51����

Di daratan, GPS membuat navigasi terasa mudah�kendaraan, drone, hingga ponsel pintar dapat mengetahui posisi secara real-time. Namun, di bawah permukaan laut, GPS praktis tidak dapat diandalkan karena gelombang radio teredam oleh air. Padahal, banyak pekerjaan penting justru berlangsung di lingkungan bawah laut: inspeksi struktur industri, pemantauan ekosistem terumbu karang, penelitian oseanografi, hingga operasi pencarian dan penyelamatan korban kecelakaan laut. Pada situasi tersebut, ROV (Remotely Operated Vehicle) menjadi solusi yang aman karena dapat dikendalikan dari jarak jauh dan mampu bekerja pada area berisiko tinggi bagi manusia.

Tantangan terbesar dalam operasi ROV bukan hanya membuat robot �bisa bergerak�, melainkan memastikan robot dapat mengetahui posisinya sendiri secara akurat ketika sensor mengalami noise, drift, dan gangguan arus laut. Tanpa estimasi posisi yang baik, ROV bisa gagal mengikuti jalur (trajectory) yang direncanakan, kehilangan orientasi, atau melakukan gerak yang tidak stabil.

Mengapa Navigasi ROV Sulit?

ROV bergerak dalam enam derajat kebebasan (6-DoF): tiga translasi (maju-mundur, kiri-kanan, naik-turun) dan tiga rotasi (roll, pitch, yaw). Dalam praktiknya, ROV harus menjaga stabilitas agar tidak berputar atau berguling ketika mengeksekusi manuver tertentu. Lingkungan bawah air juga kompleks:

1. Gangguan arus dan turbulensi dapat mengubah arah gerak tanpa disadari.
2. Data sensor (misalnya IMU, kompas, sensor kedalaman, dan kecepatan) mengandung noise yang bisa memicu estimasi posisi melenceng.

Kesalahan kecil dapat terakumulasi menjadi deviasi lintasan yang besar (drift) jika tidak dikoreksi. Karena itu, diperlukan �otak� komputasi yang mampu menggabungkan pengukuran sensor dengan model gerak ROV untuk menghasilkan estimasi lintasan yang paling mendekati kondisi sebenarnya.

Dari Sensor Menuju Estimasi: Prinsip Filter Kalman Modern

Di banyak sistem navigasi, konsep yang sering digunakan adalah filter Kalman�sebuah metode estimasi yang menggabungkan prediksi model dan pengukuran sensor untuk memperbaiki perkiraan keadaan (state) secara iteratif. Namun, dinamika ROV bersifat nonlinier, sehingga filter Kalman klasik tidak cukup. Dua pendekatan yang umum digunakan pada sistem nonlinier:

1. Unscented Kalman Filter (UKF)
2. Ensemble Kalman Filter (EnKF), khususnya versi yang dimodifikasi menjadi Square-Root EnKF (SR-EnKF)

Keduanya sama-sama bertujuan membuat estimasi posisi lebih stabil dan akurat, tetapi cara �berpikir� keduanya berbeda.

UKF: Akurat dan Efisien untuk Sistem Nonlinier

UKF populer karena mampu menangani nonlinieritas tanpa perlu proses linearisasi rumit. UKF menggunakan konsep �sigma points� untuk merepresentasikan sebaran kemungkinan state, kemudian memperbarui estimasi berdasarkan pengukuran sensor. Dalam banyak aplikasi, UKF dianggap efisien dan cukup akurat, terutama jika model sistem dan karakteristik noise sudah terdefinisi dengan baik.

Namun, pada kondisi lingkungan yang sangat dinamis, kesalahan model dan noise yang tidak ideal dapat membuat performa UKF menurun. Karena itu, pendekatan alternatif yang lebih robust sering dipertimbangkan�terutama pada sistem yang ketidakpastiannya tinggi seperti operasi bawah laut.

SR-EnKF: Lebih Robust, Lebih Stabil secara Numerik

Berbeda dari UKF, EnKF menggunakan banyak �anggota ensemble� (sekumpulan estimasi paralel) untuk memodelkan ketidakpastian sistem. Intinya, EnKF tidak hanya menyimpan satu estimasi, tetapi menyimpan sekelompok kemungkinan yang bergerak mengikuti dinamika model dan dikoreksi oleh data sensor. Versi Square-Root (SR-EnKF) menambahkan mekanisme pembaruan kovarians berbasis akar matriks (square-root update) yang secara praktis meningkatkan stabilitas numerik dan menjaga estimasi kovarians tetap valid.

1. Keunggulan yang sering dicari dari SR-EnKF adalah:
2. Lebih tahan terhadap kondisi noise yang kompleks dan perubahan lingkungan.
3. Lebih stabil ketika sistem memiliki ketidakpastian tinggi.
4. Lebih cocok untuk problem dinamis yang sulit dimodelkan secara sempurna.

Trade-off utamanya: beban komputasi dapat lebih tinggi karena perlu memelihara banyak ensemble. Namun, untuk aplikasi kritis seperti navigasi bawah air, robustnes sering lebih penting daripada efisiensi semata.

Hasil : Akurasi SR-EnKF Lebih Tinggi

Hasil menunjukkan bahwa SR-EnKF menghasilkan akurasi estimasi lintasan yang sedikit lebih tinggi dibanding UKF pada skenario simulasi ROV. Secara numerik, SR-EnKF mencapai sekitar 99,8%, sementara UKF sekitar 99,6%. Walau selisihnya tampak kecil, pada navigasi bawah air perbedaan ini bisa bermakna besar�terutama untuk operasi yang membutuhkan posisi presisi, misalnya mendekati struktur industri, melakukan inspeksi titik tertentu, atau menjaga jarak aman dari objek sensitif seperti terumbu karang.

Selain itu, penelitian ini juga menekankan aspek kontribusi ilmiahnya: penggunaan SR-EnKF untuk dinamika ROV 6-DoF masih relatif jarang dibahas, sehingga studi ini memberi pembanding langsung dan menunjukkan potensi SR-EnKF sebagai metode yang lebih stabil untuk estimasi lintasan ROV.

Dampak Nyata: Dari Terumbu Karang sampai Penyelamatan Korban Kecelakaan Laut

Nilai praktis dari peningkatan akurasi estimasi lintasan bukan sekadar angka. Dalam dunia nyata, manfaatnya dapat dirasakan pada berbagai skenario:

1. Pemantauan terumbu karang (coral reef exploration): ROV harus bergerak halus, menjaga jarak, dan memetakan area secara konsisten agar data monitoring bisa dibandingkan lintas waktu.
2. Inspeksi industri bawah air: Estimasi posisi yang lebih akurat mengurangi risiko benturan, meningkatkan kualitas inspeksi, dan mempercepat waktu kerja.
3. Operasi SAR kecelakaan laut: Navigasi yang lebih baik membantu ROV mempertahankan jalur pencarian yang sistematis sehingga peluang menemukan target meningkat.

Tantangan dan Arah Pengembangan

Meski hasilnya menjanjikan, penerapan algoritma estimasi di ROV masih memiliki tantangan:

1. Komputasi real-time: metode ensemble membutuhkan strategi agar tetap efisien di perangkat ROV.
2. Kualitas data sensor: sensor harus terkalibrasi baik agar estimasi tidak bias.
3. Validasi lapangan: performa simulasi perlu dibuktikan lewat uji lapangan pada kondisi arus dan gangguan nyata.

Ke depan, integrasi multi-sensor (misalnya data akustik, kamera, dan model arus) berpotensi semakin meningkatkan akurasi dan robustness.

Penutup

Riset tersebut menegaskan bahwa ketika GPS tidak tersedia di bawah air, kemampuan ROV untuk �mengetahui posisinya sendiri� harus dibangun lewat estimasi berbasis model dan data sensor. Dengan membandingkan UKF dan SR-EnKF, studi ini menunjukkan bahwa SR-EnKF menawarkan akurasi yang lebih tinggi dan stabilitas yang lebih baik untuk estimasi lintasan ROV 6-DoF. Dampaknya langsung terasa pada aplikasi penting�mulai dari pemantauan ekosistem laut, inspeksi industri, hingga operasi penyelamatan�sekaligus memperkuat kontribusi pada SDG 14 dan SDG 9.

PENULIS: Rachman Sinatriya Marjianto

Informasi detail dari riset ini dapat dilihat pada tulisan kami di:

https://www.scopus.com/pages/publications/105027096041?origin=resultslist       Top of Form

Bottom of Form

T. Herlambang, R. S. Marjianto, P. Triwinanto, Z. Othman, M. S. Azmi, N. K. Ibrahim, N. M. A. Md. Bohari, and M. Soleh, �Implementation of Modified Ensemble and Unscented Kalman Filters for Diving Trajectory Estimation of Remote Operated Vehicles,� Engineering, Technology & Applied Science Research, vol. 15, no. 6, pp. 30246�30251, 2025.

ISSN: 1792-8036 Top of FormBottom of Form