Implementasi Kalibrasi Online pada Sensor IMU MPU6050 menggunakan Radial Basis Function Neural Network (RBF-NN) untuk Reduksi Drift Pengukuran


ZULFAIN, A. (2026) Implementasi Kalibrasi Online pada Sensor IMU MPU6050 menggunakan Radial Basis Function Neural Network (RBF-NN) untuk Reduksi Drift Pengukuran. Skripsi thesis, UNIVERSITAS HASANUDDIN.

[thumbnail of D041221011-SIxFCMgL9vRJyBuN-20261014123045.pdf] Text
D041221011-SIxFCMgL9vRJyBuN-20261014123045.pdf
Restricted to Repository staff only

Download (3MB)

Abstract (Abstrak)

Latar Belakang. Penggunaan sensor IMU berbiaya rendah seperti MPU6050 pada sistem navigasi sering kali terkendala oleh fenomena bias drift akibat perubahan suhu lingkungan (thermal drift) yang dapat menyebabkan akumulasi kesalahan sudut. Metode kalibrasi statis konvensional tidak mampu mengatasi hal ini karena mengasumsikan bias bersifat konstan, sementara hubungan suhu dan bias bersifat kompleks. Tujuan. Penelitian ini bertujuan untuk mengimplementasikan sistem kalibrasi online pada sensor IMU MPU6050 menggunakan Radial Basis Function Neural Network (RBF-NN) pada mikrokontroler ESP32 untuk mereduksi drift giroskop, serta membandingkan kinerjanya dengan pendekatan regresi linear berbasis suhu. Metode. Prototipe sistem dirancang menggunakan sensor MPU6050, ESP32, heater keramik, dan termostat di dalam kotak pengujian. Model RBF-NN dilatih secara offline menggunakan data fase pemanasan pada rentang suhu 34–55°C, lalu parameter model (center, sigma, dan weight) ditanamkan pada ESP32 untuk inferensi real-time. Pengujian sistem dilakukan pada empat skenario variasi suhu, yaitu: pemanasan, pendinginan, fluktuasi acak, dan siklus penuh. Hasil. Hasil pengujian menunjukkan bahwa RBF-NN berhasil mereduksi drift giroskop di atas 40% pada skenario pemanasan, fluktuasi acak, dan siklus penuh, secara konsisten mengungguli regresi linear karena kemampuannya menangkap pola non-linear. Namun, pada skenario pendinginan murni, kedua metode gagal mereduksi drift akibat fenomena histeresis termal. Pada aspek efisiensi, waktu inferensi RBF-NN pada ESP32 tercatat sangat ringan, yakni 0,0611 ms dengan penggunaan memori 0,0664 KiB. Kesimpulan. Metode kalibrasi berbasis RBF-NN terbukti sangat layak diterapkan pada sistem embedded real-time karena kebutuhan komputasinya yang jauh di bawah batas maksimal. RBF-NN memberikan tingkat akurasi kalibrasi yang optimal pada domain suhu pelatihannya, namun ke depannya diperlukan strategi pemodelan tambahan untuk mengatasi penurunan performa akibat histeresis termal saat proses pendinginan.

Item Type: Thesis (Skripsi)
Uncontrolled Keywords: Kalibrasi Online; Sensor MPU6050; RBF-NN; Drift Giroskop; Histeresis Termal; Mikrokontroler ESP32.
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 00:08
Last Modified: 12 Nov 2026 00:08
URI: http://repository.unhas.ac.id:443/id/eprint/61965

Actions (login required)

View Item
View Item