AKUISISI DATA

PENGANTAR
Rudiyanto dan Budi Indra Setiawan
Departemen Teknik Pertanian
Institut Pertanian Bogor
Bogor, 3 Mei 2007

Interface (ADC)

Pressure transducer

Akuisisi data digital

Komputer

Mengukur

Pengukuran adalah kegiatan

memberikan nilai numeris
atas sebuah besaran dengan
bantuan alat-ukur yang
sudah disepakati.
Besaran yang diukur dapat
bersifat tunggal (skalar),
dapat juga bersifat jamak
(vektor).
Dalam mengukur besaran
keadaan mempunyai unsur
ketidak-pastian.

Ketidak-pastian tidak dapat diperhitungkan dengan baik

namun berpengaruh dalam hasilnya
Nilai yang dihasilkan oleh proses pengukuran hanyalah
nilai terukur, yaitu yang dilaporkan oleh alat ukur, dan
bukan nilai yang sebesarnya
Nilai sebenarnya tetap tak terjangkau dan tersembunyi
Usaha untuk membuat taksiran yang tepat atas nilai
sebenarnya dilakukan dengan membuat pengukuran
berkali-kali, agar tingkat ketidak-pastian informasi dapat
ditekan sekecil-kecilnya

Mengukur dipandang dari segi

teori probabilitas

Dalam teori probabilitas

(statistik) sebuah nilai yang
tampil sebagai hasil sebuah
pengukuran hanyalah sebuah
pemunculan dari sejumlah
besar nilai yang dapat muncul
dalam pengukuran sebuah
besaran.
Menurut teori probabilitas
populasi nilai itu (dengan
beberapa perkecualian)
senantiasa mengikuti pola
yang tetap dan pasti yaitu
distribusi normal (distribusi
Gauss)

Distribusi Normal (distribusi

Gauss)

Pola distribusi normal itu memiliki

dua besaran penting, yaitu:
nilai rata-rata atau nilai
memusat , dan
nilai varians atau penyebaran
nilai-nilai itu dari nilai rataratanya
Nilai rata-rata sering juga disebut
nilai harapan, sebab nilai itu
mengungkapkan harapan akan nilai
yang sebenarnya akan kesempatan
muncul dari persembunyiannya

FILTER KALMAN
Rudiyanto dan Budi Indra Setiawan
Departemen Teknik Pertanian
Institut Pertanian Bogor
Bogor, 3 Mei 2007

Observasi (pengukuran)

Observasi [y(t)] adalah

jumlah dari sinyal [x1(t)]
dengan noise [x2(t)]

yt x1 t x 2 t

Observasi {y(t0),..y(t)};
Jika t1<t Interpolation (smoothing)
Jika t1=t Filtering mengurangi noise
Jika t1>t Prediction

Kalman Filter

Kalman filter awalnya digunakan untuk estimasi state x

pada time discrete controlled process yang diatur oleh
persamaan diffrensial linear
xk+1 = Ak xk + B uk + vk
Dimana A dan B adalah matrix, u input yang berfungsi
sebagai kendali, dan v derau proses. Derau ini secara
statistis juga bersifat tak gayut satu sama lain, terdistribusi
normal, dengan nilai rata-rata nol dan kovarians Q=cov(uk).
Dengan perkataan lain, v ~ N(0,Qk).
Jika Pk = cov(xk), maka operasi kovarians persamaan diatas
hasilnya adalah
Pk = Ak Pk-1 AkT + Qk

Nilai z yang ditampilkan oleh sebuah alat ukur yang

mempunyai dua komponen, yaitu x yang memang harus
diukur dan nilai lain w yang datang ke dalam alat ukur
itu sebagai gangguan/derau pengukuran. Secara
matematis z merupakan kombinasi linear dari x dan w:
zk = Hk xk + wk
Derau atau gangguan wk pada umumnya disepakati
memiliki sifat statistis tak gayut satu sama lain,
terdistribusi normal dengan nilai rata-rata nol dan
memiliki matrix kovarians Rk = cov(wk),. Secara singkat
biasanya ditulis wk ~ N(0,Rk). Operasi kovarians atas
persamaan ini menghasilkan
Sk = Pk Hk PkT + Rk
Dimana Pk = cov(xk) = kovarians vector keadaan, dan Sk
= cov(zk) = kovarians (data) pengukuran

Perhitungan rata-rata [] mendasari filter Kalman

Cara pertama sifatnya konvensional dan nonrekursif:

n 1

1
1 n 1
x 1 x 2 x 3 ... x n 1

xk

n 1
n 1 k 1

Cara kedua, yang rekursif, memanfaatkan hasil dari n

buah data yang pertama
n 1

1 n 1
n 1 n
1

k
k
n 1
n 1 k 1
n 1 n k 1
n

n
1

x
n
n 1
n 1
n

1
x n 1 n
n
n 1
n K x n 1 n

Dimana K = 1/(n+1)

n 1 n Kx n 1 n

Disini K berfungsi sebagai faktor pembobot, sebab nilai

rata-rata yang baru n+1 sekarang diperoleh sebagai hasil
operasi kombinasi linear dari nilai yang lama n dan suatu
pengkoreksi (xn+1 n). Hasil lama diberi bobot 1 dan
koreksi diberi bobot K.
Konkretnya K merupakan bobot seberapa jauh koreksi
harus dilakukan atas hasil lama, untuk memperoleh hasil
yang baru.
Dalam teknik filter Kalman cara rekursif dikawinkan
dengan operasi kombinasi linear atas hasil komputasi lama
dan inovasi yang muncul oleh kehadiran data baru.

Varians [2]

Marilah kita periksa gagasan ini lebih jauh dengan

membayangkan tersedianya dua buah alat ukur untuk
mendapatkan nilai dari sebuah besaran. Misalkan alat
ukur pertama melaporkan nilai x1, dan alat ukur kedua
memberi x2.
Misalnya diketahui bahwa alat ukur pertama memiliki
kecermatan pengukuran dengan varians 12 dan alat
ukur yang lain kecermatan pengukurannya bervarians
22. Anggap pola distribusi kesalahannya sama dan
Gaussian.

Jika kedua instrumen itu sama cermatnya, dari kedua

nilai itu cukup diambil nilai rata-ratanya. Akan tetapi
jika instrumen pertama diketahui lebih akurat dari
instrumen kedua, artinya 12 << 22, sangat bijaksana
jika kita memilih x1 sebagai taksiran atas nilai
sebenarnya. Demikian juga sebaliknya.
Dalam situasi umum pantaslah jika dibuat taksiran yang
merupakan kombinasi linear dari kedua data
pengukuran tersebut. Selanjutnya ada nasehat dari
orang bijak, agar data pengukuran diberi bobot
kebalikan dari varians instrumennya. Dengan cara itu
kita memberi bobot yang lebih besar kepada data yang
dihasilkan oleh instrumen yang memiliki kecermatan
tinggi.

Taksiran x* dihitung dengan rumus

1
1
x1 2 x 2
2
2
2

2
2 1
x* 1
1 22
2
1
1
1 2

2
2

x * x 1 Kx 2 x 1

12
K 2
2
1 2

Dapat diartikan bahwa hasil akhir sesudah taksiran

adalah data lama dikoreksi oleh inovasi dengan data
pengukuran baru.

Varian Gabungan

Rapat probabilitas gabungan memusat di

x * x 1 Kx 2 x 1

Dengan varians gabungan di bawah ini:

gab

1 2
2
2
1 2
2

gab 2 1 K 1 2
12
K 2
1 22

Kita juga dapat membacanya sebagai hasil akhir dalam

varians sesudah varians berdasarkan pengukuran lama
dikoreksi oleh masuknya varians data yang baru. Mengingat
0 < K < 1, dapatlah difahami jika disimpulkan gab2 < 12 .
Artinya telah terjadi peningkatan dalam kualitas taksiran!

gab 1 K 1
2

1 2
2

Pelajaran yang diambil

Kita juga dapat membacanya dalam kerangka pemikiran

yang lebih luas. Data x1 tidak harus berupa hasil
pengukuran dari sebuah instrumen. Data itu dapat saja
difahami sebagai taksiran terakhir atas nilai sebenarnya,
berdasarkan pengolahan atas himpunan data hasil
pengukuran sebelumnya.
Dalam konteks itu x2 hanyalah data yang baru saja
datang untuk diproses lebih lanjut. Dalam konteks
teknik filter Kalman, {x1, 12 } dibaca dibaca sebagai
estimasi dan varians x sebelum datangnya data terkini
x2, dan {x*, gab2 } merupakan estimasi dan varians x
sesudah x2 itu diperhitungkan.

Algoritma Filter Kalman

Disini dipilih notasi umum di bawah ini:

{xk-1|k-1, Pk-1|k-1} = estimasi besaran keadaan dan
kovariansnya pada saat t = tk-1;
{xk|k, Pk|k} = estimasi besaran keadaan dan kovariansnya
pada saat t = tk;
zk = data pengukuran pada saat t = tk.
Algoritma Kalman memberi resep bagaimana {xk|k, Pk|k}
dihitung dari {xk-1|k-1, Pk-1|k-1} dengan munculnya data baru zk
tersebut. Selain itu ada
xk|k-1 = prediksi akan besarnya xk pada saat t = tk-1;
Pk|k-1 = prediksi akan besarnya kovarians pada saat t = tk-1.
Prediksi dibuat atas dasar asumsi bahwa besaran keadaan
mengikuti proses Markov. Selanjutnya, ada notasi untuk segala
sesuatu yang berkaitan dengan inovasi:
{yk, Sk}= vektor inovasi dan kovariansnya;
Kk= perolehan Kalman.

Algoritma Filter Kalman

Pada awal proses, buatlah taksiran yang jitu atas nilai vektor
keadaan x0|0 dan matrix kovarians P0|0. Nyatakan k = 1. Selanjutnya
untuk tiap saat k, kerjakan hitungan di bawah ini sampai semua data
telah terproses:
Prediksi:
[1]. Hitung xk|k-1 = Ak xk-1|k-1 + Bk uk
[2]. Hitung Pk|k-1 = Ak Pk-1|k-1 AkT + Qk
Inovasi:
[3]. Hitung yk = zk Hk xk|k-1
[4]. Hitung Sk = Hk Pk|k-1 HkT + Rk
[5]. Hitung Kk = Pk|k-1 HkT Sk-1
Estimasi:
[6]. Hitung xk|k = xk|k-1 + Kk yk
[7]. Hitung Pk|k = (I Kk Hk) Pk|k-1

Implementasi

A=1
H=1

Pustaka

Soesianto, F. 2006. Filter Kalman. http://soft-computing.org

Brown, R. G. and P. Y. C. Hwang. 1992. Introduction to Random Signals and
Applied Kalman Filtering, Second Edition. John Wiley & Sons, Inc.
Gelb, A. 1974. Applied Optimal Estimation, MIT Press, Cambridge, MA.
Grewal, M. S., and A. P. Andrews. 1993. Kalman Filtering Theory and Practice.
Upper Saddle River, NJ USA, Prentice Hall.
Jacobs, O. L. R. 1993. Introduction to Control Theory, 2nd Edition. Oxford
University Press.
Kalman, R. E. 1960. A New Approach to Linear Filtering and Prediction
Problems. Transaction of the ASMEJournal of Basic Engineering, pp. 35-45
(March 1960).
Lewis, R. 1986. Optimal Estimation with an Introduction to Stochastic Control
Theory. John Wiley & Sons, Inc.
Maybeck, P. S. 1979. Stochastic Models, Estimation, and Control, Volume 1.
Academic Press, Inc.
Rudiyanto, B. I. Setiawan, and S. K. Saptomo. 2006. Algoritma Filter Kalman
untuk Penghalusan Data. Jurnal Keteknikan Pertanian. Vol. 20, No. 3,
December 2006. Page: 287~292.
Sorenson, H. W. 1970. Least-Squares Estimation: from Gauss to Kalman. IEEE
Spectrum, vol. 7, pp. 63-68, July 1970.
Welch G. and G. Bishop. 2004. An Introduction to the Kalman Filter.
Department of Computer Science, University of North Carolina at Chapel Hill.
Chapel Hill, NC 27599-3175.

Optimisasi Parameter R pada Data Steady

Fungsi tujuan adalah minimisasi mean square error
(MSE);
1 N
2
MSE z k x k
N k 1
Fungsi kendala R 0
Berdasarkan teori optimisasi; MSE akan minimum jika
1 N
2
z k x k
N k 1
MSE

R
R

Penyelesaian dapat dilakukan dengan Newton Raphson

sebagaimana berikut:

R i 1

1 N
2
z k x k
N k 1

R
Ri
1 N

z k x k 2
N k 1

R
R

R i 1

2
Ri
H

dimana H adalah Hessian matrix.

Optimisasi parameter R dilakukan dengan menu Solver

pada fasilitas Add-Ins pada MS Excel

Pustaka

Rudiyanto. 2006. Pemodelan Hidrolika Sistem

Resirkulasi Akuakultur Terkendali. Thesis. Sekolah
Pascasarjana IPB. Bogor.

 Next

Extended Kalman Filter????