Analisis Perbandingan Moving Average Filter dan Kalman Filter terhadap Akurasi, Stabilitas, dan Waktu Komputasi pada Sistem Monitoring Suhu dan Kelembapan Berbasis ESP32 Terintegrasi IoT


HUDA, MUHAMMAD FARREL AGATHAN (2026) Analisis Perbandingan Moving Average Filter dan Kalman Filter terhadap Akurasi, Stabilitas, dan Waktu Komputasi pada Sistem Monitoring Suhu dan Kelembapan Berbasis ESP32 Terintegrasi IoT. Skripsi thesis, UNIVERSITAS HASANUDDIN.

[thumbnail of D041221002-8pcwizTSCkjZdbRF-20261014143153.pdf] Text
D041221002-8pcwizTSCkjZdbRF-20261014143153.pdf
Restricted to Repository staff only

Download (9MB)

Abstract (Abstrak)

Latar Belakang. Sensor DHT22 pada sistem IoT menghasilkan pembacaan suhu dan kelembapan yang berfluktuasi. Moving Average Filter meredam fluktuasi dengan merata-ratakan data dalam window tetap. Kalman Filter mengestimasi nilai melalui siklus prediksi dan koreksi dengan perhitungan yang lebih kompleks. Tujuan. Penelitian ini membandingkan Moving Average Filter dan Two State Kalman Filter pada sistem monitoring suhu dan kelembapan berbasis ESP32 terintegrasi Blynk, pada tiga aspek: akurasi terhadap alat referensi, stabilitas data, dan waktu komputasi. Metode. ESP32 membaca sensor DHT22 setiap dua detik dan memproses data mentah pada setiap siklus pembacaan, bukan sekaligus pada seluruh data pengujian. Moving Average Filter memakai window lima data yang bergeser, dan Two State Kalman Filter menggunakan parameter Q dan R yang terpisah untuk suhu dan kelembapan. Kedua filter menerima data mentah yang sama dan berjalan berurutan tanpa saling bergantung. Pengujian indoor dan outdoor masing-masing menghasilkan sekitar 391 sampel selama sekitar 13 menit, dengan thermohygrometer HTC-2 dan DEKKO 642N sebagai referensi. MAE dan RMSE mengukur akurasi, standar deviasi bergulir dari 40 data terakhir mengukur stabilitas, dan benchmarking 1.000 iterasi dengan fungsi micros() mengukur waktu komputasi. Hasil. Terhadap HTC-2, Two State Kalman Filter menurunkan MAE dan RMSE suhu sebesar 83,6% dan 81,0% (indoor) serta 81,4% dan 78,0% (outdoor), dan menurunkan MAE dan RMSE kelembapan sebesar 3,4% dan 9,8% (indoor) serta 59,3% dan 52,4% (outdoor). Terhadap DEKKO 642N, penurunan MAE dan RMSE suhu sebesar 80,0% dan 74,9% (indoor) serta 81,5% dan 78,1% (outdoor), dan penurunan kelembapan sebesar 2,5% dan 9,1% (indoor) serta 64,5% dan 57,3% (outdoor). Moving Average Filter menurunkan MAE dan RMSE hingga 3,0%. Pada stabilitas, Two State Kalman Filter menurunkan standar deviasi suhu sebesar 80,9% (indoor) dan 68,4% (outdoor), serta kelembapan sebesar 51,6% dan 14,9%. Moving Average Filter menurunkan standar deviasi suhu sebesar 48,2% dan 41,3%, serta kelembapan sebesar 10,7% dan 3,4%. Waktu komputasi Moving Average Filter sebesar 0,911 µs dan Two State Kalman Filter sebesar 1,544 µs per pembaruan suhu dan kelembapan, sehingga Moving Average Filter sekitar 41,0% lebih cepat, dan keduanya jauh di bawah interval pembacaan 2.000.000 µs. Kesimpulan. Kalman Filter menghasilkan penurunan error dan standar deviasi terbesar pada pengujian ini karena estimasinya menggabungkan prediksi model dan pengukuran melalui Kalman Gain, sementara Moving Average Filter unggul pada efisiensi komputasi karena operasi matematikanya lebih sederhana.. Kedua metode berjalan tanpa mengganggu siklus kerja ESP32, sehingga pemilihan filter mengikuti prioritas sistem, yaitu kedekatan terhadap referensi dan kehalusan data atau kesederhanaan dan kecepatan komputasi.

Item Type: Thesis (Skripsi)
Uncontrolled Keywords: Moving Average Filter; Kalman Filter; ESP32; Monitoring IoT; Akurasi Sensor; Stabilitas Data.
Subjects: T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions (Program Studi): Fakultas Teknik > Teknik Elektro
Depositing User: Unnamed user with username takdim
Date Deposited: 12 Nov 2026 00:42
Last Modified: 12 Nov 2026 00:42
URI: http://repository.unhas.ac.id:443/id/eprint/61971

Actions (login required)

View Item
View Item