Pemanfaatan Metode Kalman Filter Diskrit untuk Menduga Suhu Udara

Billy Arifa Tengger*  -  Universitas Nahdlatul Ulama Purwokerto, Indonesia
Ropiudin Ropiudin  -  Universitas Jenderal Soedirman, Indonesia

(*) Corresponding Author
Suhu adalah variabel fisik yang perlu diketahui secara tepat untuk penggunaan tertentu. Suhu adalah derajat panas dan dingin suatu benda. Derajat panas dan dingin ini dipengaruhi oleh enthalpi (energi) yang dimilki suatu zat. Pendugaan suhu udara dapat memberikan manfaat untuk aktivitas pada beberapa bidang, seperti: pertanian, peternakan, perikanan, kesehatan, dan kegiatan-kegiatan lainnya. Metode Kalman Filter Diskrit merupakan salah satu metode matematika yang dapat digunakan untuk menduga data di masa yang akan datang. Kalman Filter Diskrit memiliki keunggulan mampu menduga suatu kondisi berdasarkan data terbatas. Data pengukuran terbaru menjadi suatu bagian terpenting dalam algoritma Kalman Filter, karena data tersebut akan mengkoreksi data hasil pendugaan, sehingga hasil pendugaan selalu mendekati kondisi sesungguhnya. Berdasarkan hasil kajian yang telah dilakukan menggunakan metode Kalman Filter Diskrit untuk menduga suhu udara diperoleh ketepatan pendugaan nilai suhu udara di atas 95%. Pedugaan dilakukan secara harian dan bulanan. Dengan demikian Kalman Filter Diskrit mampu dan handal untuk pendugaan suhu udara secara harian, bulanan, bahkan tahunan.
  1. Anonim. (2019). Kondisi Cuaca Banyumas. https://www.accuweather.com/id/id/banyumas/202874/weather-forecast/202874. Diakses pada 9 Agustus 2019.
  2. Artanto, N., & Agoestanto, A. (2015). Perbandingan Peramalan Curah Hujan Dengan Metode Bayesian Model Averaging dan Kalman Filter. UNNES Journal of Mathematics, 4(1), 75 – 84
  3. Bishop, G., & Welch, G. (2006). An Introduction to the Kalman Filter. Proc. Siggraph Course. 8, 1 – 16.
  4. Firmansyah, V. (2018). Aplikasi Kalman Filter pada Pembacaan Sensor Suhu untuk Pemantauan Kondisi Ruangan Laboratorium. Jurnal Materian dan Energi Indonesia, 8(1), 1 – 7
  5. Harvey, A. C. (2003). Forecasting Structural Time Series Models and The Kalman Filter. Cambridge University Press. Cambridge
  6. Haykin, S. (2001). Kalman Filtering and Neural Networks. John Wiley & Sons, Inc. New York.
  7. Jesiani, E.M., Apriansyah & Adriat, R. (2019). Model Pendugaan Evaporasi dari Suhu Udara dan Kelembaban Udara Menggunakan Metode Regresi Linier Berganda di Kota Pontianak. Jurnal : Prisma Fisika, 7(1), 46-50.
  8. Kalman, R.E., (1960). A New Approach to Linear Filtering and Prediction Problem. Transactions of the ASME-Journal of Basic Engineering. 82(1), 34 – 45.

Open Access Copyright (c) 2019 Square : Journal of Mathematics and Mathematics Education
Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

Square : Journal of Mathematics and Mathematics Education
Published by Mathematic and Mathematic Education Department of Science and Technology Faculty, Universitas Islam Negeri Walisongo Semarang, Indonesia
Jl Prof. Dr. Hamka Kampus III Ngaliyan Semarang 50185
Website: http://fst.walisongo.ac.id/
Email: square@walisongo.ac.id

ISSN: 2714-609X (Print)
ISSN: 2714-5506 (Online)

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

apps