Estimasi Kesalahan Sensor Pada Kapal Tanpa Awak dengan Menggunakan Metode Adaptive Extended Kalman Filter

Ariyanti, Nur Inka Efril (2024) Estimasi Kesalahan Sensor Pada Kapal Tanpa Awak dengan Menggunakan Metode Adaptive Extended Kalman Filter. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5002201029-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (1MB) | Request a copy

Abstract

Perkembangan teknologi di bidang transportasi laut telah mengalami kemajuan yang pesat seiring berjalannya waktu. Perkembangan teknologi pada kapal dapat mendukung Indonesia untuk memperkuat jati diri sebagai negara maritim. Salah satu bentuk perkembangan tersebut adalah berupa kapal tanpa awak atau Unmanned Surface Vehicle (USV). Secara umum, kapal tanpa awak ini dilengkapi dengan sistem navigasi berupa sensor dan aktuator yang dapat membantu meningkatkan kinerja kapal. Meski demikian, kapal tanpa awak sangat rentan terhadap berbagai potensi kesalahan sensor. Adanya kesalahan sensor dapat berakibat pada penurunan kinerja bahkan ketidakstabilan sistem kapal. Beberapa contoh kesalahan sensor yang terjadi pada kapal antara lain kerusakan pada baling-baling, gangguan listrik, cyber attack, dan kegagalan pada poros kapal. Sehingga diperlukan upaya mitigasi dengan melakukan estimasi kesalahan sensor yang terjadi pada kapal tanpa awak untuk mengetahui seberapa besar kesalahan yang terjadi. Oleh karena itu, penelitian ini dapat bermanfaat sebagai bahan pertimbangan dalam merancang desain kendali yang tepat untuk mengompensasi kesalahan sensor pada kapal tanpa awak. Penelitian ini menggunakan model matematika kapal Extended Korvet SIGMA (Ship Integrated Geometrical Modularity Approach) dengan 2 DOF (Degree Of Freedom) mencakup gerak sway dan yaw. Model tersebut ditambahkan dengan adanya gangguan dan kesalahan sensor. Selanjutnya variabel keadaan dan kesalahan sensor diestimasi dengan metode Adaptive Extended Kalman Filter. Hasil menunjukkan bahwa metode AEKF secara efektif mampu mengestimasi variabel keadaan dan kesalahan sensor secara bersamaan. Hal tersebut ditunjukkan pada hasil simulasi dimana grafik estimasi telah mengikuti data pengukuran yang ada serta didukung oleh perhitungan nilai Root Mean Square Error (RMSE) yang kecil. Adanya variasi pada nilai parameter yang digunakan juga mampu menguji keefektifan metode aekf dalam mengestimasi kesalahan sensor.
========================================================================================================================
Technological developments in the field of marine transportation have progressed rapidly over time. The development of technology on ships can support Indonesia to strengthen its identity as a maritime country. One form of this development is in the form of an unmanned ship or Unmanned Surface Vehicle (USV). In general, unmanned ships are equipped with navigation systems in the form of sensors and actuators that can improve ship performance. However, this makes unmanned ships very vulnerable to various potential sensor errors. The existence of sensor errors can result in decreased performance and even instability of the ship’s system. Some examples of sensor errors that occur on ships include damage to propellers, electrical interference, cyber attacks, and failure of ship shafts. So that mitigation efforts are needed by estimating sensor
errors that occur on unmanned ships. Estimation is done to find out how much error occurs. Therefore, this research can be useful as a consideration in designing the right control design to compensate for sensor errors on unmanned ships. This research uses a mathematical model of the Extended Corvette SIGMA (Ship Integrated Geometrical Modularity Approach) with 2 DOF (Degree of Freedom) including sway and yaw motion. The model is modified with disturbance and sensor error. Furthermore, the sensor error is estimated with the Adaptive Extended Kalman Filter method. The results show that the AEKF method is effectively able to simultaneously estimate state variables and sensor errors. This is demonstrated in the simulation results where the estimation graphs have followed the existing measurement data and are supported by the calculation of small Root Mean Square Error (RMSE) values. The variation in the parameter values used also tests the effectiveness of the aekf method in estimating sensor errors.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Estimasi, Kesalahan Sensor, Metode Adaptive Extended Kalman Filter, Estimation, Sensor Fault, Adaptive Extended Kalman Filter Method
Subjects:	Q Science > QA Mathematics > QA401 Mathematical models. Q Science > QA Mathematics > QA402.3 Kalman filtering.
Divisions:	Faculty of Mathematics, Computation, and Data Science > Mathematics > 44201-(S1) Undergraduate Thesis
Depositing User:	Nur Inka Efril Ariyanti
Date Deposited:	06 Aug 2024 04:51
Last Modified:	06 Aug 2024 04:51
URI:	http://repository.its.ac.id/id/eprint/111365

Actions (login required)

View Item