Article Sidebar

Download
PDF

Main Article Content

Abstract

Peran sensor loadcell sangat penting dalam sistem penimbangan untuk mendapatkan informasi massa yang sesuai. Banyaknya permintaan sistem penimbang yang presisi saat ini dikembangan sistem penimbangan yang mampu bekerja secara otomatis dalam menimbang dengan hasil yang konsisten dan stabil. Kelemahan dari sensor loadcell adalah sistem pembacaan yang memiliki noise dan dinilai kurang stabil sehingga hasil penimbangan kurang akurat dan jauh dari nilai set point yang diterapkan. Kelemahan tersebut dapat diminimalisir menggunakan filter sinyal yaitu Kalman Filter. Berdasarkan observasi yang telah dilakukan dengan menerapkan rumus Kalman Filter mampu menimalkan noise secara optimal menggunakan perbandingan nilai Q = 1 dan R = 10000 yang mampu memberikan hasil filter yang lebih halus dan stabil. penerapan Kalman Filter pada PLC Siemens S7-1200 dengan nilai perbandingan Q dan R yang sama dapat memberikan hasil yang optimal dengan nilai rata-rata error hasil penimbangan antara menggunakan Kalman Filter dan tanpa menggunakan filter memiliki selisih sebesar 0,10% yang berarti Kalman Filter dapat diterapkan pada sistem penimbangan dapat menyaring noise secara optimal sehingga mendapatkan hasil penimbangan yang stabil dan konsisten.

Keywords

filter sinyal kalman filter sensor loadcell sistem penimbangan

Article Details

License

Copyright (c) 2024 Jefry Setyo Fambudi, Mat Syai’in, Ryan Yudha Aditya

Creative Commons License

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

References

  1. F. Hamidipradja and U. Bambang, “Prosiding The 12 th Industrial Research Workshop and National Seminar Bandung,” 2021.
  2. A. Ma’arif, R. Dwi Puriyanto, D. Fadlur, T. Hasan, and A. Dahlan, “Robot Keseimbangan Dengan Kendali Proporsional-Integral-Derivatif (PID) dan Kalman Filter,” J. Res. Dev., vol. 4, no. 2, pp. 117–127, 2020, doi: 10.25299/itjrd.2018.vol4(2).3900.
  3. C. F. Wulandari and A. Fadlil, “Center of Pressure Control for Balancing Humanoid Dance Robot Using Load Cell Sensor, Kalman Filter and PID Controller,” Control Syst. Optim. Lett., vol. 1, no. 2, p. 2023, doi: 10.59247/csol.v1i2.22.
  4. R. Y. Adhitya, “Penerapan Extended Kalman Filter (EKF) Pada Sistem Monitoring Gelombang Laut Berbasis Sensor IMU GY955,” J. Elektron. dan Otomasi Ind., vol. 10, no. 3, Nov. 2023, doi: 10.33795/elkolind.v10i3.3714.
  5. I. Arief, R. Syahban, R. Agil, A. Ghani, and A. K. Teknik Elektro, “Rancang Bangun Antena Rotasi Dengan Kalibrasi Berbasis Program Kalman Filter,” 2023.
  6. S. Phisca, Rosyady; Aditya, Sukarjiana; Nurina, Habibah; Nuni, Ihsana; Ahmad, Baswara; Widya, Dinata; Dedik, “Monitoring Cairan Infus Menggunakan Load Cell Berbasis Internet of Things (IoT),” 2023.
  7. R. Manivasagam and S. P. Richard, “Instant ash monitoring using a load cell in the boiler,” in Materials Today: Proceedings, Elsevier Ltd, 2020, pp. 1754–1761. doi: 10.1016/j.matpr.2020.06.496.
  8. S. Mounitha, K. Abishek, M. P. Lalith Prasath, M. Mathankumar, G. Anushree, and V. Kandasamy, “Implementation of Codesys Programming Using Raspberry-Pi for Weighing Machine Control,” in 2nd International Conference on Advancements in Electrical, Electronics, Communication, Computing and Automation, ICAECA 2023, Institute of Electrical and Electronics Engineers Inc., 2023. doi: 10.1109/ICAECA56562.2023.10200669.
  9. Retyana Wahrini and Hasbi, “Pelatihan Programmable Logic Controller (PLC) Untuk Guru Produktif Teknik Elektronika Industri di SMK,” J. Bangun Abdimas, vol. 1, no. 2, pp. 76–81, Nov. 2022, doi: 10.56854/ba.v1i2.117.
  10. E. Samsul, M. ’ Arif, and S. Yudihastoro, “Monitoring Kinerja Motor Kompresor Angin dengan Komunikasi Modbus Menggunakan Outseal PLC,” vol. 6, no. 1.