Analisis Kinerja Kalman Filter terhadap Akurasi Deteksi Kebocoran Gas LPG Menggunakan Sensor MQ-2 Berbasis IoT

Metode pendeteksian yang hanya menggunakan sensor MQ-2 memiliki beberapa kelemahan penting. Sensor ini memiliki rentang deteksi yang terlalu umum sehingga tidak dapat mengidentifikasi jenis gas tertentu, karena ia merespons berbagai gas seperti LPG, hidrogen, asap, dan metana secara bersamaan. Selain itu, MQ-2 sangat dipengaruhi oleh kondisi lingkungan seperti suhu, kelembaban, serta aliran udara, yang dapat menyebabkan pembacaan tidak stabil atau memunculkan false positive.
Untuk mengatasi permasalahan tersebut, penelitian ini menerapkan metode Kalman Filter guna meningkatkan akurasi dan sensitivitas pembacaan sensor MQ-2. Kalman Filter berfungsi menghaluskan data sensor yang berfluktuasi akibat noise lingkungan dan gangguan listrik, sehingga menghasilkan estimasi data yang lebih stabil.
Pengambilan data dilakukan secara periodik dengan jarak tertentu dan dicatat untuk dianalisis lebih lanjut. Data yang diperoleh kemudian dibandingkan untuk mengetahui pengaruh Kalman Filter terhadap kestabilan dan akurasi pembacaan sensor.
Untuk meningkatkan sensitivitas sensor MQ-2 dengan penerapan Kalman Filter terbukti meningkatkan kestabilan dan akurasi pembacaan sensor MQ-2, dengan menghasilkan data yang lebih halus (smooth) dan konsisten pada berbagai jarak deteksi.


===================================================================================================

A detection method that only uses the MQ-2 sensor had some important drawbacks. This sensor has a detection range that is too general to identify a specific type of gas, as it responds to a variety of gases such as LPG, hydrogen, smoke, and methane simultaneously. In addition, MQ-2 is strongly affected by environmental conditions such as temperature, humidity, and airflow, which can cause unstable readings or give rise to false positives.
To overcome these problems, this research applied the Kalman Filter method to improve the accuracy and sensitivity of the MQ-2 sensor readings. Kalman Filter functions to smooth out sensor data that fluctuated due to environmental noise and electrical disturbances, resulting in a more stable data estimate.
The data collection was carried out periodically with a certain distance and recorded for further analysis. The data obtained was then compared to determine the effect of the Kalman Filter on the stability and accuracy of sensor readings.
To improve the sensitivity of the MQ-2 sensor with the application of the Kalman Filter was proven to improve the stability and accuracy of the MQ-2 sensor readings, by producing smoother and more consistent data at various detection distances.