( x̂k ) direpresentasikan dengan garis berwarna merah.
Gambar 20. Perbedaan Nilai ADC Sensor Sebelum Dan Sesudah Melalui Proses Filter Kalman
Selaian itu dari pengujian tersebut dapat diketahui nilai dari Filter Kalman dengan menggunakan perhitungan manual, Berdasarkan hasil dari perhitungan manual pada Filter Kalman dari beberapa data dari sensor deteksi warna lantai (zk) menunjukan nilai hasil dari proses Filter Kalman (x̂k) memiliki nilai simpangan yang lebih kecil dibandingkan nilai dari sensor sebelum dilakukan proses Filter Kalman sehingga nilai akan lebih stabil. Grafik hasil dari perhitungan manual ditunjukan pada Gambar 13.
Gambar 21. Grafik hasil Perhitungan Manual Filter Kalman
Berdasarkan grafik yang ditunjukan pada Gambar 13 menunjukan nilai hasil dari Filter Kalman (x̂k) lebih stabil dibandingkan nilai dari sensor deteksi warna lantai yang belum melalui proses Filter Kalman (zk), sehingga derau yang dihasilkan dapat diredam oleh Filter Kalman.
Berdasarkan pengujian yang telah dilakukan bahwa sistem Filter Kalman pada sensor deteksi warna lantai mampu meredam derau yang diakibatakn oleh adanya gangguan cahaya eksternal, pergerakan robot yang dinamis, dan derau yang dihasilkan oleh sensor deteksi warna lantai itu sendiri.
Implementasi Filter Kalman pada sensor deteksi warna lantai robot MR.COOL MK8 telah berhasil mengurangi simpangan nilai ADC pada sensor, sehingga nilai ADC pada sensor lebih stabil meminimalisir terjadinya kesalahan baca bidang warna pada sensor.
KESIMPULAN DAN SARAN
Perancangan hardware dan perancangan software sistem Filter Kalman dapat diterapkan pada sensor deteksi warna lantai dengan baik dan dapat meredam adanya derau dan error pada data ADC yang dihasilkan dari sistem sensor deteksi warna lantai yang diakibatkan adanya faktor cahaya eksternal dan adanya pergerakan robot yang dinamis. Proses Filter Kalman dapat meredam derau pada sensor deteksi warna lantai robot MR.COOL MK8 yang timbul dari pergerakan robot secara dinamis dan pengaruh cahaya luar, dibuktikan dengan semakin kecil nilai simpangan pada data ADC sensor deteksi warna lantai pada bidang putih dari 405 menjadi 235, pada bidang abu-abu dari 106 menjadi 83, dan pada bidang hitam dari 50 menjadi 41.
Dalam perancangan dan penelitain Filter Kalman pada sensor deteksi warna lantai robot MR.COOL MK8 masih terdapat kekurangan diantaranya:
1. Ukuran sistem minimum dari ATmega 328P pada sensor deteksi warna lantai masih terlalu besar sehingga cukup memakan banyak tempat pada robot MR.COOL MK8.
2. Perlunya dilakukan riset lebih lanjut untuk dapat menghasilkan sistem eksekusi yang lebih cepat.
3. Filter Kalman hanya diterapkan pada sensor deteksi warna lantai, jadi pada perancangan selanjutnya diharapkan Filter Kalman dapat diterapkna pada sensor
lain pada robot MR.COOL MK8 yang masih banyak mengandung derau.
4. Jarak photodioda dan LED pada masing-masing sensor masih dengan mudah berubah apabila terkena sentuhan tangan sehingga akan mempengaruhi nilai ADC yang terbaca oleh mikrokontroler, diperlukannya desain sensor deteksi warna lantai yang lebih konsisten dan lebih kokoh.
REFERENSI
Corp, B. E. (n.d.). Handbook of Photoelectric Sensing.
Firmansyah, V. (2018). Aplikasi kalman filter pada pembacaan sensor suhu untuk pemantauan kondisi ruangan laboratorium vera firmansyah†. Jurnal Material Dan Energi Indonesia, 08(01), 1–7.
https://doi.org/https://doi.org/10.24198/jmei.v8i01.
16624
KRI 2019 - Kontes Robot Indonesia. (n.d.). Retrieved
January 3, 2020, from
https://kontesrobotindonesia.id/kri-2019.html Pambudi, W. S., Suhendra, I., Teknik, J., Universitas, E., &
Batam, I. (2015). Perbaikan Respon Output Menggunakan Implementasi Kalman Filter Pada Simulasi. 141–150.
Qomarudin, M. N., & Surabaya, M. (2015). Pengantar Penerjemah Daftar Istilah. (March 2014).
Sensor Garis – Prinsip Kerja Sensor Garis menggunakan Photodioda dan LDR - CORAT CORET KEHIDUPAN. (n.d.). Retrieved February 6, 2020, from
http://umamjourney.blogspot.com/2013/02/sensor- garis-prinsip-kerja-sensor-garis.html
Using Kalman filter for Analogue to Digital measurements
| RETINATRONICS. (n.d.). Retrieved January 28, 2020, from http://www.retinatronics.com/using- kalman-filter-for-analogue-to-digital-
measurements/
Weber, A. G. (n.d.). Ming Hsieh Department of Electrical Engineering. 1–14.
