Kalman filter

Top PDF Kalman filter:

Rancang Bangun Robot Penyeimbang Otomatis Menggunakan Kalman Filter

Rancang Bangun Robot Penyeimbang Otomatis Menggunakan Kalman Filter

This balance of robot used Kalman Filter method because the calculation of result highly optimized to get estimation value and to minimize the main squared eror, on simulation Kalman Filter the balance of robot can optimize movement that increasingly controlled. Electronic components on the balance of robot include Atmega32 Microcontroller,L298N Motor Driver, Gearbox Motor DC, and Accelerometer & Gyro Sencor.

10 Baca lebih lajut

Estimasi Variabel Dinamik Kapal Menggunakan Metode Kalman Filter

Estimasi Variabel Dinamik Kapal Menggunakan Metode Kalman Filter

Abstrak— Sebuah sistem pengendalian kapal dituntut untuk memiliki akurasi yang tinggi. Hal ini dituntut dengan adanya sistem pengendalian otomatis yang dibuat dengan menjadikan feedback dari alat ukur sebagai nilai yang mempengaruhi pengendali. Dengan alat ukur yang memiliki noise dan sistem yang memiliki noise sehingga tidak sesuai dengan perancangan sistem tersebut menjadi penyebab ketidaktepatan dalam pengendalian kapal. Meskipun noise bernilai kecil namun dalam waktu yang lama dan terus menerus terakumulasi sehingga pengendalian tidak berjalan dengan baik. Tujuan dari penelitian ini adalah untuk merancang sebuah estimator Kalman Filter pada kondisi noise dari alat ukur, noise dari sistem kapal dan ketidaktepatan dalam pemodelan. Metode Kalman Filter yang digunakan adalah metode Kalman Filter diskrit linier karena model dinamika kapal telah dilinierisai dan didiskritisasi terlebih dahulu. Variabel dinamik kapal yang diestimasi untuk keperluan steering adalah dinamika sway-yaw dengan variabel kecepatan sudut, posisi sudut dan kecepatan arah sway. Perancangan sistem berdasarkan spesifikasi kapal perang kelas SIGMA Extended. Berdasarkan hasil simulasi, estimator yang dirancang mampu memberikan nilai estimasi pada ketiga variabel dinamika kapal dengan persentase integral absolute error dari sistem dengan noise sistem dan noise pengukuran sebesar 0,41% untuk variabel yaw, 4,30% untuk yaw-rate dan 6,78% untuk sway-rate.
Baca lebih lanjut

5 Baca lebih lajut

PEMODELAN KONTROL BALANCING ROBOT MENGGUNAKAN LOGIKA FUZZY DENGAN KALMAN FILTER

PEMODELAN KONTROL BALANCING ROBOT MENGGUNAKAN LOGIKA FUZZY DENGAN KALMAN FILTER

Balancing robot merupakan suatu mobile robot yang memiliki dua roda yang ada di sisi kanan dan sisi kirinya yang tidak seimbang apabila robot tersebut berjalan. Keunggulan dari Balancing robot adalah dapat menyeimbangkan diri sendiri. Pengendalian kestabilan balancing robot sangat penting dilakukan agar performansi Balancing robot dapat dicapai dengan optimal. Beberapa penelitian untuk kesetabilan balancing robot yang sudah dilakukan dengan beberapa metode yakni dengan metode control Proposional, Integral, Derivatif (PID) dan metode kontrol yang lain. Permasalah umum yang terjadi pada balancing robot adalah tentang kestabilan balancing robot tersebut. Kestabilan pada balancing robot dapat terganggu karena hanya terdapat dua motor yang digunakan pada sisi kiri dan kanan yang disebabkan oleh berbagai faktor diantaranya adanya beban, tekanan udara yang berbeda yang meneyebabkan terjadinya kemiringan-kemiringan pada sumbu x dan y. Untuk menyelesaikan permasalahan tersebut dibutuhkan kontrol kestabilan dalam menentukan kecepatan motor penggerak balancing robot tersebut. Penelitian ini bertujuan mendapatkan konfigurasi kontrol kestabilan yang optimal pada balancing robot setelah diterapkan metode fuzzy logic dan kalman filter. Hasil penelitian ini menyatakan metode fuzzy logic dan kalman filter belum dapat memberikan tingkat akurasi yang baik dalam menentukan kestabilan balancing robot yang dinilai dari input sensor, kemiringan sumbu x dan kemiringan sumbu y sehingga hasil yang dicapai dapat memberikan kontrol pertambahan kecepatan keduat motor tersebut.
Baca lebih lanjut

6 Baca lebih lajut

RANCANG BANGUN APLIKASI PERAMALAN NILAI SAHAM MENGGUNAKAN ALGORITMA KALMAN FILTER

RANCANG BANGUN APLIKASI PERAMALAN NILAI SAHAM MENGGUNAKAN ALGORITMA KALMAN FILTER

Kalman Filter merupakan estimasi yang menggunakan persamaan linear quadratic dan merupakan algoritma yang bersifat rekursif [2]. Metode ini dipilih karena menggunakan beberapa set ukuran yang didapat berdasarkan data masa lalu dan beberapa variabel pengganggu yang mempengaruhi hasil prediksi nilai tersebut [3]. Rumus yang digunakan dalam algoritma Kalman filter dapat berbeda-beda dikarenakan model yang dibangun juga dapat berbeda-beda sesuai dengan kebutuhan.

6 Baca lebih lajut

Estimasi Koefisien Hidrodinamika Kapal dengan Menggunakan Extended Kalman Filter - ITS Repository

Estimasi Koefisien Hidrodinamika Kapal dengan Menggunakan Extended Kalman Filter - ITS Repository

Dalam Tugas Akhir ini penulis merujuk pada beberapa penelitian-penelitian sebelumnya yang sesuai dengan topik yang diambil. Salah satu penelitian yang digunakan adalah jurnal yang ditulis Hyeon Kyu Yoon, dkk pada tahun 2007 yang berjudul “Estimation of the Roll Hydrodynamic Moment Model of a Ship by Using the System Identification Method and the Pree Running Model Test”. Pada penelitian tersebut memperkirakan koefisien Hidrodinamika dengan teknik identifikasi sistem berdasarkan data percobaan laut atau dari tes FRM. Model momen Hidrodinamika dibangun dari data melalui tes circle turning dan tes zig-zag 20- 20. Pada penelitian tersebut medapatkan koefisien Hidrodinamika 𝐾 𝑑𝑎𝑛 𝑌 dengan teknik identifikasi sistem berdasarkan data percobaan laut atau dari tes FRM dengan menggunakan metode algoritma Extended Kalman Filter (EKF).[3]
Baca lebih lanjut

94 Baca lebih lajut

IMPLEMENTASI KALMAN FILTER UNTUK PENSTABIL KAMERA DUA AKSIS

IMPLEMENTASI KALMAN FILTER UNTUK PENSTABIL KAMERA DUA AKSIS

Kalman filter merupakan salah satu cara untuk mengurangi atau meredam lonjakan nilai sensor, pada saat pembacaan nilai sensor. Pada Kalman Filter terdiri atas dua bagian rumusan yaitu prediksi dan koreksi, adapun data terasebut pada table 4:

6 Baca lebih lajut

Estimasi Harga Saham Dengan Implementasi Metode Kalman Filter

Estimasi Harga Saham Dengan Implementasi Metode Kalman Filter

[4] Herlambang, T., Djatmiko E.B and Nurhadi H., 2015b, “Ensemble Kalman Filter with a Square Root Scheme (EnKF-SR) for Trajectory Estimation of AUV SEGOROGENI ITS”, International Review of Mechanical Engineering IREME Journal, Vol. 9, No. 6. Pp. 553-560, ISSN 1970 – 8734. Nov.

6 Baca lebih lajut

SISTEM KONTROL KESEIMBANGAN PADA ELECTRIC UNICYCLE KETIKA KONDISI PENGEREMAN MENGGUNAKAN METODE KALMAN FILTER Balancing Control System For Electric Unicycle On Braking State Using Kalman Filter Method

SISTEM KONTROL KESEIMBANGAN PADA ELECTRIC UNICYCLE KETIKA KONDISI PENGEREMAN MENGGUNAKAN METODE KALMAN FILTER Balancing Control System For Electric Unicycle On Braking State Using Kalman Filter Method

Kalman filter dibagi kedalam 2 bagian utama yaitu time update dan measurement update. Time update bisa disebut juga sebagai proses predict, yaitu menggunakan estimation state dari waktu sebelumnya untuk mendapatkan sebuah estimation state saat ini. Measurement update bisa disebut juga sebagai proses correct, yaitu menggunakan informasi pengukuran saat ini untuk memperbaiki prediksi dengan tujuan untuk mendapatkan estimation state yang akurat. Kalman filter akan terus menerus melakukan iterasi predict – correct seperti pada gambar 3.
Baca lebih lanjut

10 Baca lebih lajut

09 Implementasi Kalman Filter Pada Sensor Jarak v1 Hendawan Soebhakti

09 Implementasi Kalman Filter Pada Sensor Jarak v1 Hendawan Soebhakti

Kalman filter melakukan perkiraan atau estimasi sebuah proses dengan menggunakan feedback control, pertama filter akan membuat estimasi state suatu proses pada satu waktu kemudian menerima feedback yang berupa pengukuran sensor yang biasanya mengandung noise. Dengan demikian persamaan Kalman filter bisa dibagi menjadi dua bagian yaitu persamaan time update dan persamaan measurement update. Persamaan time update berfungsi untuk membentuk estimasi state saat ini dan error covariance untuk mendapatkan estimasi untuk time step berikutnya. Persamaan measurement update berfungsi untuk menggabungkan pengukuran yang baru ke dalam estimasi sebelumnya untuk mendapatkan estimasi berikutnya yang lebih baik.
Baca lebih lanjut

5 Baca lebih lajut

ANALISA PACKET LOSS SISTEM TELEMETRI PADA PERANGKAT PENGUKUR KECEPATAN ANGIN BERBASIS X-BEE PRO MENGGUNAKAN KALMAN FILTER

ANALISA PACKET LOSS SISTEM TELEMETRI PADA PERANGKAT PENGUKUR KECEPATAN ANGIN BERBASIS X-BEE PRO MENGGUNAKAN KALMAN FILTER

Tabel 4.8 merupakan data pengujian wireless pada kondisi obstacle pada jarak 50 meter. Terlihat data yang diterima baik data kecepatan angin yang tanpa Kalman Filter dan data kecepatan yang menggunakan Kalman Filter bernilai 0. Setelah melakukan pengujian ini dapat disimbulkan bahwa pada kondisi obstacle alat pengukur kecepatan angin ini mampu mengirimkan data dengan baik hanya sampai jarak 30 meter. Ketika mengambil data pada jarak 50 meter dengan halangan beberapa ruangan alat ini sudah tidak mampu mengirimkan data dengan baik atau data yang diterima bernilai 0 pada sisi penerima (Rx). Sehingga jarak maksimal pengukuran dalam kondisi obstacle yaitu hanya sampai 30 meter. Karena nilai kecepatan yang diterima bernilai 0 maka pada grafik antara garis yang menunjukkan kecepatan dan Kalman Filter akan lurus pada nilai 0 seperti pada gambar 4.35.
Baca lebih lanjut

91 Baca lebih lajut

ESTIMASI JARAK DAN POSISI ORIENTASI OBJEK MENGGUNAKAN STEREO CAMERA DAN KALMAN FILTER

ESTIMASI JARAK DAN POSISI ORIENTASI OBJEK MENGGUNAKAN STEREO CAMERA DAN KALMAN FILTER

Kalman filter merupakan sebuah estimator yang mengestimasi state output sensor yang kotor akibat adanya noise. Kalman filter melakukan pendekatan teknis dengan cara megira-ngira fungsi parameter dalam sebuah peramalan time- series. Kalman Filter merupakan suatu algoritma yang menggabungkan model dan pengukuran. Data pengukuran terbaru menjadi bagian penting dari algoritma filter Kalman karena data mutakhir akan mengoreksi hasil prediksi, sehingga hasil estimasi selalu mendekati kondisi yang sebenarnya [8].
Baca lebih lanjut

8 Baca lebih lajut

View of Estimasi Attitude Quadrotor Berbasis Sensor Gyroscope dengan Kalman Filter

View of Estimasi Attitude Quadrotor Berbasis Sensor Gyroscope dengan Kalman Filter

Abstrak. Estimasi attitude merupakan bagian penting pada penerbangan quadrotor. Dalam makalah ini, diajukan estimasi attitude berbasis sensor gyroscope dengan metode Kalman Filter. Kalman Filter digunakan untuk menapis derau data sensor gyroscop tiga-poros pada Ardrone 2.0. Untuk merepresentasikan gerakan rotasi, digunakan Euler angles. Pengujian estimasi dilakukan untuk sudut pitch, sudut roll dan sudut yaw dengan waktu sampling 0.01 sekon. Model sistem dibuat untuk dua state, sudut dan kecepatan sudut, untuk setiap poros. Hasil eksperimen menunjukkan, estimasi sudut roll, pitch, dan yaw memiliki kesalahan dibawah 5% bila dibanding dengan besar sudut sebenarnya. Kata Kunci: Attitude, Gyroscope, Kalman-Filter, Navigasi, Sensor-Inersia
Baca lebih lanjut

6 Baca lebih lajut

Penerapan Metode Extended Kalman Filter untuk Estimasi Transmisi Filariasis

Penerapan Metode Extended Kalman Filter untuk Estimasi Transmisi Filariasis

Pada tahap ini akan dikaji tentang model dari transmisi Filariasis dengan pengobatan sehingga dapat dibuat model kompartemen proses pengobatan dari penyakit Filariasis dan akan diestimasi penyebarannya menggukan metode Extended Kalman Filter

7 Baca lebih lajut

Algoritma Kalman Filter Terdistribusi Pada Jaringan Sensor Network - ITS Repository

Algoritma Kalman Filter Terdistribusi Pada Jaringan Sensor Network - ITS Repository

3.7 Tahapan Pembacaan Sensor Menggunakan Kalman Filter Dari hasil simulasi pendeteksian sensor didapatkan data sensor yang aktif. Sensor aktif tersebut dapat membaca hasil dari sumber sehingga semua sensor aktif mepunyai data pembacaan perambatan suhu yang terdapat pada koordinat masing-masing. Nilai suhu yang didapat oleh masing-masing sensor akan diprediksi dengan menggunakan algoritma Kalman Filter. Pengukuran Kalman Filter terdiri dari dua tahap yaitu tahap prediksi dan tahap koreksi. Dimana tahap prediksi adalah tahap yang melakukan prediksi untuk waktu selanjutnya. Setelah melalui tahap prediksi hasil pembacaan akan dilakukan koreksi sebelum menentukan nilai yang akan ditentukan untuk mendapatkan nilai estimasi selanjutnya.
Baca lebih lanjut

83 Baca lebih lajut

Implementasi Pergerakan Lengan Robot Dengan Flex-Sensor Menggunakan Kalman Filter

Implementasi Pergerakan Lengan Robot Dengan Flex-Sensor Menggunakan Kalman Filter

The advancement in the world of technology today is very rapidly, especially in the robotics. Creation of robots is based on processes to assist human activities, ranging from easy to heavy and dangerous jobs. With a manipulator robot (robotic arm) a company has the advantage to save more worker and reduce human mistakes. Robot Manipulator is a mechanical part that can be enabled to move, lift and manipulate an object. The robotic arm consists of actuators and some DOF (Degree of Freedom) which is useful as a tool of motion of the robotic arm. To move the robot itself required some sensor, and flex sensor is a sensor to identify the resistance of human arm movement. But to move the robotic arm required a method for the output of the arm has a good accuracy then Kalman filter is used that serves to reduce the value of uncertainty caused noise in the sensor readings. In this study, a robot arm was made using Arduino UNO and servo motors as robotic arm output. The use of Arduino UNO because it has facilities DC jack that can be used for sensors. As well as the servo motor, the servo motor can set the value of the degrees of movement. From the results, the robotic arm can perform movement according to input from the human arm. The robot can move and can perform some combination of movement using Kalman filter method with 100% success rate.
Baca lebih lanjut

8 Baca lebih lajut

STABILISASI GERAKAN KAMERA MENGGUNAKAN KALMAN FILTER

STABILISASI GERAKAN KAMERA MENGGUNAKAN KALMAN FILTER

Dari latar belakang inilah penulis menginginkan membuat stabilisasi gerakan kamera yang pada dasarnya kamera umumnya tidak dapat mempertahankan posisinya dengan mulus karena berbagai hambatan seperti angin maupun gerakan-gerakan yang dibuat manusia sendiri sehingga membuat dan mempengaruhi hasil pengambilan gambar maupun video menjadi kurang focus, terjadi efek blur pada gambar atau bisa juga hasil video menjadi bergoyang- goyang dengan memanfaatkan sensor gyroscope dan accelerometer. Filter digital yang digunakan adalah kalman filter untuk mendapatkan data kemiringan yang lebih akurat dengan memanfaatkan dua masukan dari sensor gyroscope dan accelerometer. Penggunaan sensor accelerometer atau sensor kemiringan dapat memberikan pengukuran sudut saat sistem berada pada posisi diam sedangkan saat sistem pada keadaan berotasi accelerometer tidak bisa bekerja secara maksimal karena memiliki respon yang lambat, kemudian respon inilah yang dapat diatasi oleh sensor gyroscope karena sensor gyroscope dapat membaca kecepatan sudut yang dinamis.
Baca lebih lanjut

15 Baca lebih lajut

SEMINAR TUGAS AKHIR - ESTIMASI PARAMETER MODEL ARIMA MENGGUNAKAN KALMAN FILTER UNTUK PERAMALAN PERMINTAAN DARAH (Studi Kasus: UTD PMI SURABAYA) - ITS Repository

SEMINAR TUGAS AKHIR - ESTIMASI PARAMETER MODEL ARIMA MENGGUNAKAN KALMAN FILTER UNTUK PERAMALAN PERMINTAAN DARAH (Studi Kasus: UTD PMI SURABAYA) - ITS Repository

METODOLOGI Peramalan jumlah permintaan darah merupakan salah satu cara untuk mengantisipasi ketidakpastian permintaan dan persediaan darah. Pada penelitian ini, digunakan proses Autoregressive Integrated Moving Average (ARIMA) untuk merumuskan model peramalan jumlah permintaan darah di UTD PMI Surabaya. Setelah memperoleh model yang sesuai, Kalman Filter diterapkan untuk mengestimasi parameter model ARIMA. Selanjutnya, hasil estimasi parameter model ARIMA menggunakan Kalman Filter (KF-ARIMA) dipakai untuk memprediksi beberapa hari kedepan. Hasil prediksi tersebut dibandingkan dengan hasil prediksi model ARIMA yang diprediksi dengan Eviews. Selain itu, pada penelitian ini juga dilakukan prediksi ARIMA yang nilai parameternya diperoleh dari estimasi Kalman Filter pada setiap iterasi (KF-ARIMA Simultan). Hasil akhir menunjukkan bahwa Kalman Filter dapat meminimalkan nilai kesalahan model ARIMA. Sehingga model ARIMA yang diestimasi menggunakan Kalman Filter lebih akurat dibandingkan sebelum diestimasi menggunakan Kalman Filter.
Baca lebih lanjut

35 Baca lebih lajut

Perbandingan antara Ensemble Kalman Filter dan Fuzzy Kalman Filter: Aplikasi pada Estimasi Posisi

Perbandingan antara Ensemble Kalman Filter dan Fuzzy Kalman Filter: Aplikasi pada Estimasi Posisi

Pada kasus lintasan yang dibangun dengan sistem persamaan dinamik gerak AUV, metode Ensemble Kalman Filter menghasilkan estimasi yang lebih bagus dibandingkan dengan metode Fuzzy Kalman [r]

61 Baca lebih lajut

A quasi-Gaussian Kalman filter

A quasi-Gaussian Kalman filter

Abstract — In this paper, we present a Gaussian approxi- mation to the nonlinear filtering problem, namely the quasi- Gaussian Kalman filter. Starting with the recursive Bayes filter, we invoke the Gaussian approximation to reduce the filtering problem into an optimal Kalman recursion. We use the moment evolution equations for stochastic dynamic equations to evaluate the prediction terms in the Kalman recursions. We propose two methods, one based on stochastic linearization and the other based on a direct evaluation of the innovations terms, to perform the measurement update in the Kalman recursion. We test our filter on a simple two dimensional example, where the nonlinearity of the system dynamics and the measurement equations can be varied, and compare its performance to that of an extended Kalman filter.
Baca lebih lanjut

6 Baca lebih lajut

Kalman Filter untuk Peramalan Permintaan Darah

Kalman Filter untuk Peramalan Permintaan Darah

Abstrak — Peramalan jumlah permintaan darah merupakan salah satu cara untuk mengantisipasi ketidakpastian permin- taan dan persediaan darah. Pada penelitian ini, digunakan proses Autoregressive Integrated Moving Average (ARIMA) untuk merumuskan model peramalan jumlah permintaan darah di UTD PMI Surabaya. Setelah memperoleh model yang sesuai, Kalman Filter diterapkan untuk mengestimasi para- meter model ARIMA. Selanjutnya, hasil estimasi parameter model ARIMA menggunakan Kalman Filter (KF-ARIMA) dipakai untuk memprediksi beberapa hari kedepan. Hasil prediksi tersebut dibandingkan dengan hasil prediksi model ARIMA yang diprediksi dengan Eviews. Selain itu, pada penelitian ini juga dilakukan prediksi ARIMA yang nilai parameternya diperoleh dari estimasi Kalman Filter pada setiap iterasi (KF-ARIMA Simultan). Hasil akhir menun- jukkan bahwa Kalman Filter dapat meminimalkan nilai kesalahan model ARIMA. Sehingga model ARIMA yang diestimasi menggunakan Kalman Filter lebih akurat diban- dingkan sebelum diestimasi menggunakan Kalman Filter.
Baca lebih lanjut

6 Baca lebih lajut

Show all 1824 documents...