Curve Fitting Kurva Tegangan Keluaran Sensor GP2Y0A02YK untuk Unjuk Kerja yang Lebih Akurat
DOI:
https://doi.org/10.30989/teknomatika.v17i2.1540Kata Kunci:
IoT, WSN, Pencocokan kurva, GP2Y0A02YKAbstrak
Sensor dalam Internet of Things (IoT) dan Wireless Sensor Networks (WSN) untuk berbagai keperluan seringkali memerlukan kalibrasi ulang. Datasheet yang menyertai sensor biasanya menampilkan tabel keluaran sensor dengan nilai-nilai minimum, tipikal dan maksimum. Artinya, terdapat toleransi sebesar nilai-nilai yang masih diperbolehkan oleh pabrik pembuatnya. Untuk sensor dengan tegangan keluaran analog biasanya ditampilkan dengan bentuk grafik. Jika keluarannya adalah grafik berbentuk kurva tidak linier, dibutuhkan pencocokan kurva untuk memperoleh persamaannya. Dalam penelitian ini akan dilakukan pencocokan kurva menggunakan metode jumlah galat kuadrat terkecil menggunakan matriks. Persamaan kurva hasil pencocokan kurva ini diperlukan untuk pengolahan data atau jika diperlukan untuk memprediksi variabel tetap jika variabel bebas diketahui. Salah satu sensor yang memiliki kurva tegangan keluaran tidak berbentuk garis lurus adalah sensor jarak keluaran Sharp, yakni seri GP2Y0A02YK. Menurut datasheet, sensor ini dapat dimanfaatkan untuk mengukur jarak mulai 20 cm sampai dengan 150 cm. Grafik tegangan keluaran pengukuran jarak mulai 20 cm sampai 150 cm tersebut berbentuk kurva melengkung. Dengan adanya kalibrasi menggunakan pencocokan kurva ini diharapkan akurasi dari pengukuran sensor dan pengolahan data keluarannya akan semakin meningkat
Referensi
[1] S. Fatima, “Ubiquitous Computing: Advantages and Challenges,” International Journal of Computer Science and Mobile Applications, Vol.6 Issue. 4, April 2018, pp. 217-221.
[2] M. Rodriguez, M. Celep, and M. Hudlicka, “Calibration of power sensors for low-power measurement: Best practice guide,” EMPIR 15RPT01, RFMicrowave, 2019.
[3] A. Prato, F. Pennecchi, G Genta, and A. Schiavi, “A Bayesian statistical method for large-scale MEMS-based sensors calibration: a case study on 100 digital accelerometers,” Metrologia, ,Vol.61(1), December 2023, DOI 10.1088/1681-7575/ad1692.
[4] T. Barrett and A. K. Mishra, “Statistical Study of Sensor Data and Investigation of ML-Based Calibration Algorithms for Inexpensive Sensor Modules: Experiments From Cape Point,” IEEE Transactions on Instrumentation and Measurement, Vol.73, March 2024, DOI: 10.1109/TIM.2024.3372211.
[5] M. Li and L. D. Li, “A novel method of curve fitting based on optimized extreme learning machine,” Applied artificial intelligence, Vol. 34 no.12, 2020, pp. 849-865, https://doi.org/10.1080/08839514.2020.1787677.
[6] H. P. Gavin, “The Levenberg-Marquardt algorithm for nonlinear least squares curve-fitting problems,” Department of Civil and Environmental Engineering Duke University, August 2019.
[7] A. Alhashimi, Statistical sensor calibration algorithms, Doctoral dissertation, Luleå University of Technology, 2018.
[8] Y. Zhang, R. Wang, S. Li, and S. Qi,“Temperature sensor denoising algorithm based on curve fitting and compound kalman filtering,” Sensors, Vol.20 no.7, March 2020, https://doi.org/10.3390/s20071959.
[9] Sharp Corp., GP2Y0A02YK Datasheet, 1990, [Online]. Available: https://www.alldatasheet.com/datasheet-pdf/pdf/412633/SHARP/GP2Y0A02YK0F.html [Accessed: October-03-2024].
[10] Microrisc, TR-52B Transceiver Module Data Sheet, 2014, [Online]. Available: https://static.iqrf.org/Datasheet_TR-52B_140430.pdf [Accessed: October-03-2024].
[11] A. R. I. Windyarto, Teknik Komputasi, FT-UGM, 2009.
[12] S. Arlinghaus, Practical handbook of curve fitting, CRC press, 2023.
