Performance Comparison of LiDAR and Ultrasonic Sensors with

Adaptive Moving Average Filter (MAF) for Distance Measurement

Farid Baskoro 1, Lilik Anifah 2, Aristyawan Putra 3, Miftahur Rohman 4 (10 pt)
1
State University of Surabaya, Ketintang Street, Surabaya, Indonesia
2
State University of Surabaya, Ketintang Street, Surabaya, Indonesia
3
State University of Surabaya, Ketintang Street, Surabaya, Indonesia
4
State University of Surabaya, Ketintang Street, Surabaya, Indonesia

ARTICLE INFO ABSTRACT (10 PT)

Article history: Penelitian ini membahas penerapan adaptive moving average filter (MAF)
Received July 28, 2021 untuk meningkatkan stabilitas dan keandalan pembacaan data pada sensor
Revised August 28, 2021 ultrasonik dan LiDAR. Filter ini berfungsi menstabilkan sinyal dengan
Published September 28, 2021
mengurangi noise, sambil tetap mempertahankan sensitivitas terhadap
perubahan mendadak dalam data. Pada sensor ultrasonik, filter dengan nilai
n=5 memberikan respon cepat, namun pengurangan noise kurang optimal.
Keywords:
Sebaliknya, nilai n=10 dan n=15 memberikan hasil yang lebih halus, namun
adaptive moving average filter;
dengan kecepatan respon yang menurun. Hasil serupa ditemukan pada
sensor ultrasonik;
sensor LiDAR, di mana adaptive MAF secara dinamis menyesuaikan nilai n
LiDAR;
berdasarkan fluktuasi sinyal, memberikan keseimbangan antara sensitivitas
noise reduction;
dan kestabilan. Penelitian ini menunjukkan bahwa penerapan adaptive MAF
fluktuasi sinyal;
efektif dalam mengurangi noise sekaligus menjaga responsivitas terhadap
perubahan penting dalam data pengukuran, baik pada sensor ultrasonik
maupun LiDAR. Hasil ini sangat penting untuk aplikasi yang memerlukan
keandalan tinggi dalam kondisi data yang berfluktuasi atau terpengaruh oleh
lingkungan.

This work is licensed under a Creative Commons Attribution-Share Alike 4.0

Corresponding Author:
Coresponding Author Name, Affiliation, Address, City and Postcode, Country
Email: xxx@[Link]

Introduction
Pengukuran jarak yang akurat dan stabil merupakan komponen esensial dalam berbagai aplikasi
teknologi modern. Dalam robotika, misalnya, kemampuan untuk mendeteksi dan mengukur jarak
dengan presisi sangat penting untuk menghindari rintangan, menavigasi lingkungan yang
kompleks, dan melakukan tugas-tugas yang memerlukan interaksi yang tepat dengan objek di
sekitar. Di bidang otomasi industri, sensor jarak digunakan untuk mengontrol mesin dan proses
dengan akurasi tinggi, memastikan efisiensi operasional, dan mengurangi potensi kesalahan yang
dapat menyebabkan kerugian produksi. Selain itu, dalam sistem navigasi otonom, seperti pada
kendaraan otonom dan drone, kemampuan untuk mengukur jarak secara real-time dan dengan
akurasi tinggi adalah kunci untuk menjamin keselamatan dan keandalan dalam pengoperasian.
Untuk mencapai pengukuran jarak yang presisi, dua jenis sensor yang sering digunakan adalah
sensor ultrasonik dan LiDAR (Light Detection and Ranging). Sensor ultrasonik telah lama
digunakan karena kesederhanaan dan biayanya yang relatif rendah. Sensor ini bekerja dengan
mengirimkan gelombang suara ultrasonik yang tidak dapat didengar oleh manusia. Ketika
gelombang ini memantul kembali setelah mengenai objek, sensor mengukur waktu yang
dibutuhkan untuk perjalanan bolak-balik gelombang tersebut. Berdasarkan waktu yang diukur
ini, jarak ke objek dapat dihitung dengan menggunakan kecepatan suara di udara. Karena prinsip
kerjanya yang sederhana, sensor ultrasonik banyak digunakan dalam aplikasi seperti sistem
parkir otomatis, pengukur level cairan, dan robot navigasi [1] [2] [3] [4].
Di sisi lain, LiDAR menawarkan pendekatan yang lebih canggih dengan menggunakan pulsa
cahaya, biasanya dalam spektrum inframerah atau cahaya tampak. Ketika pulsa cahaya ini
dipancarkan dan mengenai objek, sebagian dari cahaya tersebut akan dipantulkan kembali ke
sensor. LiDAR kemudian mengukur waktu tempuh cahaya yang dipantulkan untuk menentukan
jarak [5] [6]. Karena cahaya bergerak jauh lebih cepat daripada suara, LiDAR mampu
memberikan resolusi yang sangat tinggi dan presisi dalam pengukuran jarak. Ini membuat
LiDAR menjadi pilihan utama dalam aplikasi yang memerlukan tingkat detail yang tinggi,
seperti pemetaan 3D, sistem pemanduan kendaraan otonom, dan penginderaan jarak jauh dalam
berbagai kondisi cuaca.
Kedua sensor ini memiliki karakteristik dan keunggulan masing-masing. Sensor ultrasonik
umumnya lebih murah dan lebih mudah diimplementasikan, namun rentan terhadap gangguan
dari noise lingkungan dan memiliki resolusi yang lebih rendah. Sebaliknya, LiDAR menawarkan
resolusi yang lebih tinggi dan performa yang lebih baik dalam berbagai kondisi lingkungan,
tetapi dengan biaya yang lebih tinggi.
Namun, baik sensor ultrasonik maupun LiDAR dapat mengalami ketidakstabilan dalam
pembacaan jarak akibat noise atau perubahan kondisi lingkungan yang cepat. Untuk mengatasi
hal ini, penggunaan filter sinyal seperti moving average dapat membantu menstabilkan
pembacaan dengan mereduksi noise yang terdeteksi oleh sensor. Lebih jauh lagi, adaptasi filter
moving average yang disesuaikan dengan kondisi real-time adaptive moving average diharapkan
mampu memberikan kestabilan yang lebih baik dibandingkan filter statis. Hal ini sesuai dengan
penelitian terdahulu yang menyebutkan bahwa filter moving average dapat menstabilkan
fluktuasi dari sistem yang digunakan [7] [8] [9] [10]. Filter Moving Average Filter (MAF)
memiliki peran penting dalam pembacaan sensor, terutama ketika data yang dihasilkan sensor
cenderung fluktuatif akibat adanya gangguan atau noise [11] [12]. Dalam berbagai aplikasi,
seperti pengukuran jarak menggunakan sensor ultrasonik atau LiDAR, data yang akurat dan
stabil sangat diperlukan untuk mendukung kinerja sistem yang optimal. MAF bekerja dengan
cara menghitung rata-rata dari beberapa sampel data sebelumnya, sehingga mampu meredam
fluktuasi yang tidak diinginkan dan memberikan pembacaan yang lebih stabil [13]. Dengan
menggunakan filter ini, nilai pengukuran sensor menjadi lebih halus dan mendekati nilai
sebenarnya, yang sangat penting dalam aplikasi real-time. Selain itu, MAF adaptif
memungkinkan filter untuk menyesuaikan jumlah sampel yang digunakan berdasarkan kondisi
lingkungan atau tingkat noise, sehingga meningkatkan akurasi pengukuran [14] [15] [16] [17].
Penelitian ini bertujuan untuk membandingkan kinerja sensor ultrasonik dan LiDAR dalam
pengukuran jarak, baik dalam kondisi standar maupun dengan penerapan adaptive moving
average. Melalui pengujian ini, diharapkan dapat diidentifikasi sensor mana yang lebih unggul
dalam aplikasi tertentu dan sejauh mana penggunaan adaptive moving average dapat
meningkatkan akurasi dan stabilitas pembacaan jarak dari kedua jenis sensor tersebut.
Method
Sensor ultrasonik HC-SR04 adalah sensor jarak yang populer dan banyak digunakan untuk
mendeteksi objek dan mengukur jarak secara akurat. Sensor ini bekerja dengan memancarkan
gelombang suara ultrasonik dan mengukur waktu yang diperlukan oleh gelombang tersebut
untuk memantul kembali setelah mengenai suatu objek. Berdasarkan waktu perjalanan
gelombang, sensor ini dapat menghitung jarak objek dengan presisi. Sensor HC-SR04 terdiri dari
dua bagian utama, yaitu pemancar ultrasonik (transmitter) dan penerima ultrasonik (receiver).
Pemancar mengeluarkan gelombang suara ultrasonik dengan frekuensi 40 kHz.
LiDAR (Light Detection and Ranging) adalah teknologi penginderaan yang menggunakan pulsa
cahaya untuk mengukur jarak antara sensor dan objek yang ditargetkan. Prinsip kerjanya
melibatkan pemancaran pulsa cahaya, biasanya dalam spektrum inframerah atau cahaya tampak,
dari sumber laser ke objek. Setelah pulsa cahaya mengenai objek, cahaya tersebut dipantulkan
kembali ke sensor. Dengan mengukur waktu yang dibutuhkan oleh pulsa cahaya untuk kembali,
Penelitian ini dirancang sebagai penelitian eksperimental yang bertujuan untuk membandingkan
kinerja sensor ultrasonik (seperti HC-SR04) dengan LiDAR dalam hal akurasi dan stabilitas
pengukuran jarak, baik pada sistem standar maupun dengan penerapan adaptive moving average.
Untuk mencapai tujuan ini, sejumlah peralatan dan bahan akan digunakan, termasuk sensor HC-
SR04 dan modul LiDAR, mikrokontroler Arduino Due, komputer untuk pemrograman dan
analisis data, serta perangkat tambahan seperti breadboard, kabel jumper, sumber daya listrik,
dan alat ukur untuk kalibrasi.
Proses penelitian dimulai dengan persiapan alat dan pengaturan eksperimen. Sensor HC-SR04
dan modul LiDAR akan dirangkai pada mikrokontroler Arduino Due, dan lingkungan pengujian
yang terkontrol akan disiapkan dengan berbagai objek yang ditempatkan pada jarak 25 cm dan
diberi gangguan menuju ke 18 cm
Selanjutnya, data pengukuran akan dikumpulkan pada sistem standar, di mana mikrokontroler
diprogram untuk membaca data jarak dari kedua sensor tanpa menerapkan filter apa pun.
Pengukuran akan dilakukan dengan menempatkan objek pada berbagai posisi dan jarak, dan
hasil pengukuran dari kedua sensor akan dicatat. Pengukuran ini akan diulang beberapa kali
untuk setiap jarak guna mendapatkan data yang cukup untuk analisis statistik.
Setelah itu, data pengukuran akan dikumpulkan kembali, namun kali ini dengan implementasi
adaptive moving average pada mikrokontroler untuk memproses data dari kedua sensor.
Prosedur pengukuran yang sama akan diulang, tetapi dengan filter adaptive moving average
diaktifkan. Hasil pengukuran dari kedua sensor setelah diproses oleh filter akan dicatat dan
dibandingkan dengan data yang dikumpulkan sebelumnya.
Langkah terakhir adalah analisis data, di mana hasil pengukuran dari kedua sensor pada sistem
standar dan sistem dengan adaptive moving average akan dibandingkan. Analisis ini akan
memberikan wawasan tentang sejauh mana adaptive moving average dapat meningkatkan
kualitas pengukuran jarak dan sensor mana yang lebih unggul dalam berbagai kondisi pengujian.

Result
Nilai n pada moving average filter merujuk pada jumlah sampel yang digunakan untuk
menghitung rata-rata bergerak. Ketika nilai n meningkat, jumlah sampel yang digunakan dalam
perhitungan rata-rata juga meningkat, yang menghasilkan efek smoothing yang lebih signifikan
pada sinyal. Pada konfigurasi n=5, moving average mengambil rata-rata dari 5 sampel terakhir.
Efek smoothing yang dihasilkan cukup moderat, sehingga sinyal output masih dapat merespon
perubahan pada sinyal input dengan relatif cepat. Namun, noise yang ada pada sinyal input
mungkin tidak sepenuhnya dihilangkan, terutama jika noise tersebut memiliki frekuensi yang
cukup tinggi. Ini membuat konfigurasi n=5 cocok untuk aplikasi di mana respon cepat terhadap
perubahan sinyal lebih diutamakan daripada pengurangan noise secara maksimal. Dengan nilai
n=10, smoothing yang diterapkan menjadi lebih kuat dibandingkan dengan n=5. Hasilnya, sinyal
output menjadi lebih halus, dengan noise yang lebih efektif dihilangkan. Namun, peningkatan
dalam smoothing ini datang dengan konsekuensi berupa penurunan kecepatan respon terhadap
perubahan tiba-tiba pada sinyal input. Dalam aplikasi di mana kestabilan sinyal lebih penting
daripada respon cepat, seperti dalam pemantauan data yang lebih lambat berubah, n=10 dapat
memberikan hasil yang optimal. Pada n=15, efek smoothing menjadi yang paling kuat di antara
ketiga nilai yang diuji. Sinyal output yang dihasilkan sangat halus, dengan noise hampir
seluruhnya dihilangkan. Namun, respon terhadap perubahan cepat pada sinyal input menjadi
lebih lambat, karena sistem memerlukan waktu lebih lama untuk mencerminkan perubahan
tersebut dalam sinyal output. Konfigurasi ini lebih sesuai untuk aplikasi di mana sinyal input
cenderung stabil atau ketika perubahan yang tiba-tiba tidak diharapkan, seperti dalam sistem
kontrol yang memerlukan kestabilan tinggi.

Figure 1. Bode plot n=5

Bode plot yang ditampilkan pada gambar 1 menunjukkan respons frekuensi dari filter moving
average dengan n = 5. Plot ini terdiri dari dua bagian utama: grafik magnitudo (dB) terhadap
frekuensi (rad/s) di bagian atas, dan grafik fase (derajat) terhadap frekuensi di bagian bawah.
Pada grafik magnitudo, kita melihat bahwa untuk frekuensi rendah (pada sumbu x di sekitar 10 -2
hingga 10-1 rad/s), magnitudo filter berada di sekitar 0 dB, yang menunjukkan bahwa sinyal pada
frekuensi rendah dilewatkan tanpa banyak attenuasi. Namun, saat frekuensi meningkat, terjadi
penurunan magnitudo yang signifikan di sekitar frekuensi 1 rad/s. Ini menunjukkan bahwa filter
mulai melemahkan sinyal frekuensi tinggi. Lebih lanjut, ada pola null atau nol (null frequency)
pada frekuensi tertentu, di mana magnitudo turun drastis hingga sekitar -40 dB. Ini adalah
karakteristik dari filter moving average, di mana frekuensi tertentu benar-benar tereliminasi
karena sifat dari filter yang memiliki periodisitas tertentu.
Pada grafik fase, kita melihat bahwa pada frekuensi rendah, fase filter sedikit mengalami
pergeseran negatif (di bawah 0 derajat). Saat frekuensi meningkat, pergeseran fase menjadi lebih
signifikan, mencapai hingga -90 derajat di sekitar frekuensi 1 rad/s, dan terus menurun dengan
meningkatnya frekuensi. Pergeseran fase ini menunjukkan bahwa sinyal yang melewati filter
mengalami keterlambatan waktu yang bertambah seiring dengan peningkatan frekuensi.
Secara keseluruhan, bode plot menunjukkan bahwa filter moving average dengan n = 5 memiliki
sifat low-pass, di mana sinyal frekuensi rendah dilewatkan, sementara sinyal frekuensi tinggi
semakin dilemahkan. Karakteristik fase yang menurun juga menunjukkan adanya pergeseran
waktu yang lebih signifikan pada sinyal frekuensi tinggi. Hal ini penting dalam aplikasi yang
memerlukan penyesuaian atau kompensasi terhadap efek filter pada sinyal asli.

Figure 2. Bode plot n=10

Bode plot yang ditampilkan pada gambar 2 menggambarkan respons frekuensi dari filter moving
average dengan n = 10. Seperti pada Bode plot sebelumnya, plot ini terdiri dari dua bagian:
grafik magnitudo (dB) terhadap frekuensi (rad/s) di bagian atas, dan grafik fase (derajat)
terhadap frekuensi di bagian bawah.
Grafik magnitudo menunjukkan bahwa untuk frekuensi rendah, filter hampir tidak mengurangi
sinyal, dengan magnitudo mendekati 0 dB. Namun, saat frekuensi meningkat mendekati 1 rad/s,
magnitudo mulai berkurang secara signifikan. Pada plot ini, terlihat bahwa ada lebih banyak titik
null dibandingkan dengan filter dengan n = 5. Null ini terjadi pada frekuensi yang lebih tinggi, di
mana magnitudo turun drastis, bahkan mencapai sekitar -300 dB pada frekuensi tertentu.
Fenomena ini menunjukkan bahwa filter moving average dengan n = 10 menghilangkan
komponen sinyal pada frekuensi tertentu lebih banyak dibandingkan dengan filter dengan n = 5,
karena lebih banyak komponen frekuensi yang dihilangkan.
Pada grafik fase, terlihat bahwa fase filter tetap stabil pada frekuensi rendah, namun mulai
menurun seiring peningkatan frekuensi. Pada frekuensi sekitar 1 rad/s, fase turun mendekati -90
derajat, menunjukkan adanya penundaan yang cukup signifikan pada sinyal yang difilter. Fase
kemudian terus menurun dengan beberapa perubahan tajam, yang merupakan hasil dari adanya
null pada frekuensi tertentu. Pola fase yang bergelombang ini juga menandakan bahwa sinyal
mengalami pergeseran fase yang lebih besar dan bervariasi pada frekuensi yang lebih tinggi.
Secara keseluruhan, bode plot ini menunjukkan bahwa filter moving average dengan n = 10
memiliki karakteristik low-pass yang lebih kuat dibandingkan dengan filter dengan n = 5. Filter
ini menghaluskan sinyal dengan lebih baik, menghilangkan lebih banyak komponen frekuensi
tinggi, namun dengan pengorbanan yang lebih besar pada kecepatan respon sinyal terhadap
perubahan mendadak. Hasil ini menunjukkan bahwa filter dengan n = 10 lebih efektif dalam
mengurangi noise, tetapi pada frekuensi tertentu, dapat menyebabkan hilangnya informasi
penting dalam sinyal asli.

Figure 3. Bode plot n=15

Bode plot pada gambar ini menggambarkan respons frekuensi dari filter moving average dengan
n = 15. Seperti pada contoh sebelumnya, plot ini terdiri dari dua bagian: grafik magnitudo (dB)
terhadap frekuensi (rad/s) di bagian atas, dan grafik fase (derajat) terhadap frekuensi di bagian
bawah. Pada grafik magnitudo, kita melihat bahwa untuk frekuensi rendah (di bawah 1 rad/s),
magnitudo tetap dekat dengan 0 dB, menunjukkan bahwa sinyal frekuensi rendah tidak
diattenuasi secara signifikan. Namun, saat frekuensi mendekati 1 rad/s, magnitudo mulai turun
tajam, mengindikasikan bahwa sinyal frekuensi tinggi mulai tereliminasi. Dengan n = 15,
terdapat lebih banyak titik null atau penurunan drastis di beberapa frekuensi, mirip dengan efek
yang terlihat pada nilai n = 10, namun dengan lebih banyak osilasi dan penurunan mendalam.
Nilai magnitudo pada null ini bahkan mencapai sekitar -80 dB, menandakan bahwa frekuensi-
frekuensi tertentu benar-benar diredam. Filter dengan n = 15 memiliki lebih banyak null
dibandingkan filter dengan nilai n yang lebih rendah, yang memperjelas bahwa lebih banyak
frekuensi yang dihilangkan.
Grafik fase menunjukkan bahwa pada frekuensi rendah, pergeseran fase cukup ringan dan
mendekati 0 derajat. Namun, seiring meningkatnya frekuensi, fase mulai turun lebih cepat dan
mencapai sekitar -90 derajat di dekat 1 rad/s. Seiring dengan penambahan frekuensi, fase terus
menurun hingga mendekati -200 derajat, menunjukkan penundaan yang signifikan pada sinyal
yang lebih tinggi. Karakteristik fase yang menurun dengan tajam dan adanya osilasi
menunjukkan bahwa sinyal yang melewati filter mengalami penundaan waktu yang lebih
kompleks pada frekuensi tinggi, serupa dengan filter dengan nilai n yang lebih rendah, tetapi
lebih kompleks.
Secara keseluruhan, bode plot ini mengindikasikan bahwa filter moving average dengan n = 15
sangat efektif untuk meredam sinyal pada frekuensi tinggi, dengan lebih banyak titik null yang
menunjukkan eliminasi frekuensi tertentu. Namun, ini juga menyebabkan pergeseran fase yang
lebih signifikan dan osilasi lebih banyak pada frekuensi tinggi. Filter ini cocok digunakan dalam
aplikasi yang membutuhkan penghalusan data yang lebih signifikan dan perlindungan terhadap
noise frekuensi tinggi, namun dengan potensi mengorbankan respon terhadap sinyal berfrekuensi
tinggi.

Figure 4. Matlab block system MAF

Gambar 4 menunjukkan model Simulink yang digunakan untuk memfilter data sensor ultrasonik
dan LiDAR menggunakan Moving Average Filter (MAF) dengan ukuran jendela (n) yang
berbeda, yaitu 5, 10, dan 15. Sensor ultrasonik terhubung dengan Arduino, yang bertugas
membaca data jarak dari sensor tersebut. Data jarak mentah ini kemudian diproses melalui tiga
jalur paralel, masing-masing mewakili MAF dengan ukuran jendela 15, 10, dan 5. Setelah
melalui proses penyaringan, data tersebut dikirimkan ke blok tampilan untuk menampilkan
hasilnya.
 Figure 5. MAF result (left); Adaptive MAF of ultrasonic (right)
Gambar 5 menampilkan tiga grafik yang mengilustrasikan data yang diambil dari sensor
ultrasonik HC-SR04 selama periode waktu sekitar 300 detik. Grafik pertama menunjukkan Raw
data of HC-SR04 di mana sumbu y merepresentasikan jarak dalam cm yang diukur oleh sensor
pada setiap detik sumbu x. Data ini terlihat cukup fluktuatif, terutama di awal pengukuran, di
mana ada lonjakan dan penurunan yang tajam. Grafik kedua menyajikan Mean of Diffs for Each
Loop yang menggambarkan rata-rata selisih dari nilai jarak yang diukur pada setiap loop atau
iterasi. Dari grafik ini terlihat bahwa ada variabilitas yang cukup besar pada awal pengukuran,
namun seiring waktu, rata-rata perbedaan nilai cenderung menurun dan lebih konsisten.
Perubahan nilai mean of diff pada grafik kedua berasal dari fluktuasi nilai raw data yang terlihat
pada grafik pertama. Fluktuasi ini terjadi karena adanya gangguan yang sengaja diperkenalkan
selama pembacaan nilai jarak oleh sensor ultrasonik HC-SR04. Ketika sensor mengalami
gangguan, seperti interferensi dari sumber eksternal atau kondisi lingkungan yang tidak stabil,
nilai jarak yang diukur menjadi tidak konsisten dan cenderung berfluktuasi. Fluktuasi ini
dihitung dalam setiap loop, dan rata-rata dari perbedaan nilai jarak ini dihasilkan sebagai mean
of diff.
Semakin besar gangguan yang mempengaruhi pembacaan sensor, semakin besar pula fluktuasi
yang tercermin dalam mean of diff. Sebaliknya, ketika gangguan berkurang atau kondisi stabil,
fluktuasi juga akan menurun, menghasilkan nilai mean of diff yang lebih kecil. Aturan yang
mengatur nilai n kemudian disesuaikan berdasarkan nilai mean of diff ini, dengan tujuan untuk
menyeimbangkan jumlah pengukuran dalam setiap loop. Pada saat fluktuasi besar (gangguan
tinggi), jumlah pengukuran dikurangi n=5 untuk meningkatkan sensitivitas terhadap perubahan
besar. Sebaliknya, ketika fluktuasi lebih rendah (gangguan kecil), jumlah pengukuran
ditingkatkan n=15 untuk meningkatkan stabilitas dan keandalan data yang dihasilkan.
Grafik ketiga menampilkan N Values for Each Loop yang menunjukkan jumlah nilai pengukuran
n yang digunakan dalam setiap loop. Jumlah ini juga berfluktuasi dengan cukup tajam pada
beberapa detik awal, menunjukkan ketidakstabilan data atau variasi dalam proses pengukuran.
nilai n pada grafik ketiga bergantung pada fluktuasi rata-rata yang ditunjukkan pada grafik
kedua, yaitu Mean of Diffs for Each Loop. Nilai n merepresentasikan jumlah pengukuran yang
dipertimbangkan dalam setiap loop, dan perubahannya mengikuti aturan tertentu berdasarkan
besar kecilnya fluktuasi rata-rata. Jika mean of diff > 1.369 maka nilai n akan diatur menjadi 5.
Kondisi ini menunjukkan bahwa fluktuasi dalam data cukup besar, sehingga pengurangan jumlah
pengukuran dalam loop bertujuan untuk meningkatkan sensitivitas terhadap perubahan yang
signifikan.
Jika mean of diff berada antara 1 dan 1.369, maka nilai n akan diatur menjadi 10. Kondisi ini
menunjukkan fluktuasi yang moderat. Dengan mengatur n ke 10, ada keseimbangan antara
sensitivitas terhadap perubahan dan stabilitas data yang diperoleh. Jika mean of diff ≤ 1, maka
nilai n akan diatur menjadi 15. Kondisi ini menunjukkan bahwa fluktuasi dalam data relatif kecil,
sehingga lebih banyak pengukuran dalam loop digunakan untuk menghasilkan data yang lebih
stabil dan andal. Dari grafik ketiga, dapat dilihat bagaimana nilai N berubah mengikuti aturan
ini. Ketika fluktuasi rata-rata tinggi, nilai N cenderung rendah (N = 5), dan ketika fluktuasi
berkurang, nilai N meningkat (N = 10 atau N = 15), menghasilkan pengukuran yang lebih stabil
dan lebih tahan terhadap gangguan. Ini mencerminkan strategi adaptif dalam penanganan data
pengukuran untuk menjaga keseimbangan antara sensitivitas dan stabilitas.

Figure 6. Raw data vs Filtered data of ultrasonic (left); Adaptive MAF of Lidar (right)
Gambar 6 bagian kiri menampilkan dua grafik yang membandingkan raw data dari sensor
ultrasonik HC-SR04 dengan hasil data yang telah diproses menggunakan Adaptive Moving
Average Filter. Grafik pertama menunjukkan Raw data of HC-SR04 yang mengilustrasikan jarak
(dalam cm) yang diukur oleh sensor dari waktu ke waktu. Seperti yang terlihat, raw data
memiliki banyak fluktuasi, terutama di bagian awal pengukuran, dengan beberapa lonjakan dan
penurunan yang tajam. Hal ini mencerminkan gangguan yang sengaja diperkenalkan atau
ketidakstabilan dalam lingkungan pengukuran. Grafik kedua menunjukkan Filtered Data with
Adaptive Moving Average Filter yang menggambarkan data yang telah disaring menggunakan
filter rata-rata bergerak adaptif. Hasil dari proses filtering ini menunjukkan data yang lebih halus
dan stabil dibandingkan dengan raw data. Fluktuasi yang terlihat pada grafik pertama telah
berkurang secara signifikan, terutama di awal pengukuran, di mana lonjakan dan penurunan
tajam telah diatasi, menghasilkan garis yang lebih mulus.
Adaptive MAF ini bekerja dengan menyesuaikan ukuran jendela filter secara dinamis
berdasarkan tingkat fluktuasi yang terdeteksi dalam data. Ketika fluktuasi tinggi terdeteksi, filter
mungkin menggunakan ukuran jendela yang lebih besar untuk menghaluskan data lebih banyak,
sementara pada fluktuasi rendah, ukuran jendela bisa lebih kecil, memungkinkan respons yang
lebih cepat terhadap perubahan data yang lebih halus. Hasilnya adalah pengurangan noise secara
efektif, sambil mempertahankan ketepatan pengukuran asli sejauh mungkin. Secara keseluruhan,
penggunaan Adaptive Moving Average Filter dalam proses ini meningkatkan kualitas data
dengan mengurangi gangguan dan noise, sehingga menghasilkan data yang lebih konsisten dan
andal untuk analisis lebih lanjut.
Dalam 6 bagian kanan, terlihat bahwa eksperimen menggunakan sensor LiDAR dengan
gangguan pembacaan dilakukan untuk menguji nilai parameter n pada adaptive Moving Average
Filter (MAF). Grafik pertama menunjukkan data jarak asli dari sensor LiDAR yang diambil
secara real-time. Terlihat adanya fluktuasi yang signifikan dalam data, terutama di bagian
tertentu, yang mungkin disebabkan oleh gangguan atau noise pada sensor. Grafik kedua
memperlihatkan rata-rata dari perbedaan nilai mean of diffs pada setiap loop. Nilai ini digunakan
untuk mendeteksi tingkat perubahan dalam data jarak dan memberikan gambaran tentang
seberapa besar fluktuasi yang terjadi. Terlihat bahwa rata-rata perbedaan ini mengalami variasi
yang cukup besar di beberapa titik waktu, terutama pada interval waktu sekitar 200 hingga 260
detik. Fluktuasi yang tajam ini mencerminkan gangguan atau perubahan signifikan dalam data
jarak.
Grafik ketiga menampilkan nilai n yang dipilih oleh adaptive MAF pada setiap loop berdasarkan
rata-rata perubahan yang dihitung. Nilai n diatur secara dinamis, di mana terlihat bahwa nilai n
berfluktuasi antara 5, 10, dan 15. Ketika perubahan dalam data jarak lebih stabil, nilai n
cenderung lebih tinggi n, menunjukkan bahwa filter menggunakan lebih banyak data untuk
merata-ratakan nilai. Namun, ketika ada fluktuasi tajam atau perubahan besar, nilai n berkurang,
menunjukkan bahwa filter menyesuaikan diri dengan menggunakan lebih sedikit data untuk
merespons perubahan lebih cepat.

Figure 7. Raw data vs Filtered data of Lidar

Dalam gambar 7, perbandingan antara data asli dan data yang telah difilter menggunakan
adaptive Moving Average Filter (MAF) ditampilkan. Grafik pertama kembali menunjukkan data
asli dari sensor LiDAR, dengan fluktuasi dan gangguan yang jelas terlihat pada beberapa titik.
Ini mengindikasikan adanya ketidakstabilan dalam pembacaan jarak, yang dapat mempengaruhi
keakuratan pengukuran.
Grafik kedua menampilkan data yang telah difilter menggunakan adaptive MAF. Terlihat bahwa
filter ini berhasil menghaluskan fluktuasi yang ada pada data asli. Sebagian besar gangguan yang
sebelumnya terlihat pada data asli, seperti puncak-puncak tajam dan perubahan tiba-tiba, telah
diminimalkan atau bahkan dihilangkan setelah data tersebut difilter. Hasilnya adalah kurva yang
lebih mulus dan stabil, yang menunjukkan bahwa adaptive MAF bekerja efektif dalam
menstabilkan pembacaan jarak dari sensor.
Efektivitas filter ini juga terlihat dari bagaimana filter mampu merespon perubahan besar dalam
data, misalnya pada interval sekitar 200 detik, di mana data asli menunjukkan penurunan yang
drastis. Filter berhasil mengikuti perubahan ini dengan lebih halus tanpa menghilangkan
informasi penting, sehingga masih mempertahankan respons terhadap perubahan yang
signifikan.
Secara keseluruhan, penerapan adaptive MAF menunjukkan peningkatan yang jelas dalam
kualitas data, dengan mengurangi noise dan gangguan yang ada, sekaligus mempertahankan
kemampuan untuk mendeteksi perubahan penting dalam jarak yang diukur oleh sensor LiDAR.
Ini menegaskan kegunaan adaptive MAF dalam aplikasi di mana stabilitas dan keakuratan
pengukuran sangat penting, terutama dalam kondisi di mana data mentah cenderung fluktuatif
atau terganggu.
Kesimpulan
Hasil penelitian ini menunjukkan bahwa penerapan moving average filter (MAF) adaptif pada
sensor memberikan pengaruh signifikan terhadap stabilitas dan kualitas data yang dihasilkan [18]
[19] [15]. Pada sensor ultrasonik, filter dengan nilai n=5 memberikan respon yang cepat terhadap
perubahan sinyal, namun pengurangan noise tidak maksimal. Sebaliknya, pada n=10 dan n=15,
sinyal menjadi lebih halus dengan pengurangan noise yang lebih efektif, tetapi kecepatan respon
terhadap perubahan sinyal menurun. Dalam aplikasi yang memerlukan keseimbangan antara
respon cepat dan kestabilan sinyal, filter dengan n=10 dianggap optimal. Hasil Bode plot juga
menunjukkan bahwa filter moving average bertindak sebagai low-pass filter, di mana sinyal
frekuensi rendah dilewatkan dengan baik, sementara sinyal frekuensi tinggi semakin dilemahkan
seiring peningkatan nilai n.
Keseluruhan penelitian ini menggarisbawahi efektivitas adaptive MAF dalam meningkatkan
kualitas data baik dari sensor ultrasonik maupun LiDAR. Dengan menyesuaikan parameter filter
secara dinamis, noise dapat dikurangi secara efektif, sekaligus mempertahankan kemampuan
untuk merespon perubahan penting dalam data pengukuran. Hal ini penting dalam aplikasi di
mana stabilitas, keandalan, dan kecepatan respon menjadi faktor utama, terutama ketika data
mentah cenderung berfluktuasi atau terganggu oleh kondisi lingkungan. Namun, secara
keseluruhan, sensor LiDAR dengan adaptif MAF menunjukkan kinerja yang lebih unggul
dibandingkan sensor ultrasonik. Hal ini dikarenakan LiDAR memiliki resolusi dan akurasi yang
lebih baik dalam mendeteksi perubahan jarak, terutama pada kondisi lingkungan yang bervariasi.
Meskipun adaptif MAF mampu meningkatkan kualitas pembacaan pada kedua sensor, LiDAR
tetap lebih andal dalam merespon fluktuasi jarak secara cepat dan akurat, sedangkan sensor
ultrasonik lebih rentan terhadap noise dan perubahan kondisi lingkungan. Oleh karena itu, untuk
aplikasi yang memerlukan akurasi tinggi dalam pengukuran jarak, LiDAR dengan adaptive MAF
adalah pilihan yang lebih baik dibandingkan dengan sensor ultrasonik.

References

[1] S. Budilaksono, "Designing an Ultrasonic Sensor Stick Prototype for Blind People," Int. Conf. Educ, pp. 1-6,
2020.

[2] A. Rocchi, "Characterization and Optimization of Level Measurement by an Ultrasonic Sensor System," IEEE
Sensors Journal, vol. 19, no. 8, pp. 3077-3084, 2019.

[3] G. A. Francis, "Object detection using ultrasonic sensor," International Journal of Innovative Technology and
Exploring Engineering, vol. 8, no. 6, pp. 207-209, 2019.

[4] Q. Nazir, "Online tool condition monitoring for ultrasonic metal welding via sensor fusion and machine
learning," Journal of Manufacturing Processes, vol. 62, pp. 806-816, 2021.

[5] C. Poulton, "Long-Range LiDAR and Free-Space Data Communication with High-Performance Optical
Phased Arrays," IEEE Journal of Selected Topics in Quantum Electronics, vol. 25, no. 5, 2019.

[6] F. Xue, "From LiDAR point cloud towards digital twin city: Clustering city objects based on Gestalt
principles," ISPRS Journal of Photogrammetry and Remote Sensing, vol. 167, pp. 418-431, 2020.

[7] A. Amir, G. Richal, M. Lorenzo, A. Cesar and C. Deliang, "Effect of sensor response and moving average
filter duration on maximum wind gust measurements," Journal of Wind Engineering & Industrial
Aerodynamics, pp. 1-13, 2020.

[8] P. A.P, I. Adiyasa, A. Yudianto and S. Agit, "Multiple Sensing Method Using Moving Average Filter for
Automotive Ultrasonic Sensor," in Journal of Physics: Conferences Series, 2020.

[9] G. Aradhye, A. Rao and M. Mastan, "A novel hybrid approach for time series data forecasting using moving
average filter and ARIMA-SVM," Springer Singapore, 2019.

[10] B. Debdut, "Moving average filter for spur reduction in subsampling fractional PLLs," Analog Integrated
Circuits and Signal Processing, p. 695–704, 2021.

[11] M. Xie, C. Zhu, B. Shi and Y. Yang, "Power Based Phase-Locked Loop Under Adverse Conditions with
Moving Average Filtere for Single-Phase System," J. Electr. Syst, pp. 332-347, 2017.

[12] D. Thinh, N. Quan and N. Maneetien, "Implementation of Moving Average Filter on STM32F4 for vibration
Sensor Aplication," in Proceedings 2018 4th International Conference on Green Technology and Sustainable
Development, 2018.

[13] V. Granovsky, "Dynamic measurements: theory and metrological support yesterday and today Sensors and
systems," Датчики и системы, pp. 57-72, 2016.

[14] A. Shestakov and A. Keller, "Optimal Dynamic Measurement Method Using Digital Moving Average Filter,"
in Journal of Physics: Conference Series, 2021.

[15] A. Prasetyo, I. Adityasa, A. Ydianto and S. Agit, "Multiple Sensing Method Using Moving Average Filter for
Automotive Ultrasonic Sensor," in Journal of Physics: Conference Series, 2020.

[16] D. Purnamasari, K. Wibisono and H. Sukri, "Digital Moving Average Filter Application fer Echo Signals and
Temperature," in ICST, 2021.

[17] K. Nugroho, S. Pebrianto, M. Fatoni, A. Fatikhunnada, Liyantono and Y. Setiawan, "Comparasion between
 wavelet transform and moving average as filter method of MODIS imagery to recognize paddy cropping
pattern in West Java," in IOP Confereces Series: Earth and Environmental Science, 2017.

[18] R. Jardim and F. Morgado-Dias, "Moving Average Filter with Contour Detection," in International
Conference Biomed, 2018.

[19] P. Neipa, A. Kunto and F. Hanifudin, "Digital Moving Average Filter Application for Echo Signals and
Temperature," in E3S Web of Conferences 328, 2021.

[20] Y. Radiyona, S. Suantoro, P. Pujiyanto, R. Budiharti, T. Respati and D. Saputro, "Design of Embedded System
to Determine Liquid Refractive Index Based on Ultrasonic Sensor using an Atmega328," Int. Semin. Math. Sci.
Comput. Sci. Educ, pp. 1-8, 2018.