Indonesia memiliki wilayah laut yang sangat luas dan banyak kawasan pesisir serta kepulauan. Kondisi geografis seperti ini membuat kebutuhan transportasi tidak selalu dapat dipenuhi hanya dengan kendaraan darat atau pesawat yang bergantung pada bandara konvensional. Pesawat amfibi menawarkan karakter yang berbeda karena dirancang untuk beroperasi di udara sekaligus menggunakan permukaan air sebagai bagian dari fase operasinya.
Dalam penelitian yang menjadi dasar artikel ini, pesawat amfibi dipandang sebagai salah satu moda yang relevan untuk mendukung mobilisasi di wilayah pesisir. Pemanfaatannya dapat diarahkan untuk operasi pencarian dan penyelamatan, pengiriman barang ke lokasi terisolasi dan daerah tertinggal, dukungan pemadaman kebakaran, hingga kebutuhan logistik lainnya. Kemampuan tersebut membuat pesawat amfibi menarik bagi negara kepulauan, tetapi sekaligus menuntut sistem navigasi dan kendali yang mampu bekerja secara akurat.
Tantangan utamanya bukan hanya bagaimana pesawat dapat terbang dan mendarat di air. Gerak pesawat harus dapat diperkirakan dengan baik ketika menghadapi perubahan gaya aerodinamika, gaya yang muncul akibat interaksi dengan air, dorongan mesin, gravitasi, dan perubahan sikap pesawat. Karena itu, penelitian mengenai estimasi gerak menjadi bagian penting dalam pengembangan pesawat amfibi yang aman dan terkendali.
Pesawat yang Bekerja di Dua Lingkungan
Pesawat konvensional terutama berinteraksi dengan udara ketika terbang. Pesawat amfibi menghadapi kondisi yang lebih kompleks karena pada fase tertentu badan pesawat juga berinteraksi dengan permukaan air. Penelitian ini menjelaskan bahwa perancangan pesawat amfibi perlu memperhatikan karakteristik hidrodinamika selain karakteristik aerodinamika. Perbedaan lingkungan operasi tersebut menyebabkan gaya yang bekerja pada pesawat dapat berubah secara signifikan.
Pada saat lepas landas dan mendarat, percepatan horizontal dan vertikal menjadi parameter yang penting. Percepatan vertikal yang besar dapat meningkatkan beban pada struktur pesawat dan memengaruhi kenyamanan serta keselamatan operasi. Dengan demikian, sistem navigasi tidak cukup hanya mengetahui posisi pesawat, tetapi juga membutuhkan estimasi keadaan gerak yang konsisten ketika data pengukuran berubah atau mengandung ketidakpastian.
Model matematis dalam penelitian menggambarkan hubungan antara gaya dorong mesin, gaya aerodinamika, gaya akibat interaksi air dengan bagian bawah pesawat, gravitasi, momen pitch, kecepatan, serta perubahan posisi. Model inilah yang kemudian menjadi dasar bagi algoritma estimasi untuk memperkirakan perilaku pesawat dari data eksperimen.
Mengenal Yaw dan Mengapa Perlu Diestimasi
Salah satu besaran yang diamati dalam penelitian adalah koefisien yaw atau CY. Secara sederhana, yaw menggambarkan kecenderungan hidung pesawat berputar ke kiri atau ke kanan terhadap sumbu vertikalnya. Perubahan yaw berkaitan dengan kemampuan pesawat mempertahankan arah dan mengikuti lintasan yang diinginkan. Dalam operasi nyata, terutama ketika pesawat mendekati permukaan air atau bergerak pada kondisi dinamis, kesalahan membaca perubahan arah dapat memengaruhi kestabilan lintasan.
Penelitian Herlambang dan tim secara khusus menguji bagaimana nilai CY dapat diperkirakan menggunakan dua pendekatan, yaitu Ensemble Kalman Filter dan Kalman Filter. Data yang digunakan berasal dari hasil penelitian primer dan pengujian model pesawat amfibi. Pengolahan data dilakukan menggunakan bahasa pemrograman Python, kemudian hasil prediksi dibandingkan dengan nilai aktual untuk melihat besar kesalahannya.
Dua Metode Estimasi: Ensemble Kalman Filter dan Kalman Filter
Kalman Filter atau KF merupakan metode estimasi yang bekerja secara berulang melalui dua tahap utama, yaitu prediksi dan koreksi. Pada tahap prediksi, model matematis digunakan untuk memperkirakan keadaan sistem berikutnya. Ketika pengukuran baru tersedia, hasil prediksi tersebut dikoreksi dengan mempertimbangkan tingkat ketidakpastian model dan pengukuran. Proses ini menghasilkan estimasi keadaan yang terus diperbarui dari waktu ke waktu.
Ensemble Kalman Filter atau EnKF merupakan pengembangan pendekatan Kalman yang menggunakan sekumpulan anggota ensemble. Setiap anggota mewakili kemungkinan keadaan sistem. Dari kumpulan tersebut, algoritma menghitung nilai rata-rata dan kovarians untuk menggambarkan keadaan serta ketidakpastiannya. Pendekatan ensemble membuat EnKF dapat digunakan pada persoalan yang lebih kompleks, termasuk sistem yang tidak sepenuhnya linear.
Bagi pembaca umum, perbedaannya dapat dibayangkan seperti dua cara membaca arah perjalanan. KF memperbarui satu estimasi berdasarkan model dan pengukuran, sedangkan EnKF menjalankan banyak kemungkinan keadaan secara bersamaan lalu menggunakan pola dari kumpulan tersebut untuk memperbarui estimasi. Keduanya memiliki tujuan yang sama, yaitu menghasilkan perkiraan yang mendekati kondisi sebenarnya.
Penelitian membandingkan kinerja EnKF dan KF dalam memperkirakan nilai CY. Untuk EnKF, jumlah ensemble divariasikan menjadi 400, 600, dan 800. Peneliti juga menguji dua nilai model observasi, yaitu 0,8 dan 0,9. Sementara itu, Kalman Filter digunakan sebagai metode pembanding dengan parameter R sebesar 0,01. Hasil estimasi kemudian divisualisasikan bersama data aktual untuk melihat seberapa dekat kurva prediksi mengikuti perubahan nilai CY.
Akurasi dievaluasi menggunakan Root Mean Square Error atau RMSE. Ukuran ini menunjukkan besar rata-rata kesalahan prediksi dalam bentuk akar kuadrat dari rata-rata kesalahan berpangkat dua. Dalam konteks penelitian ini, nilai RMSE yang lebih kecil berarti hasil estimasi berada lebih dekat dengan nilai aktual. Karena itu, perbandingan RMSE menjadi dasar utama untuk menilai konfigurasi yang menghasilkan estimasi terbaik.
Hasil Penelitian: Kalman Filter Memberikan Galat yang Lebih Kecil
Rangkuman hasil pada Tabel 3 menunjukkan bahwa EnKF menghasilkan nilai RMSE yang berbeda bergantung pada jumlah ensemble dan model observasi yang digunakan. Pada model observasi 0,8, RMSE EnKF tercatat sebesar 0,0876 untuk 400 ensemble, 0,0865 untuk 600 ensemble, dan 0,0909 untuk 800 ensemble. Pada model observasi 0,9, nilainya adalah 0,0927 untuk 400 ensemble, 0,0889 untuk 600 ensemble, dan 0,0884 untuk 800 ensemble.
Dari rangkaian tersebut, nilai EnKF terendah pada Tabel 3 adalah 0,0865, yang diperoleh pada model observasi 0,8 dengan 600 ensemble. Sementara itu, Kalman Filter dengan R = 0,01 menghasilkan RMSE sekitar 0,00023 dan disebut konsisten sepanjang simulasi. Dengan ukuran kesalahan yang digunakan penelitian, KF memberikan galat numerik yang jauh lebih kecil dibandingkan konfigurasi EnKF yang diuji.
Ada satu hal yang perlu dibaca secara cermat. Abstrak artikel menyebut hasil terbaik EnKF sebesar 0,0876 dengan 400 ensemble, sedangkan Tabel 3 dan bagian kesimpulan menunjukkan simulasi kedua dengan 600 ensemble menghasilkan RMSE 0,0865. Karena 0,0865 lebih kecil daripada 0,0876, ringkasan hasil dalam artikel populer ini mengikuti angka pada Tabel 3 dan kesimpulan, sambil tetap mencatat adanya perbedaan penyebutan pada abstrak sumber.
Walaupun KF memperoleh RMSE lebih kecil, penelitian tidak menyatakan bahwa EnKF tidak berguna. Kedua metode tetap dinilai mampu mengikuti kecenderungan nilai aktual dengan galat yang relatif terkendali. Perbandingan ini menunjukkan bahwa pemilihan metode estimasi perlu disesuaikan dengan karakter sistem, struktur model, parameter observasi, dan tingkat kompleksitas masalah yang dihadapi.
Mengapa Estimasi Gerak Pesawat Amfibi Itu Penting
Estimasi yang akurat berhubungan langsung dengan kemampuan sistem navigasi membaca kondisi pesawat. Ketika perubahan arah dan keadaan gerak dapat diperkirakan dengan baik, informasi tersebut dapat menjadi masukan bagi sistem pemantauan dan pengendalian. Pada pesawat amfibi, kebutuhan ini semakin penting karena pesawat harus mempertahankan kestabilan ketika berpindah antara lingkungan udara dan air.
Bagi Indonesia, relevansinya terletak pada kebutuhan moda yang mampu menjangkau wilayah pesisir dan pulau-pulau yang tidak selalu memiliki fasilitas transportasi lengkap. Penelitian ini tidak menyatakan bahwa algoritma Kalman sendiri langsung menyelesaikan persoalan konektivitas. Namun, metode estimasi seperti KF dan EnKF menyediakan salah satu komponen teknis yang dibutuhkan agar sistem navigasi pesawat amfibi dapat dikembangkan secara lebih terukur.
Riset ini juga memperlihatkan hubungan erat antara eksperimen fisik, model matematika, dan komputasi. Data eksperimen memberikan gambaran mengenai perilaku pesawat. Model dinamika menjelaskan hubungan antarbesaran yang bekerja pada sistem. Algoritma estimasi kemudian menggunakan keduanya untuk membentuk prediksi yang dapat dibandingkan dengan keadaan aktual. Ketiga unsur ini menjadi fondasi penting bagi pengembangan sistem navigasi berbasis data dan model.
Dari Simulasi Menuju Penerapan Nyata
Hasil simulasi merupakan tahap penting, tetapi masih diperlukan pengembangan lanjutan sebelum metode dapat digunakan pada sistem operasional. Performa algoritma perlu diuji pada kondisi yang lebih beragam, termasuk perubahan gangguan, karakteristik sensor, dan dinamika pesawat yang lebih mendekati kondisi penerbangan nyata. Integrasi dengan perangkat navigasi dan sistem kendali juga diperlukan agar hasil estimasi dapat dimanfaatkan secara langsung.
Penelitian ini memberikan dasar bahwa pendekatan Kalman dapat digunakan untuk membaca perubahan koefisien yaw pada eksperimen gerak pesawat amfibi. Nilai RMSE menunjukkan KF sangat baik pada konfigurasi yang diuji, sedangkan EnKF tetap menawarkan pendekatan berbasis ensemble yang dapat dikembangkan untuk persoalan dengan dinamika dan ketidakpastian yang lebih kompleks.
Pesawat amfibi memiliki potensi untuk mendukung transportasi di wilayah kepulauan, tetapi kemampuan beroperasi di udara dan air membuat sistemnya menuntut estimasi gerak yang akurat. Penelitian mengenai Ensemble Kalman Filter dan Kalman Filter menunjukkan bagaimana matematika dan komputasi dapat digunakan untuk memperkirakan koefisien yaw dari data eksperimen.
Berdasarkan rangkaian simulasi yang dilaporkan, Kalman Filter menghasilkan RMSE sekitar 0,00023, sedangkan nilai EnKF terendah pada Tabel 3 adalah 0,0865. Hasil tersebut memperlihatkan bahwa pada konfigurasi penelitian ini KF memberikan kesalahan prediksi yang lebih kecil. Di sisi lain, EnKF tetap relevan sebagai metode lanjutan untuk sistem yang lebih kompleks. Pengembangan berikutnya perlu menghubungkan hasil simulasi dengan pengujian yang semakin mendekati kondisi operasi nyata, sehingga teknologi estimasi tidak berhenti sebagai perhitungan di laboratorium, tetapi dapat mendukung sistem navigasi pesawat amfibi yang semakin aman dan andal.
PENULIS: Rachman Sinatriya Marjianto
Informasi detail dari riset ini dapat dilihat pada tulisan kami di:
https://www.scopus.com/pages/publications/105044522050?origin=resultslist
Herlambang, T., Kusuma, Y. F., Syamsuar, S., Hendrato, H., Marjianto, R. S., Othman, Z., & Muhammad, M. (2026). Advanced Kalman Filter Implementation for Estimating Yaw Coefficient in Amphibious Plane Motion Experiments. Nonlinear Dynamics and Systems Theory, 26(2), 173–183.
ISSN: 1562-8353 (print) / 1813-7385 (online)
