Review Jurnal : Penerapan Kalman Filter pada Sistem Penanggulangan Bencana Kebakaran dengan Sensor MQ-2 Berbasis IoT

1. Identitas Jurnal

Judul Artikel: Penerapan Kalman Filter pada Sistem Penanggulangan Bencana Kebakaran Dengan Sensor MQ-2 Berbasis IoT
Penulis: Muhammad Anwar Sadat Faidar, Della Adelia, Rahmad Hidayat, Salman Mahatir, dan Elka Pranita
Afiliasi: Universitas Teknokrat Indonesia
Nama Jurnal: Electrician : Jurnal Rekayasa dan Teknologi Elektro (Vol. 20, No. 2 , e-ISSN: 2549-3442)
DOI: http://dx.doi.org/10.23960/elc.v20.n2.3143
Tahun: 2026

2. Latar Belakang dan Permasalahan

Kebakaran sering kali bermula dari masalah yang sulit dikenali sejak awal, seperti kebocoran gas atau munculnya asap di dalam ruangan. Ketika kondisi tersebut tidak segera diketahui, risiko kebakaran dapat meningkat dan mengancam keselamatan penghuni maupun menyebabkan kerugian materi.

Perkembangan teknologi Internet of Things (IoT) membuka peluang untuk membangun sistem pemantauan yang mampu mendeteksi perubahan kondisi lingkungan dan menyampaikan informasi kepada pengguna secara langsung. Namun, ada satu tantangan yang tidak boleh diabaikan, yaitu pembacaan sensor yang terkadang mengalami fluktuasi akibat gangguan pengukuran dan perubahan kondisi lingkungan.

Permasalahan tersebut menjadi fokus penelitian berjudul “Penerapan Kalman Filter pada Sistem Penanggulangan Bencana Kebakaran Dengan Sensor MQ-2 Berbasis IoT” yang ditulis oleh Muhammad Anwar Sadat Faidar, Della Adelia, Rahmad Hidayat, Salman Mahatir, dan Elka Pranita dari Universitas Teknokrat Indonesia.

Apa Tujuan Penelitian Ini?
Tujuan utama penelitian adalah merancang sistem penanggulangan kebakaran berbasis IoT dengan meningkatkan kestabilan pembacaan sensor MQ-2 menggunakan algoritma Kalman Filter.
Sensor MQ-2 digunakan untuk mendeteksi keberadaan gas mudah terbakar dan asap sebagai salah satu indikator awal potensi bahaya. Sementara itu, Kalman Filter bertugas mengolah hasil pengukuran sensor agar pengaruh noise atau gangguan pengukuran dapat dikurangi.

Mengapa hal ini penting?
Bayangkan sebuah sensor membaca nilai gas secara berurutan sebesar 120, 123, 118, 125, dan 121. Perubahan kecil seperti ini belum tentu menunjukkan adanya peningkatan bahaya. Sebagian perubahan dapat berasal dari karakteristik sensor atau gangguan pengukuran. Jika sistem hanya mengandalkan pembacaan mentah, fluktuasi tersebut berpotensi memengaruhi keputusan ketika nilai sensor berada di sekitar ambang batas alarm.

Kalman Filter membantu memperkirakan nilai yang lebih stabil berdasarkan pembacaan sebelumnya dan pengukuran terbaru. Hasil estimasi tersebut kemudian dapat digunakan sebagai masukan untuk menentukan status kondisi lingkungan.
Perlu dipahami bahwa Kalman Filter tidak secara langsung memadamkan api atau menghilangkan sumber kebakaran. Perannya adalah meningkatkan kualitas data yang digunakan oleh sistem pemantauan dan peringatan dini.

3. Metodologi dan Perancangan Sistem

Penelitian ini menggabungkan beberapa komponen perangkat keras dan perangkat lunak yang saling mendukung.

A. Perangkat Keras ( Hardware ):

Sensor MQ-2
Sensor MQ-2 berfungsi sebagai perangkat masukan untuk mendeteksi gas mudah terbakar, termasuk LPG dan metana, serta merespons keberadaan asap. Sensor menghasilkan sinyal analog yang dibaca oleh mikrokontroler. Pembacaan sensor ini menjadi sumber data utama yang selanjutnya diproses menggunakan Kalman Filter.
Mikrokontroler ESP32
ESP32 berfungsi sebagai pusat pemrosesan sistem. Perangkat ini menerima data dari sensor MQ-2, menjalankan algoritma Kalman Filter, menentukan status kondisi lingkungan, serta mengirimkan informasi melalui jaringan Wi-Fi.
Unit Output: Layar LCD 16×2 (I2C) dan buzzer
sebagai indikator lokal, serta platform Blynk IoT untuk pemantauan jarak jauh via smartphone/dasbor

B. Penerapan Algoritma Kalman Filter

Pembacaan sensor diperlakukan sebagai variabel state diskrit satu dimensi yang diestimasi secara iteratif melalui dua tahap utama
– Tahap Prediksi :

– Tahap Koreksi / Pembaruan:
Parameter kovariansi noise proses (Q) dan pengukuran (R) disesuaikan secara empiris melalui tuning untuk memperoleh kompromi terbaik antara kehalusan sinyal dan responsivitas terhadap perubahan gas

Bagaimana Kalman Filter Bekerja dalam Penelitian Ini?
Kalman Filter merupakan algoritma estimasi yang memperkirakan kondisi suatu sistem berdasarkan model prediksi dan hasil pengukuran. Prosesnya dilakukan secara berulang setiap kali data sensor baru diterima.

Secara sederhana, alur pemrosesan dalam penelitian ini dapat dijelaskan sebagai berikut.

Sensor MQ-2 membaca kondisi gas di lingkungan.
ESP32 menerima nilai pembacaan analog dari sensor.
Kalman Filter memperkirakan nilai sensor dengan mempertimbangkan estimasi sebelumnya dan pengukuran terbaru.
Hasil estimasi digunakan sebagai data yang lebih stabil.
Sistem membandingkan nilai yang digunakan untuk pengambilan keputusan dengan ambang batas yang ditentukan.
LCD dan Blynk menampilkan status lingkungan, sedangkan buzzer aktif ketika sistem mendeteksi kondisi yang memenuhi kriteria bahaya.

Dalam penelitian tersebut, Process Noise (Ketidakpastian proses) menggambarkan ketidakpastian model proses, sedangkan Measurement Noise (Gangguan pengukuran) menggambarkan tingkat noise pengukuran. Penyesuaian kedua ini penting karena hasil filtering tidak hanya perlu halus, tetapi juga harus mampu mengikuti perubahan kondisi yang sebenarnya. Jika penghalusan terlalu kuat, respons terhadap kenaikan gas dapat menjadi lebih lambat.
Dengan kata lain, tantangannya bukan sekadar membuat grafik sensor terlihat lebih halus. Sistem juga harus tetap tanggap ketika kondisi lingkungan benar-benar berubah.

4. Hasil dan Pembahasan

Reduksi Noise Sinyal Sensor (Visual & Kuantitatif):

Secara visual, data mentah (raw) memperlihatkan fluktuasi tajam dan lonjakan sesaat (spike). Setelah difilter, pola sinyal menjadi jauh lebih halus (smooth) namun tetap tanggap mengikuti tren kenaikan gas
Berdasarkan evaluasi statistik (Tabel 1 naskah):

Kondisi pengujian	Variansi data mentah	Variansi setelah Kalman Filter	Standar deviasi mentah	Standar deviasi setelah Kalman Filter
Tidak terdapat gas	23,77	1,96	4,88	1,40
Terdapat gas	243,19	248,39	15,59	15,76

- Kondisi tidak terdapat gas
  Nilai variansi data mentah sebesar 23,77 turun drastis menjadi 1,96 setelah penerapan Kalman Filter, dengan standar deviasi turun dari 4,88 menjadi 1,40. Reduksi fluktuasi mencapai lebih dari 90%, membuktikan efektivitas penekanan noise pada kondisi steady-state

Hasil ini menunjukkan bahwa Kalman Filter efektif mengurangi variasi pembacaan sensor pada kondisi yang relatif stabil. Data yang lebih konsisten dapat membantu sistem menghindari keputusan yang dipengaruhi oleh lonjakan pengukuran sesaat. Namun, penurunan variansi tidak otomatis membuktikan bahwa pembacaan sensor semakin akurat terhadap konsentrasi gas sebenarnya. Untuk membuktikannya, diperlukan pembandingan dengan alat ukur referensi yang terkalibrasi.

- Kondisi terdapat gas
  Variansi data mentah (243,19) dan Kalman Filter (248,39) bernilai relatif sebanding. Hal ini mengindikasikan bahwa variasi data mencerminkan dinamika kenaikan konsentrasi gas yang sebenarnya, bukan akibat gangguan noise, sehingga sistem tetap mempertahankan sensitivitas deteksi

Penulis menjelaskan bahwa data hasil filtering tetap mengikuti tren perubahan sinyal, meskipun variasi statistik pada kondisi ini relatif serupa. Dari hasil tersebut, kita dapat memahami bahwa keberhasilan Kalman Filter perlu dinilai berdasarkan karakteristik sinyal dan tujuan pengukuran, bukan hanya berdasarkan besarnya variansi.

Kinerja Monitoring IoT
Sistem terbukti berhasil menyinkronkan data numerik serta status kondisi lingkungan secara real-time ke LCD fisik maupun platform Blynk tanpa kendala komunikasi

Tampilan Monitoring saat Gas tidak Terdeteksi

Tampilan Monitoring saat Gas Terdeteksi

Apakah Sistem Berhasil Memberikan Peringatan Dini?
Selain menguji kualitas data sensor, penelitian juga mengevaluasi fungsi pemantauan melalui LCD dan platform IoT Blynk. Pada kondisi aman, sistem menampilkan status bahwa gas tidak terdeteksi dan buzzer tidak diaktifkan. Ketika pembacaan memenuhi kriteria deteksi gas, sistem menampilkan status bahaya dan mengaktifkan buzzer. Hasil tersebut menunjukkan bahwa integrasi sensor MQ-2, ESP32, LCD, buzzer, Kalman Filter, dan Blynk dapat direalisasikan sesuai rancangan penelitian.

Meskipun demikian, terdapat perbedaan antara keberhasilan menampilkan status gas dan keberhasilan membuktikan kinerja sistem peringatan dini secara menyeluruh. Penelitian ini belum melakukan validasi akurasi absolut menggunakan alat ukur referensi terkalibrasi. Selain itu, hasil yang disajikan belum memberikan pengukuran kuantitatif mengenai tingkat false alarm, waktu respons alarm, atau kemampuan sistem mendeteksi seluruh skenario kebakaran.

Oleh karena itu, hasil penelitian lebih kuat dalam menunjukkan peningkatan kestabilan pembacaan pada kondisi tanpa gas dibandingkan dalam membuktikan peningkatan keseluruhan kinerja keselamatan sistem.

5. Analisis Kritis (Kelebihan dan Keterbatasan)

Kelebihan Penelitian :

1. Solusi Efektif untuk Komponen Murah
  Memberikan solusi algoritma matematis yang ringan untuk meningkatkan keandalan sensor berbiaya rendah (MQ-2) tanpa memerlukan sirkuit pengondisi sinyal analog yang rumit
2. Pembuktian Terukur
  Keberhasilan pereduksian noise tidak hanya dinilai secara subjektif/grafis, melainkan dibuktikan dengan parameter kuantitatif (variansi dan standar deviasi)
3. Arsitektur Utuh
  Menggabungkan pemrosesan sinyal edge pada mikrokontroler dengan redundansi indikator bahaya (alarm suara buzzer, tampilan lokal LCD, dan telemetri cloud Blynk)

Keterbatasan Penelitian:

1. Ketiadaan Alat Ukur Referensi Terkalibrasi
  Penulis secara eksplisit mengakui bahwa pengujian akurasi absolut terhadap konsentrasi gas standar (misalnya dalam satuan ppm) menggunakan instrumen referensi terkalibrasi belum dilakukan. Data yang dievaluasi masih berupa nilai keluaran ADC mentah
2. Transparansi Nilai Parameter Q dan R
  Meskipun dijelaskan prinsip pemilihan nilai Q dan R serta metode penentuannya secara empiris, naskah tidak mencantumkan nilai numerik eksak dari matriks/skalar Q dan R yang akhirnya digunakan dalam kode program
3. Belum Menguji Variabel Lingkungan Secara Eksplisit
  Kendati pengaruh suhu dan kelembapan diangkat dalam latar belakang sebagai penyebab fluktuasi sensor analog, penelitian belum menyajikan pengujian sistem pada berbagai variasi temperatur atau kelembapan ruangan terkendali

Peluang Pengembangan Penelitian Berikutnya
Menurut analisis terhadap hasil penelitian, salah satu arah pengembangan yang menarik adalah membandingkan beberapa metode pemrosesan data sensor pada sistem deteksi asap atau gas berbasis IoT. Misalnya, penelitian lanjutan dapat membandingkan tiga pendekatan:

- Tanpa filter: data sensor langsung digunakan untuk menentukan kondisi bahaya
- Moving Average: data dihaluskan menggunakan rata-rata sejumlah pembacaan terakhir.
- Kalman Filter: data diestimasi melalui proses prediksi dan koreksi berdasarkan parameter noise.

6. Kesimpulan Review Jurnal

Sistem deteksi kebakaran berbasis IoT dengan mikrokontroler ESP32 dan sensor MQ-2 berhasil direalisasikan. Penerapan Kalman Filter terbukti efektif mereduksi noise dan fluktuasi sinyal pengukuran secara signifikan pada kondisi stabil sekaligus mempertahankan responsivitas saat konsentrasi gas meningkat. Integrasi ini menghasilkan data yang lebih stabil dan representatif untuk meminimalkan potensi false alarm pada sistem peringatan dini kebakaran

Sumber jurnal:

Faidar, M. A. S., Adelia, D., Hidayat, R., Mahatir, S., & Pranita, E. (2026). Penerapan Kalman Filter pada Sistem Penanggulangan Bencana Kebakaran Dengan Sensor MQ-2 Berbasis IoT. Electrician: Jurnal Rekayasa dan Teknologi Elektro, 20(2).

DOI: https://doi.org/10.23960/elc.v20.n2.3143