Sistem embedded modern sangat bergantung pada sensor sebagai sumber informasi utama. Mulai dari robot, drone, perangkat IoT, hingga mobil otonom, semua perangkat ini mengambil keputusan berdasarkan data sensor. Namun, data sensor di dunia nyata sering kali dipenuhi noise yang tidak dapat dihindari. Untuk menghasilkan data yang stabil dan akurat, diperlukan teknik pemrosesan sinyal berupa filter digital. Beberapa filter yang paling umum digunakan dalam sistem embedded adalah Moving Average, Low-Pass Filter, dan Kalman Filter.
Moving Average Filter merupakan filter paling sederhana dan mungkin paling sering digunakan. Prinsipnya adalah menghitung rata-rata dari sejumlah sampel terakhir untuk menghaluskan fluktuasi data. Dengan merata-ratakan nilai, filter ini efektif mengurangi noise acak jangka pendek. Implementasinya sangat ringan, membuatnya ideal untuk mikrokontroler dengan kapasitas pemrosesan terbatas seperti Arduino atau ESP32. Meski begitu, Moving Average memiliki kelemahan: ia memperlambat respons sistem, terutama ketika window size terlalu besar, sehingga tidak cocok untuk aplikasi yang membutuhkan waktu respons cepat.
Low-Pass Filter (LPF) adalah filter lain yang banyak digunakan dalam sistem embedded, terutama yang berbasis model rekursif. LPF bekerja dengan mengizinkan frekuensi rendah melewati filter dan meredam frekuensi tinggi yang dianggap sebagai noise. Bentuk paling umum adalah filter eksponensial sederhana atau exponential moving average. Dalam implementasi embedded, LPF dapat dituliskan sebagai rumus rekursif.
Parameter α menentukan seberapa cepat filter merespons perubahan. Dengan memilih nilai α kecil, filter menghasilkan output yang lebih halus tapi lambat; sebaliknya, α besar menghasilkan output yang lebih responsif tetapi kurang halus. LPF sangat cocok untuk sensor dengan noise tinggi seperti accelerometer, giroskop, atau sensor suhu.
Di tingkat yang lebih canggih, Kalman Filter menjadi raja pemrosesan sinyal di berbagai aplikasi seperti navigasi robot, drone, SLAM, dan kendaraan otonom. Kalman Filter tidak hanya menghaluskan data, tetapi juga memperkirakan kondisi sistem berdasarkan model matematis. Dengan menggabungkan prediksi model dan pengukuran sensor, Kalman Filter menghasilkan estimasi terbaik dengan meminimalkan variansi error. Pendekatan ini dikenal sebagai sensor fusion dan sangat efektif ketika data sensor saling melengkapi, misalnya menggabungkan accelerometer dan gyroscope untuk menghitung orientasi.
Keunggulan utama Kalman Filter adalah kemampuannya memperhitungkan ketidakpastian baik dari model maupun sensor. Hasil estimasinya jauh lebih akurat dibandingkan filter sederhana meskipun data sensor sangat bising. Namun, implementasi Kalman membutuhkan pemahaman mendalam tentang model sistem dan matriks kovarians. Di mikrokontroler modern, terutama yang memiliki unit floating-point, Kalman sudah cukup mudah diimplementasikan, tetapi tetap membutuhkan optimasi agar berjalan efisien.
Selain ketiga filter utama tersebut, terdapat variasi dan teknik lainnya seperti median filter untuk menghilangkan outlier, complementary filter sebagai alternatif ringan dari Kalman, serta filter digital IIR dan FIR untuk aplikasi pemrosesan sinyal yang lebih spesifik. Pemilihan filter yang tepat sangat bergantung pada karakteristik sensor, kecepatan sampling, dan kebutuhan respons sistem.
Penggunaan filter yang tepat sangat menentukan performa sistem embedded. Pada robot self-balancing, misalnya, Kalman Filter atau complementary filter digunakan untuk menghitung sudut kemiringan dengan presisi tinggi. Pada perangkat wearable, LPF menghaluskan data detak jantung atau langkah kaki. Pada drone, sensor IMU yang memiliki noise tinggi menjadi sangat stabil melalui sensor fusion berbasis Kalman. Tanpa filter tersebut, perangkat akan memberikan output yang tidak stabil dan berpotensi menghasilkan perilaku tidak aman.
Dalam dunia IoT yang semakin berkembang, kebutuhan untuk mengolah data sensor secara andal akan semakin penting. Filter digital menyediakan fondasi matematis untuk memastikan bahwa data sensor dapat dipercaya dan digunakan untuk pengambilan keputusan otomatis. Mulai dari filter sederhana seperti Moving Average hingga pendekatan kompleks seperti Kalman, setiap filter memiliki peran dan kelebihan yang membantu sistem embedded mencapai kinerja optimal dalam lingkungan penuh gangguan.
Referensi
- Welch, G., & Bishop, G. (1995). An Introduction to the Kalman Filter. University of North Carolina.
- Brown, R. G., & Hwang, P. Y. C. (2012). Introduction to Random Signals and Applied Kalman Filtering. Wiley.
- Smith, S. W. (1997). The Scientist and Engineer’s Guide to Digital Signal Processing. California Technical Publishing.
- Grewal, M. S., & Andrews, A. P. (2015). Kalman Filtering: Theory and Practice with MATLAB. Wiley.
- Oppenheim, A. V., & Schafer, R. W. (2009). Discrete-Time Signal Processing. Pearson.