KALMAN FILTER

2.9 Filter Digital

Filter digital adalah semua filter elektronik yang bekerja dengan menerapkan operasi
matematika digital atau algoritma pada suatu pemrosesan sinyal. Salah satu batasan utama
pada filter digital adalah dalam hal keterbatasan kecepatan pemrosesan/waktu komputasi
yang sangat tergantung dengan kemampuan mikrokontroler atau komputer yang digunakan.

2.10 State of the art Kalman Filter

Kalman filter banyak digunakan dalam berbagai aplikasi. Fungsi dari kalman filter itu
sendiri adalah sebagai estimator yang handal dalam berbagai sistem yang digunakan.
Modelnya yang sederhana sehingga mudah diterapkan dalam berbagai sistem. Dengan
memperhitungkan noise yang diestimasi pada seluruh cangkupan frekuensi, sehingga kalman
filter langsung dapat digunakan sebagai estimator tanpa perlu memperhitungkan noise yang
terjadi pada sistem secara detail terlebih dahulu. Kalman filter dapat digunakan untuk
mengestimasi sistem yang linear. Dalam perkembangannya, untuk sistem yang lebih
kompleks dengan persamaan matematis yang linier, kalman filterr dimodifikasi agar dapat
mengestimasi sistem yang non linier, modifikasi kalman filter ini ada yang dinamakan
extended kalman filter (EKF), franctional kalman filter (FKF), dan juga uncented kalman
filter (UCF).
Berbagai aplikasi kalman filter dapat diterapkan dalam berbagai sistem. Ditahun 2003
John Valasek dan Wei Chan, menggunakan observer kalman filter untuk mengidentifikasi
secara online sistem pesawat. Masalah sistem identifikasi online muncul dari keakurasian,
locally linier, serta model dinamik pesawat dari nonlinier pesawat. Metode identifikasi kalma
ini cocok untuk mengidentifikasi secara online sistem pesawat dari model pesawat locally
linier dan secara umum cukup intensif mengendalikan intensitas white noise sensor Gaussian
dan untuk menyalakan intensitas hembusan diskrit.
Di tahun yang sama, Zhuang Xu dan M.F.Rahman menggunakan extended kalman
filter(EKF) untuk mengestimasi kecepatan rotor pada saat kecepatan yang sangat rendah.
Untuk dapat mengestimasi pada kecepatan yang sangat rendah diperlukan sensitivitas yang
tinggi dari estimator untuk model nonlinier, gangguan dan model parameter detuning. Telah
dilakukan riset mengenai prinsip dari direct torque control (DTC) diimplementasikan pada
interior permanent magnet(IPM). Ditahun sebelumnya telah dilakukan riset mengenai IPM
namun belum dapat mengestimasi kecepatan rotor pada saat kecepatan yang sangat rendah.
Di tahun 2003 juga kalman filter dipakai oleh D. Loebis,R. Sutton, J. Chudley, dan
W. Naeem untuk melakukan riset mengenai penerapan sistem navigasi cerdas, didasarkan
pada penggunaan yang terintegrasi dari global positioning sistem(GPS) dan beberapa sistem
navigasi inersia (inertia system navigation/INS) sensor, untuk aplikasi kendaraan otonom
dibawah air(AUV). Dalam riset SKF dan EKF digunakan untuk memadukan data dari sensor
INS dan untuk mengintegrasikannya dengan data GPS. Selain itu juga digunakan teknik
logika fuzzy untuk adaptasi dari asumsi statistic awal dari keduanya(SKF dan EKF),
disebabkan oleh kemungkinan perubahan karakteristik noise sensor. Setelah itu dilakukan
estimasi, perbaikan estimasi dari SKF dan EKF dan meningkatkan akurasi keseluruhan dari
integrasi GPS.
Pada tahun 2004, Pratap R, melakukan penelitian mengenai extended kalman filter
yang digunakan untuk menyaring masuknya noise ke dalam reactor biologis, penelitian
dilakukan karena mikroba yang ada dalam reactor biologis bisa terpengaruh oleh noise
apabila noise ini tidak difilter. Noise ini disebabkan oleh dua sumber yang mempengaruhi
kinerja yaitu noise pengukuran dari sinyal sensor(pH, suhu, kecepatan agitasi, laju aliran, dan
lain-lainya) dan noise dari lingkungan. Peneliti sebelumnya dilakukan oleh M. L. Shuler dan
G. Liden menunjukan bahwa kompleksitas dan efek Ph berpotensi berbahaya pada perilaku
mikroba, karena efek ekonomis, kinetic, maupun benefit. Dari hasil riset EKF telah terbukti
dapat menyelamatkan osilasi periodic yang stabil yang telah terdistorsi oleh noise, serta EKF
telah terbukti efektif dalam menyaring noise dari aliran tersebut bahwa sekitar osilasi beban
noise dapat dipulihkan.
Di tahun 2005, Kalman filter digunakan untuk mengestimasi suhu internal, dengan
menggunakan kalman filter, diterapkan pada sistm hibrida linier oleh L. Boillereaux, H.
Fibrianto, dan J. M. Flaus. Metode ini diterapkan karena keterbatasan penggunaan sensor
invasive, sehingga untuk memperkirakan suhu internal dari makanan dapat diperoleh dengan
pengukuran di permukaan.
Setahun kemudian, Jose dan Wan Yu membandingkan algoritma pembelajaran
normal dengan kalman filter untuk mengidentifikasi sistem non linier dimana modifikasi
dead-zone robust diterapkan pada kalman filter. Kalman filter diterapkan untuk melatih state
spae jaringan saraf tiruan berulang untuk identifikasi sistem nonlinier. Diman riset serupa
telah dilakukan pada tahun-tahun sebelumnya yaitu mengenai analisa konvergensi neural
network, beberapa teknik modifikasi robust pada algoritma least square, analisa kestabilan
dan lain-lainya. Dari hasil penelitian algoritma kalman filter memiliki beberapa sifat lebih
baik, seperti konvergensi yang lebih cepat, meskipun algoritma ini lebih kompleks dan
sensitive terhadap sifat noise. Serta metode Lyapunov yang digunakan untuk membuktikan
bahwa pelatihan kalman filter stabil.
Tahun 2007 Mickael Hilairet, Francois Auger, dan Eric Berthelot memodifikasi
kalman filter, yang digunakan untuk mengestimasi fluks rotor dan kecepatan pada motor
induksi. Estimasi ini diperlukan untuk menentukan kecepatan dan posisi rotor dari tegangan
dan arus stator apabila tanpa menggunakan sensor kecepatan dan sensor posisi. Estimator
kalman filter modifikasi ini dapat mengurangi jmlah aritmatika sampai 25% daripada
menggunakan kalman filter biasa. Serta estimator ini memperbolehkan sampling rate yang
lebih tinggi menggunakan sebuah mikrokontroler yang lebih murah.
Tahun 2008 X. Luoa , I, M, Moroz, memodifikasi skema ensemble kalman
filter(EnKF) menggunakan konsep uncented transform yang merupakan sebuah konsep
metode baru untuk transformasi nonlinier dari mean dank ovarian dalam filter dan estimator.
Hal ini disebabkan oleh adanya eror distribusi analisa simetri( tidak membutuhkan Gaussian)
apabila menggunakan EnKF biasa menghasilkan estimasi yang kurang akurat. Metode EnKF
ini terbukti dapat memberikan estimasi yang akurat.
Murat Barut pada tahun 2009 juga menerapkan extended kalman filter pada
penelitiannya. Tujuan penelitiannya yaitu mengestimasi secara online masalah yang berkaitan
dengan ketidakpastian dalam stator rotor dan resistensi melekat dengan control sensorless
dengan efisiensi motor induksi(IM) yang tinggi dalam rentang kecepatan yang luas serta
memperluas jumlah state yang terbatas dan estimasi parameter menggunakan algoritma
extended kalman filter tunggal dengan eksekusi berturut-turut dari dua input yang beasal dari
dua model IM berdasarkan resistansi stator dan estimator resistanso rotor. Penelitian
dilakukan karena adanya ketidakpastian estimasi state parameter elektrik dan mekanik dari
motor induksi serta suhu dan frekuensi bergantung pada variansi resistansi rotor dan stator
yang terdapat diseluruh bagian penting dari ketidakpastian elektrik dalam sebuah motor
induksi selama torsi beban dan friksi menentukan mekanik utamanya.
Pada tahun 2011 dilakukan uji keakurasian tracking dan teknik estimasi untuk
besaran, frekuensi dan fasa tegangan kedipan(flicker) menggunakan kalman filter, dilakukan
oleh H. M. AL-Hamadi, dimana menggunakan extended state space untuk mengestimasi
parameter. Dengan menggunakan algoritma kalman filter, konvergensi dari estimasi
parameter yang didapat, nilai parameter estimasinya sangat dekat dengan nilai aslinya.
 Secara umum, kalman filter banyak digunakan sebagai estimator dalam berbagai
permasalahan, karena kalman filter sendiri memiliki keunggulan yaitu kemampuannya
mengestimasi state pada waktu lampau, sekarang, maupun diwaktu mendatang, bahkan ketika
karakteristik spesifik dari model yang akan diestimasi tidak diketahui.

2.10.1 Algoritma Kalman Filter

Kalman filter merupakan sebuah filter yang efisien dan mengestimasi state pada
linear dynamic system dari rentetan pengukuran noise. Disebut recursive sebab untuk
menghitung state estimasi saat ini,hanya membutuhkan sata state estimasi satu waktu
sebelumnya dan data pengukuran saat ini. Teknik filter ini dinamakan berdasarkan
penemunya, Rudolf E. Kalman. Kalman filter sangat berguna terutama dalam navigasi dan
lingkungan dengan Gaussian noise. Pada teori terkendali, kalman filter merupakan sebuah
algoritma atau kumpulan persamaan matematika yang menghasilkan sebuah perhitungan
yang efisien untuk mengestimasi state dari proses, dengan tujuan meminalkan noise atau
variansi terhadap referensi lain. Filter ini sangat bagus dalam beberapa aspek: mendukung
estimasi state sebelumnya,saat ini dan berikutnya. Bahkan hal ini tetap dapat dilakukan
meskipun model sistem yang sebenarnya tidak diketahu. Kalman filter disebut juga sebuah
estimator stokastik yang optimal.

Kalman Filter (KF) adalah suatu metode estimasi variabel keadaan dari sistem
dinamik stokastik linear diskrit yang meminimumkan kovariansi error estimasi. Metode KF
pertama kali diperkenalkan oleh Rudolph E. Kalman pada tahun 1960 lewat papernya yang
terkenal tentang suatu penyelesaian rekursif pada masalah filtering data diskrit yang linear
(Welch & Bishop, 2006). KF merupakan suatu pendekatan teknis untuk menaksir fungsi
parameter dalam peramalan deret berkala (time series). Keunggulan metode KF adalah
kemampuannya dalam mengestimasi suatu keadaan berdasarkan data yang minim. Data
minim yang dimaksud adalah data pengukuran (alat ukur) karena KF merupakan suatu
metode yang menggabungkan model dan pengukuran. Data pengukuran terbaru menjadi
bagian penting dari algoritma KF karena data mutakhir akan berguna untuk mengoreksi hasil
prediksi, sehingga hasil estimasinya selalu mendekati kondisi yang sebenarnya (Masduqi,
2008).

Bentuk umum dinamika stokastik linier diskrit adalah:

Xk+1 = AkXk + Bk Uk + Wk (2.1)
 Dengan pengukuran Zk ∈ ƦP yang memenuhi
Zk = HkXk + Vk (2.2)

X0 ~ N (X0 , Px0); Wk ~N(0, Qk); Vk ~N (0,Rk) (2.3 )

Dengan :
X0 = inisial dari sistem,
Xk+1 = variable keadaan pada waktu k+1 dan berdimensi,
Xk = variable keadaan pada waktu k yang nilai estimasi awalnya X0 dan
kovariansi awal Px0, Xk ∈ Rn
Uk = vector masukan deteministik,pada waktu k,Uk ∈ 𝑅 n
Wk = noise pada sistem dengan mean Wk = 0 dengan kovariansi Qk,
Zk = variabel pengukuran Zk ∈ 𝑅 p

Vk = noise pada pengukuran dengan mean Vk = 0 dengan kovariansi Rk

Ak,Bk,Hk = matriks-matriks dengan nilai elemen-elemennya adalah koefisien

variabel masing-masing.

Variabel Wk ~N(0, Qk) dan Vk ~N (0,Rk) ini diasumsikan white (berdistribusi normal dengan
mean 0), tidak berkorelasi satu sama lain maupun dengan nilai estimasi awal X0 Proses
estimasi KF dilakukan dengan dua tahapan, yaitu dengan cara memprediksi variabel keadaan
berdasarkan sistem dinamik yang disebut tahap prediksi (time update) dan selanjutnya tahap
koreksi (measurement update) terhadap data-data pengukuran untuk memperbaiki hasil
estimasi.Tahap prediksi dipengaruhi oleh dinamika sistem dengan memprediksi variabel
keadaan dengan menggunakan persamaan estimasi variabel keadaan dan tingkat akurasinya
dihitung menggunakan persamaan kovariansi error. Pada tahap koreksi hasil estimasi
variabel keadaan yang diperoleh pada tahap prediksi dikoreksi menggunakan model
pengukuran. Salah satu bagian dari tahap ini yaitu menentukan matriks Kalman Gain yang
digunakan untuk meminimumkan kovariansi error. Tahap prediksi dan koreksi dilakukan
secara rekursif dengan cara meminimumkan kovariansi error estimasi (Xk – X̂k),Xk

Pada sistem navigasi,kalman filter yang digunakan adalah kalman filter diskrit.
Kalman filter yang mengestimasi proses dengan menggunakan bentuk pengendali feedback :
filter mengestimasi state proses pada beberapa waktu dan kemudian mendapatkan umpan
balik(feedback) dalam benk pengukuran(noise). Oleh karena itu, persamaan kalman filter
dibagi menjadi dua kelompok yaitu persamaan time update dan persamaan measurement
update. Time update dapat disebut juga sebagai proses predict,yaitu menggunakan estimasi
state dari satu waktu sebelumnya untuk mendapatkan sebuah estimasi state pada saat ini.
Sedangkan measurement update disebut juga sebagai proses correct, yaitu informasi
pengukuran pada saat ini digunakan untuk memperbaiki prediksi, dengan harapan akan
didapatkan state estimasi yang lebih akurat. Sehingga dalam aplikasinya, algoritma kalman
filter akan menggunakan proses berulang dari predict dan correct. Seperti yang dilihat pada
gambar 2.8 dibawah ini

Time Measurement
Update(Predict) Update (Correct)

Gambar 2.8 Perputaran Algoritma Kalman Filter

Berikut ini adalah persamaan predict dan correct dalam kalman filter:

Tabel 2.1 Algoritma Kalman Filter

Model Sistem dan Model Pengukuran

Xk+1 = AkXk + Bk Uk + Wk

Zk = HkXk + Vk

X0 ~ N (X0 , Px0); Wk ~N(0, Qk); Vk ~N (0,Rk)

Inisialisasi

X0 = X0, P0 =Pxo

Tahap Prediksi

Estimasi: X̂k̄+1 = Ak X̂ + Bk Uk

Kovariansi error : Pk̄+1 = Ak Pk ATk + Qk

Tahap Koreksi

Kalman Gain : Kk+1 = Pk̄+1 HTk +1(Hk+1 Pk̄+1 HTk +1 + Rk+1)-1

Estimasi : X̂k+1 = X̂k̄+1 + Kk+1(Zk+1-Hk+1 X̂k̄+1)

 Kovariansi error : Pk+1 = [ I - Kk+1Hk+1] Pk̄+1

Pada table 2.1 menunjukkan algoritma KF yang terdiri dari empat bagian, diantaranya bagian
pertama mendefinisikan model sistem dan model pengukuran, bagian kedua merupakan nilai
awal (inisialisasi), selanjutnya ketiga dan keempat masing-masing tahap prediksi dan koreksi
(Purnomo, 2008).

Kalman filter banyak digunakan dalam berbagai aplikasi. Fungsi dari kalman filter
itu sendiri adalah sebagai estimator yang handal dalam berbagai sistem yang
digunakan.Modelnya yang sederhana sehingga mudah diterapkan dalam berbagai sistem.
Dengan memperhitungkan white noise yang merupakan noise yang diestimasi pada seluruh
cangkupan frekuensi,sehingga klman filter langsung dapat digunakan sebagai estimator tanpa
perlu menghitung noise yang terjadi pada sistem secara detail terlebih dahulu. Kalman filter
dapat digunakan untuk mengestimasi sistem yang linier. Dalam perkembangannya untuk
sistem yang lebih kompleks dengan persamaan matematis yang linier,kalman filter
dimodifikasi agar dapat mengestimasi sistem yang non linier,modifikasi kalman filter ini ada
yang dinamakan extended kalman filter(EKF),fractional kalman filter(FKF)dan uncented
kalman filter (UKF).

2.10.1.1 Extended Kalman Filter(EKF)

Extended Kalman Filter dapat digunakan untuk sistem yang tak linier dan juga
kontinu. Dalam Extended Kalman Filter sistem semacam ini perlu dilinierisasi (apabila
sistem tidak linier), pendiskritan sistem (apabila sistem kontinu), dan beberapa tahapan lain.
Algoritma Kalman Filter dikembangkan untuk nilai estimasi dalam bentuk rekursif dari
model linear. Namun demikian, dalam kenyataannya banyak model yang berbentuk
nonlinear. Metode Extended Kalman Filter (EKF) adalah salah satu metode estimasi yang
dikembangkan untuk menyelesaikan model nonlinear.

xk = ƒ(xk-1,uk-1,wk-1) (2.4)

dengan persamaan measurement yang dipelihatkan

zk = h (xk,vk) (2.5)
dimana ƒ(.) adalah persamaan nonlinier yang menghubungkan state waktu
sebelumnya,process noise dan input dengan state waktu sekarang. Pada persaan
measurement, h(.) adalah persamaan nonlinier yang menghubungkan state sekarang dan mea
surement noise dengan hasil pengukuran. Estimasi untuk mendapatkan state xk, dilakukan
dengan menggunakan (2.6) dan (2.7)

x̂k̄ = ƒ (x̂k-1,uk-1,wk-1) (2.6)

zk̄ = h (x̂k̄,vk) (2.7)

Untuk persamaan eksplisit estimasi state pada(2.4), pertama persamaan (2.6) dan (2.7) harus
dilinierisasi. Linierisasi ini dilakukan menggunakan deret Taylor disekitar titik kerja yaitu
Wk = 0 dan Vk = 0. Asumsi ini digunakan karena nilai noise yang terjadi pada proses dan
pada pengukuran tidak dapat dihitung. Estimasi dilakukan dengan menganggap noise-noise
tersebut bernilai nol. Dengan demikian, persamaan sistem berubah menjadi (2.8) dan (2.9)

xk ≈ ƒ (x̂k-1,uk-1,0) + F (x̂k-1,uk-1,0) + Wwk (2.8)

zk ≈ h (x̂k,0) + H (xk,0) +Vvk (2.9)

dimana

𝜕ƒ[𝑖]
F[ i,j ] = 𝜕𝑥[𝑗] (x̂k-1,uk-1,0)

𝜕ƒ[𝑖]
W[ i,j ] = (x̂k-1,uk-1,0)
𝜕𝑥[𝑗]

𝜕𝐻[𝑖]
H[ i,j ] = (x̂k̄,0)
𝜕𝑤[𝑗]

𝜕𝐻[𝑖]
V[ i,j ] = (x̂k̄,0)
𝜕𝑣[𝑗]

Berikutnya dengan mendefinisikan measurement residual sebagai (2.10) dan memperhatikan

persamaan a-priori state error, didapat persamaan error proses seperti pada (2.11) dan (2.12)

êz̄k = zk – ẑk̄ (2.10)

êx̄k ≈ A (xk-1 – x̂k̄-1) + 𝜀 k (2.11)

 ez̄k ≈ Hêx̄k + ɳk (2.12)

Pada (2.11) dan (2.12), terdapat du variable yaitu 𝜀 k dan ɳk. Variabel-variabel ini adalah
variable acak baru yang memiliki mean nol dan matriks kovarians masing-masing WQWT
dan VRVT. Variabel-variabel acak pada (2.10) sampai (2.12) memiliki karakteristik :

p( êx̄k ) ~ 𝑁 (0, 𝐸[ êx̄k êx̄kT])

p(𝜀 k ) ~ 𝑁 (0, 𝐸[ WQkWT])

p(ɳk) ~ 𝑁 (0, 𝐸[ VRkVT])

Selanjutnya, akan dicari estimasi dari êx̄k dengan menggunakan kalman filter hipotesis. Hasil
estimasi ini dinamakan êk dan akan digunakan untuk mendapatkan a-posteriori state estimate
berdasarkan (2.13)

x̂k = x̂k̄ + êk (2.13)

Dengan memperhatikan karakteristik êx̄k , êk, dan ɳk, men-set nilai prediksi êk menjadi nol, dan
mempertimbangkan data êz̄k didapatlah persamaan kalman filter hipotesis untuk memperoleh
nilai êk pada (2.14)

êk = Kk êz̄k (2.14)

Mensubsitusikan (2.13) dan (2.14) dan mempertimbangkan persamaan measurement residual,

didapat (2.15)

x̂k = x̂k̄ + Kk ( zk – ẑk̄) (2.15)

Pada (2.15) adalah persamaan state estimate update untuk sistem nonlinier. Persamaan-
persamaan yang digunakan dalam algoritma Extended Kalman Filter kemudian adalah sesuai
yang tertera pada table 2.1. Persamaan- persamaan ini diperoleh dari persamaan Kalman
Filter dengan beberapa penyesuaian.

Tabel 2.2 Persamaan – Persamaan Extended Kalman Filter

Time Update (“ Prediction”) Equations

x̂k̄ = ƒ (x̂k-1,uk-1,wk-1)
Pk̄ = FPkFT + WQWT
Measurement Update(“Correction”) Equations
 Kk = Pk̄HT [HPk̄HT + VRVT] -1
x̂k = x̂k̄ + Kk ( zk – h (x̂k̄,0))
Pk = ( I – Kk H) Pk̄

2.10.1.2 Ensemble Kalman Filter

Metode Ensemble Kalman Filter (EnkF) adalah metode estimasi modifikasi dari algoritma
kalman filter yang dapat digunakan untuk mengestimasi model sistem linier maupun
nonlinier. Metode EnKF pertama kali dikembangkan oleh G. Evensen (1992-1993) pada saat
mencoba mengimplementasikan metode EKF untuk asimilasi data pada suatu model.
Linieritas dalam metode EKF ternyata menyebabkan kovariansi errornya membesar menuju
tak terhingga. Selanjutnya G. Evensen (1994) telah memperkenalkan ide penggunaan
sejumlah ensemble untuk mengestmasi kovariansi error pada tahap forcasting pada masalah
yang sama ( Evensen 1994, dalam purnomo 2008).

Proses estimasi pada EnKF diawali dengan membangkitkan sejmlah N𝜀 ensemble dengan
mean 0 dan kovariansi konstan. Ensemble yang dibangkitkan dilakukan secara random dan
berdistribusi normal. Berdasarkan eksperimen, pada umumnya jumlah anggota ensemble
yang mencangkup adalah 100-500 (Evensen 2003, dalam purnomo 2008).

Secara umum algoritma EnKF juga terdiri dari dua tahap yaitu tahap prediksi (time update)
dan tahap koreksi (measurement update). Pada metode EnKF terlebih dahulu dihitung mean
ensemble-nya sebelum masuk ke tahap prediksi yaitu :

1
X̂k = 𝑁𝜀 ∑𝑁
𝑖=1 𝑋 k,i (2.16)

Dimana 𝑁𝜀 adalah banyaknya ensemble yang dibangkitkan dan Xk,i merupakan nilai
ensemble yang dibangkitkan.Bentuk umum sistem dinamik nonlinier pada EnKF adalah :

Xk+1 = ƒ(k,xk) + Wk (2.17)

dengan persamaan pengukuran linear zk 𝜖 𝑅 P yaitu:

Zk = Hk Xk+Vk (2.18)

x0 ~ 𝑁(X̄0, Px0) ; wk ~ 𝑁(0, 𝑄 k); vk ~ 𝑁 (0, 𝑅 k)

Dengan Xk+1 merupakan variabel keadaan pada waktu k+1 , ƒ(k,xk) merupakan fungsi tak
linear dari XX dan input WK,VK merupakan data pengukuran, merupakan matriks, yang
merupakan representasi hubungan antara data pengukuran dan variabel keadaan,
x0 ~ 𝑁(X̄0, Px0) ; wk ~ 𝑁(0, 𝑄 k); vk ~ 𝑁 (0, 𝑅 k) masing-masing merupakan derau pada sistem
yang berdistribusi Normal Gauss (sistem Gaussian white noise) dan derau pada pengukuran
yang berdistribusi Normal Gauss (measurement Gaussian white noise). Algoritma dari
Ensemble Kalman filter untuk mengestimasi variable keadaan XK adalah (Evensen, 2003).

Misalkan akan dibangkitkan sejumlah 𝑁𝜀 ensemble untuk memperoleh nilai rata-rata mean :

X0 = [X0,1 X0,2 … X0,N-1 X0,N] dengan X0,i ~ 𝑁 (x̄0,P0)

Selanjutnya diperoleh mean ensemble pada persamaan (2.16).
1
X̂k = 𝑁𝜀 ∑𝑁
𝑖=1 𝑋k,i

Mean ensemble ini digunakan untuk menghitung estimasi x̂k̄ pada tahap prediksi (time
update) dan x̂k pada tahap koreksi (meansurement update). Sedangkan untuk menghitung
kovariansi error Pk̄ pada tahap prediksi menggunakan
1
Pk = ∑𝑁𝜀
𝑖=1( x̂k̄,j – x̂k̄)(x̂k̄,j – x̂k̄)
T
(2.19)
𝑁𝜀−1

Pada tahap EnKF, noise sistem wk pada tahap prediksi dan noise pengukuran vk pada tahap
koreksi dibangkitkan dalam bentuk ensemble. Perlu diperhatikan bahwa algoritma EnKF
tidak membutuhkan nilai awal kovariansi error. Sedangkan nilai awal x̂0 dihitung dari rata-
rata ensemble x̂0̄,i yang dibangkitkan pada tahap inisialisasi. Demikian juga, noise sistem wk,j
pada tahap prediksi dan noise pengukuran vk,j pada tahap koreksi dibangkitkan dalam bentuk
ensemble (Purnomo 2008). Algoritma EnKF selengkapnya untuk mengestimasi penyelesaian
model (2.17) dan (2.18) dapat diihat pada tabel 2.3

Tabel 2.3 Algoritma Ensembel Kalman Filter (EnKF)

Model Sistem dan Model Pengukuran
Xk+1 = ƒ(Xk,Uk) + Wk , Wk ~ 𝑁(0,Qk)
Zk = HXk+Vk , Vk ~ 𝑁(0,Rk)
Inisialisasi
Bangkitkan 𝑁𝜀 ensemble sesuai estimasi awal x̄0
 x0,I = [x0,1 x0,2 x0,3 … x0, 𝑁𝜀]
Tentukan nilai awal :
1
X̂k = 𝑁𝜀 ∑𝑁
𝑖=1 𝑋 k,i

Tahap Prediksi
x̂k̄,I = ƒ( xk-1,uk-1) + Wk dengan Wk,i ~ 𝑁(0,Qk)
Estimasi :
1
X̂k̄ = 𝑁𝜀 ∑𝑁𝜀
𝑖=1 𝑥̂k̄,i

Kovariansi error :
1
Pk̄ = 𝑁𝜀−1 ∑𝑁𝜀
𝑖=1( x̂k̄,j – x̂k̄)(x̂k̄,j – x̂k̄)
T

Tahap Koreksi
zk,i = zk + vk,i dengan vk,i ~ 𝑁(0, 𝑅 k)
Kalman Gain :
Kk = Pk̄HT(HPk̄HT +Rk)-1
Estimasi :
Estimasi Tahap Koreksi Adalah:
X̂k,i = X̂k̄,i + Kk(Zk,i – HX̂k̄,i)
Rata-Rata Estimasi Tahap Koreksi Adalah:
1
X̂k = 𝑁𝜀 ∑𝑁𝜀
𝑖=1 𝑋k,i

Kovariansi Error
Pk = [ I – KkH]Pk̄

2.10.1.3 Uncented Kalman Filter (UKF)

Uncented Kalman Filter (UKF) merupakan pengembangan baru di lapangan. Idenya adalah
untuk menghasilkan beberapa titik sampling (poin Sigma) sekitar perkiraan kondisi saat
berdasarkan kovarians nya. Kemudian, menyebarkan titik-titik ini melalui peta nonlinier
untuk mendapatkan estimasi yang lebih akurat dari mean dan kovariansi dari hasil pemetaan.
Uncented Kalman Filter (UKF) diusulkan oleh Julier dan Uhlman. UKF, yang merupakan
alternatif turunan-bebas untuk EKF. UKF terdiri dari dua langkah yang sama dengan:
perkiraan Model dan Data asimilasi. UKF digunakan untuk mempermudah dalam pendektan
distribusi probabilitas untuk mendekati fungsi nonlinier . UKF adalah metode untuk
menghitung statistik dari variabel acak yang mengalami transformasi nonlinear.

Unscented Kalman Filter adalah pengembangan dari Filter Kalman untuk sistem yang
nonlinear dengan menggunakan teknik Transformasi Unscented. Misalkan diberikan suatu
fungsi kepadatan peluang diskrit yk=f(xk,k) mempunyai variabel random x dari sebuah model
tak linear dengan dimensi L mempunyai mean dan kovarian . Fungsi yk=f(xk,k) didekati
dengan transformasi unscented. Mean dan kovarian tersebut digunakan untuk menentukan
penyebaran 2L+1 titik-titik sigma disekitar x̂. Titik-titik sigma dalam bentuk vektor sigma
Xz diperoleh dengan menggunakan persamaan berikut:
X0= X̂ (2.20)

Xi = X̂ + ( √𝐿 + 𝜆 Px) I , i = 1,…..,L (2.21)

Xi = X̂ + ( √𝐿 + 𝜆 Px) I-L , i = L + 1,……..,2L (2.22)

Dengan λ = α2( n + k) – L adalah parameter penskalaan, α adalah sebuah konstanta yang

digunakan untuk menentukan sebaran dari titik sigma disekeliling X̄ , Dimana α selalu bernilai
positif kecil dan k adalah skala penskalaan tambahan, dimana nilai k≥ 0. Nilai yang paling
sering digunakan yaitu k = 0.
Misalkan diberikan variable keadaan :
x=[x1 x2 … xL] T (2.23)

Jika dinyatakan dalam bentuk matriks sigma points bisa dituliskan menjadi :
Xi = [X0 X1 … XL XL+1 XL+2 … X2L] T (2.24)

Karena yk = ƒ(xk), maka penyebaran vector sigma yk adalah :

yi = ƒ (Xi) i = 0,….,2L (2.25)

Pembobotan mean dank ovarian dihitung berdasarkan persamaan :

𝜆
W0(m) = 𝐿+𝜆 (2.26)

𝜆
W0(c) = + 1 – α2 + 𝛽 (2.27)
𝐿+𝜆

1
Wi = Wi(c) = 2(𝐿+𝜆) i =1,….,2L (2.28)

Dengan menggunakan titik-titik sigma persamaan (2.22) dan persamaan pembobotan mean-
kovarians pada persamaan (2.28), maka diperoleh mean :
 ŷ = ∑2𝐿
0 [Wi (ƒ (Xi) - ŷ )(ƒ(Xi)-ŷ) ]
(c) T
(2.29)

Secara ringkas algoritma Unscented Kalman Filter dapat dituliskan pada tabel 2.4 sebagai
berikut:

Tabel 2.4 Algoritma Uncented Kalman Filter (UKF)

Inisialisasi

Pada saat k = 0
X̂0 = E[X0]
Px0 = E[(x0 – x̂0)( x0 – x̂0)T]

𝛼
x̂ 0 = E[xα] = E [x̂0T 0 0]T

𝑃𝑥̂ 0 0
𝛼 𝛼 𝛼
P 0 = E[(x 0 – x̂0) (x 0 – x̂0)T] = 0 𝑃𝑤 0
0 0 𝑃𝑣

Untuk k=1,2,3,…,N

Hitung titik sigma

Xαk-1 = [ X̂αk-1 X̂αk-1 + 𝛾√𝑃k-1 X̂αk-1 - 𝛾√𝑃k-1 ]
Dengan 𝛾 = √𝐿 + 𝜆 dan λ = 𝛼 2( L+ k) – L

Tahap Prediksi (time update)

𝑤
𝑋𝐾𝑋 | K-1 = ƒ( 𝑋𝐾−1
𝑋
, 𝑋𝐾−1 )

x̂k̄ = ∑2𝐿
𝑖=0[ Wi
(m) 𝑋
𝑋𝑖,𝑘|𝑘−1 ]

Px̄k = ∑2𝐿 (c) 𝑋 𝑋 T

𝑖=0[ Wi (𝑋𝑖,𝑘|𝑘−1 − 𝑥̂𝑘̄)(𝑋𝑖,𝑘|𝑘−1 − 𝑥̂𝑘̄) + Qk]

𝑋 𝑣
𝑍𝑘|𝑘−1 = H ( 𝑋𝐾−1 , 𝑋𝐾−1 )
 Ẑk̄ = ∑2𝐿
𝑖=0[ Wi
(m)
𝑍𝑖,𝑘|𝑘−1 ]

Tahap Koreksi (Measurement update)

Pz̄k,z̄k = ∑2𝐿 (c) T

𝑖=0[ Wi (𝑍𝑖,𝑘|𝑘−1 − 𝑧̂𝑘̄)(𝑍𝑖,𝑘|𝑘−1 − 𝑧̂𝑘̄) + Rk]

Pxk,zk = ∑2𝐿 (c) T

𝑖=0[ Wi (𝑋𝑖,𝑘|𝑘−1 − 𝑥̂𝑘̄)(𝑍𝑖,𝑘|𝑘−1 − 𝑧̂𝑘̄) ]

Kk = Pxk,zk𝑃𝑧̄−1
𝑘,𝑧̄𝑘

x̂k = x̂k̄ + Kk(zk-ẑk̄)

−
Pxk = 𝑃𝑥𝑘 - Kk Pz̄k 𝐾𝑘𝑇

Dengan Qk adalah kov.error proses dan Rk adalah kov.error pengukuran

2.10.1.4 Fractional Kalman Filter (FKF)

Kalman Filter merupakan vektor state estimator optimal menggunakan sistem model , input
dan sinyal output ( Kalman 1960) . Hasil estimasi yang diperoleh dengan meminimalkan
langkah dalam panggilan Fungsi sekarang ( Schutter et al., 1999 ).

x̂k = arg min [ (x̂k – x)p̂ 𝑘̄ −1 (xk-x)T + (yk –Cx) R𝑘̄ −1 (yk –Cx)T] (2.30)

dimana:
x̂k = E [ xk|zk̽-1 ] (2.31)

adalah prediksi state vektor pada waktu sekarang k , xk didefinisikan sebagai variabel acak
dan dikondisikan pada pengukuran aliran zk̽−1 (Brown & Hwang 1997).
x̂k = E [ xk|zk̽ ] (2.32)

adalah prediksi state vektor pada waktu sekarang k , xk didefinisikan sebagai variabel acak
dan dikondisikan pada pengukuran aliran zk̽.
Pengukuran zk̽. mengandung nilai nilai pengukuran keluaran y0,y1,…,yk dan sinyal input
u0,u1,…,uk.

P̂k= E [(x̂k – xk) (x̂k – xk)T] (2.33)

adalah prediksi estimasi error matriks kovarians
Rk = E [vk𝑣𝑘𝑇 ] (2.34)

adalah matriks kovarians dari noise output di vk

𝑄𝑘̄ = 𝐸[𝑤𝑘̄ 𝑤𝑘𝑇 ] (2.35)

adalah matriks kovarians dari sistem noise di wk

Pk = E [(x̂k –xk) (x̂k –xk)T] (2.36)

adalah estimasi kesalahan matriks kovariansi

*Semua dari matriks-matriks diasumsikan simetris