MAKALAH

KALMAN FILTERING
Tugas mata kuliah Survey Pemetaan Laut 2
Levana Apriani, S.T., M.T

Disusun Oleh :
Bagus Hafid Maulana
NPM: 4122.3.20.13.0036

PROGRAM STUDI S1 TEKNIK GEODESI FAKULTAS TEKNIK,

PERENCANAAN DAN ARSITEKTUR UNIVERSITAS WINAYA
MUKTI
BANDUNG
2023
 KATA PENGANTAR

Dengan menyebut nama Allah SWT ,Puji Syukur atas kehadirat-Nya, yang telah
melimpahkan rahmat, hidayah- nya, sehingga tugas makalah Kalman Filtering diselesaikan.

Penulis ucapakan terimakasih keapda seluruh akademisi Teknik Geodesi Winayamukti

terkhususnya kepada Ibu Levana Apriani, S.T., M.T selaku dosen pengampu mata kuliah
Survey Pemetaan Laut yang secara keseleruhan telah memberikan waktu, ilmu, tenaga dan
pikiran untuk membimbing kami dalam menghadirkan tulisan ini.

Penulis menyadari sepenuhnya bahwa masih ada banyak hal yang dapat dioptimalkan.
Oleh karenanya, penulis berusaha menerima saran dan masukan akan makalah ini dapat menjadi
lebih baik dikemudian hari. Akhir kata penulis ucapkan terimakasih dan mohon maaf bila ada kata
dan penulisan yang masih salah.

Dengan hormat,

Penulis

1
 DAFTAR ISI

KATA PENGANTAR.............................................................................................................1

DAFTAR ISI ...........................................................................................................................2

BAB I.......................................................................................................................................3

PEMBAHASAN . ....................................................................................................................3

2
 BAB I

PENDAHULUAN

1.1. Latar Belakang

Kalman Filter merupakan sebuah teknik yang digunakan untuk mengestimasi nilai sebuah
parameter atau state dalam suatu waktu tertentu. Variabel waktu di sini merupakan sebuah
variabel yang diskrit, yakni jarak antar satu titik waktu dengan titik yang lainnya adalah konstan,
dimulai dari 0, 1, 2, … dan seterusnya.

Pada setiap satuan waktu terdapat sebuah state yang nilainya akan diestimasi. State sendiri
merupakan kumpulan variabel-variabel yang menentukan kondisi dari sistem yang diukur dalam
suatu waktu tertentu. Sebagai contoh, jika kita ingin mengestimasi ketinggian dari sebuah air
dalam sebuah bak berbentuk persegi panjang dalam waktu tertentu, kita bisa membuat sebuah state
S yang isinya merupakan kumpulan dari ketinggian air pada keempat titik sudut bak tersebut, lalu
mengestimasi ketinggian air bak sebagai rata-rata dari keempat nilai pada state nya tersebut. Pada
setiap waktu, kita dapat mengukur nilai state ini secara langsung, dan hasil pengukurannya
tersebut disebut sebagai measured value.

Akan tetapi, walaupun pengukuran berhasil dilakukan dan nilai state pada tiap satuan waktu
dapat diperoleh, nilai yang dihasilkan ini cukup noisy, karena nilai dari setiap
komponen state berubah-ubah tiap saat (sistemnya dinamis), dan terdapat ketidakpastian dalam
pengukuran. Teknik Kalman Filter digunakan untuk memperoleh taksiran nilai state tersebut
dengan meminimalisir noise (faktor ketidakpastian), atau secara formal meminimalisir nilai
ekspektasi dari squared-error (atau Mean Square Error, yaitu sebuah metrik yang umum
digunakan sebagai error function untuk mengukur akurasi model) dengan memanfaatkan data-
data yang diperoleh dari waktu sebelumnya.

Kalman Filter cukup powerful karena dapat mengestimasi nilai state dari past, present,
dan future, tanpa perlu mengetahui cara sistem bekerja, serta karena algoritma yang digunakan
hanya bergantung pada statistik dari data yang diobservasi. Dalam Kalman Filter digunakan
sebuah asumsi, yakni data pengukuran adalah distribusi Gaussian, sehingga noise nya dapat
diasumsikan sebagai Gaussian noise. Algoritma ini biasanya digunakan untuk memodelkan
sebuah sistem yang dinamis dan linear (Linear Dynamic Systems), yakni sebuah sistem yang dapat
dinyatakan sebagai berikut,

3
 di mana x dengan dot merupakan turunan x terhadap waktu, dan x sendiri merupakan sebuah
vektor yang menyimpan nilai-nilai parameter pada waktu tertentu (sehingga dapat dianggap
sebagai state), dan A merupakan sebuah matriks konstan yang bergantung pada sistem (Karena A
konstan, maka sistemnya merupakan sistem linear). Contoh paling sederhana dari sistem seperti
ini adalah trajectory sebuah benda yang jatuh bebas (free-fall), dengan state-nya dapat berupa
ketinggian, posisi, ataupun kecepatan benda.

Secara umum, proses pada Kalman Filter memakai konsep pemrograman dinamis serta
rekursif, yang jika digabung serupa dengan back propagation. Terdapat beberapa tahapan utama
dalam algoritma Kalman Filter:

Prediction
Pada tahap ini dilakukan estimasi nilai state pada waktu berikutnya.

Filtering
Pada tahap ini, nilai dari state saat ini (saat t = k) diprediksi berdasarkan nilai estimasi yang
diperoleh dari data-data sebelumnya (saat t = k-1, k-2, …, 0). Tentu saja, kondisi awal (t = 0)
merupakan sebuah kasus khusus karena merupakan titik awal pengambilan data, sehingga datanya
diperoleh dari observasi ataupun sditambah dengan asumsi-asumsi lainnya.

Smoothing
Pada tahap ini, nilai dari state di masa lalu ditaksir ulang berdasarkan data observasi saat ini. Hal
ini, sesuai dengan namanya, bertujuan untuk memperhalus nilai prediksi sehingga meminimalisir
noise dari hasil prediksi.

Dalam penerapannya, algoritma dalam Kalman Filter melibatkan banyak sekali variabel,
yang jika ingin diketahui lebih lanjut dapat dilihat pada tautan berikut.
Namun, secara sederhana kita dapat memandang persamaannya itu sebagai berikut ini:

4
 Dalam hal ini, variabel X(k) merupakan estimasi nilai state pada waktu ke-k, variabel Z(k)
merupakan measured value pada waktu ke-k, dan K(k) merupakan nilai dari koefisien Kalman
Gain. Nilai koefisien ini lah yang perlu dihitung agar X(k) dapat mengestimasi nilai state lebih
baik daripada Z(k), karena jika Z(k) sudah baik, kita mungkin tidak perlu lagi melakukan estimasi
lebih lanjut. Estimasi ini dilakukan karena perhitungan Z(k) melibatkan ketidakpastian (noise), dan
pada algoritma ini diasumsikan distribusi nilai dari data Z mengikuti distribusi Gaussian.

Selain itu, Kalman Filter disebut juga sebagai predictor-corrector algorithm. Hal ini dapat
dilihat sesuai ilustrasi berikut, yang menggambarkan flow dari algoritma Kalman Filter secara
sederhana:

Step prediction dilakukan untuk menghitung estimasi nilai state pada waktu berikutnya,
sedangkan step correction dilakukan untuk melakukan smoothing serta mencari nilai optimal dari
Kalman Gain dengan menggunakan measured value pada saat itu.

Penerapan Kalman Filter

Terdapat banyak penerapan Kalman Filter dari berbagai macam bidang. Secara umum, teknik
ini sangat berguna dalam pemodelan sebuah sistem yang dinamis (yakni sistem yang nilai
parameternya berubah-ubah seiring waktu), dan hasil pengukuran nilai parameter tersebut dapat
memiliki error sehingga menghasilkan noise. Beberapa penerapannya adalah sebagai berikut:

1. Sistem kontrol, navigasi dan kendali, seperti pada robot dan rudal.
2. Tracking pergerakan objek dan estimasi lokasinya, seperti estimasi ketinggian
sebuah spinning spacecraft¹ , estimasi lokasi robot, dan lain-lain. Pada device yang
lokasinya diinformasikan melalui GPS, bisa saja titik lokasi yang ditampilkan oleh
GPS memiliki noise, dan Kalman Filter digunakan untuk memberikan estimasi
lokasi device dengan lebih baik.
3. Pada ekonomi dan quantitative trading, contohnya prediksi permintaan
peminjaman international reserve sebuah negara²
4. Pada bidang computer vision, seperti feature tracking, cluster tracking, pengukuran
fisis (seperti kedalaman atau kecepatan) berdasarkan data dari perangkat seperti
kamera, radar, dan lain-lain.
5. Prediksi nilai berikutnya pada sebuah time-series
5
6. Beberapa contoh seperti peluncuran Falcon 9 milik SpaceX, dan peluncuran Apollo 8
pada tahun 1968, yakni sebuah human spaceflight pertama yang mengorbit bul

6
7