IMPLEMENTASI METODE KALMAN FILTER UNTUK ESTIMASI LAJU PERUBAHAN POSISI KENDARAAN
DOI:
https://doi.org/10.36815/semastek.v2i1.139Keywords:
kalman filter, estimasi laju, kendaraanAbstract
Hasil penelitian ini menunjukkan bahwa penggunaan Kalman filter sebagai metode estimasi kecepatan kendaraan memperlihatkan tingkat akurasi yang baik. Pengujian keakuratan sistem dilakukan dengan menggunakan MSE (Mean Square Error) sebagai metrik evaluasi, dan hasilnya menunjukkan nilai sebesar 0,276157. Angka ini mengindikasikan bahwa estimasi kecepatan yang dihasilkan oleh sistem relatif dekat dengan nilai sebenarnya, sehingga dapat dianggap akurat.Namun, perlu dicatat bahwa terdapat perbedaan dalam akurasi deteksi kecepatan antara kendaraan roda empat dan sepeda motor. Hasil pengujian menunjukkan bahwa deteksi kecepatan sepeda motor menghasilkan nilai MSE sebesar 4,703646, yang menunjukkan tingkat ketidakakuratan yang lebih tinggi dibandingkan dengan kendaraan roda empat. Perbedaan ini bisa disebabkan oleh karakteristik pergerakan yang berbeda antara kedua jenis kendaraan.Peningkatan akurasi deteksi kecepatan sepeda motor perlu menjadi fokus pengembangan selanjutnya. Dengan melakukan perbaikan dan penyesuaian algoritma yang digunakan untuk deteksi kecepatan sepeda motor, diharapkan hasilnya dapat semakin mendekati 0 pada nilai MSE, sehingga tingkat akurasi akan semakin tinggi. Hal ini akan membantu petugas lalu lintas dalam memantau lalu lintas dengan lebih efektif dan mendukung penegakan peraturan lalu lintas yang lebih baik.
References
M. K. A. Fauzi, B. Firman, and A. Novianta, “Pengukur Kecepatan Kendaraan Di Kawasan Pemukiman Menggunakan Algoritma Image Subtracting Berbasis Opencv,” J. Elektr., pp. 38–45, 2017.
H. Rahmani, A. Gazali, J. Jarkawi, and M. I. Ramli, “Analisis Hubungan Kecepatan Terhadap Kecelakaan Lalu-Lintas Di Kota Banjarmasin,” J. Indones. Road Saf., vol. 2, no. 1, p. 45, 2019, doi: 10.19184/korlantas-jirs.v2i1.15033.
A. L. E. R. Cindy Irene Kawulur, T.K. Sendow, E. Lintong, “Pengemudi ( Studi Kasus Ruas Jalan Manado-Bitung ),” J. Sipil Statik, vol. 1, no. 4, pp. 289–297, 2013.
O. Palega, S. Wardoyo, and R. Wiryadinata, “Estimasi Kecepatan Kendaraan Menggunakan Kalman Filter,” Setrum, vol. 2, no. 2, 2013.
R. F. Waliulu, “Deteksi dan Penggolongan Kendaraan dengan Kalman Filter dan Model Gaussian di Jalan Tol,” J. Sist. Inf. Bisnis, vol. 8, no. 1, p. 1, 2018, doi: 10.21456/vol8iss1pp1-8.
M. Zulfikri, K. Abd Latif, R. Hammad, M. Syahrir, and P. Studi, “Deteksi dan Estimasi Kecepatan Kendaraan dalam Sistem Pengawasan Lalu Lintas Menggunakan Pengolahan Citra Detection and Estimation of Vehicle Speed in Traffic Control Systems Using Image Processing,” Agustus, vol. 20, no. 3, pp. 455–467, 2021.
S. Yulina, “Implementation of Haar Cascade Classifier for Face Detection and Grayscale Image Transformation Using OpenCV,” J. Komput. Terap., vol. 7, no. Vol. 7 No. 1 (2021), pp. 100–109, 2021, doi: 10.35143/jkt.v7i1.3411.
R. Wiryadinata, “Kalman Filter Sebagai Metode Estimasi Untuk Mengukur Kecepatan Kendaraan,” Teknoin, vol. 20, no. 4, pp. 1–8, 2014, doi: 10.20885/teknoin.vol20.iss4.art8.
A. R. Putri, “Pengolahan Citra Dengan Menggunakan Web Cam Pada Kendaraan Bergerak Di Jalan Raya,” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran Inform., vol. 1, no. 01, pp. 1–6, 2016, doi: 10.29100/jipi.v1i01.18.
J. Ren, M. Zhang, C. Yu, and Z. Liu, “Balanced MSE for Imbalanced Visual Regression,” Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit., vol. 2022-June, pp. 7916–7925, 2022, doi: 10.1109/CVPR52688.2022.00777.
