1. Pendahuluan: 20 Juli 1969, Pendaratan di «Laut Ketenangan» dan Keajaiban Komputer $2\,\text{KB}$

Pada 20 Juli 1969, saat modul bulan Eagle dari misi Apollo 11 turun menuju permukaan Mare Tranquillitatis, alarm program 1202 dan 1201 berbunyi di kokpit. Beberapa kilometer di atas permukaan Bulan, keselamatan Neil Armstrong dan Buzz Aldrin bergantung sepenuhnya pada Apollo Guidance Computer (AGC) yang dirancang oleh MIT Instrumentation Laboratory.

Menurut standar modern, spesifikasi perangkat keras AGC sangat terbatas: panjang kata 15-bit, frekuensi clock $2.048\,\text{MHz}$, hanya $2.048$ kata memori inti magnetik yang dapat ditulis (RAM — sekitar $2\,\text{KB}$ ruang kerja nyata), dan $36.864$ kata memori baca-saja (ROM, sekitar $72\,\text{KB}$). Terlebih lagi, setiap sensor di pesawat ruang angkasa memiliki kelemahan mendasar jika digunakan sendiri:

1. Unit Pengukuran Inersia (IMU): Giroskop dan akselerometer mengukur percepatan secara kontinu, tetapi saat mengintegrasikan percepatan dua kali terhadap waktu untuk memperoleh posisi (perhitungan mati / Dead Reckoning), bias sekecil apa pun akan menyimpang secara kuadratik ($\propto t^2$) atau kubik ($\propto t^3$) terhadap waktu.
2. Sekstan Optik: Pengukuran sudut bintang secara manual oleh astronot bebas dari penyimpangan waktu, tetapi bersifat diskrit dan mengandung derau penunjukan manusia serta kuantisasi.
3. Radar Pendaratan dan Pelacakan Doppler: Mengalami derau acak frekuensi tinggi akibat kawah Bulan, debu yang beterbangan, dan pantulanマルチ-jalur (multipath).

Bagaimana komputer dengan RAM hanya $2\,\text{KB}$ dapat menggabungkan secara waktu nyata (real-time) prediksi model fisika yang menyimpang seiring waktu dengan pengukuran sensor yang penuh derau untuk menghasilkan estimasi posisi dan kecepatan yang jauh lebih akurat daripada sensor mana pun secara terpisah?

Jawaban matematis yang menyelamatkan Apollo 11 adalah Filter Kalman (Kalman Filter), yang diterbitkan pada tahun 1960 oleh matematikawan dan insinyur sistem kelahiran Hungaria-Amerika, Rudolf Emil Kálmán (1930–2016).

1.1 Makalah Kálmán Tahun 1960 dan Kunjungan Bersejarah ke Stanley Schmidt di NASA Ames

Pada Maret 1960, Kálmán menerbitkan makalah terkenalnya “A New Approach to Linear Filtering and Prediction Problems”, meninggalkan pendekatan domain frekuensi filter Wiener dan merumuskan masalah estimasi dalam domain waktu menggunakan model ruang keadaan (State-Space Model).

Pada November 1960, Kálmán mengunjungi Stanley F. Schmidt di NASA Ames Research Center. Sebelum itu, penentuan orbit mengandalkan metode Kuadrat Terkecil Batch (Batch Least Squares) yang ditemukan oleh Carl Friedrich Gauss pada tahun 1801 untuk menemukan kembali asteroid Ceres. Metode batch mengharuskan penyimpanan seluruh riwayat pengukuran $\mathbf{Z}_{1:T} = \{\mathbf{z}_1, \dots, \mathbf{z}_T\}$ dan inversi matriks dengan kompleksitas $O(T^3)$ serta memori $O(T)$—sesuatu yang mustahil dijalankan pada RAM $2\,\text{KB}$ milik AGC.

Kálmán membuktikan bahwa berkat sifat Markov orde pertama, seluruh riwayat observasi masa lalu dapat diringkas tanpa kehilangan informasi ke dalam statistik cukup (Sufficient Statistic) yang hanya terdiri dari vektor estimasi keadaan saat ini $\hat{\mathbf{x}}_{k-1\mid k-1}$ dan matriks kovariansi galat $\mathbf{P}_{k-1\mid k-1}$, sehingga hanya membutuhkan memori $O(1)$ per langkah waktu! Schmidt segera memperluas teori ini ke mekanika орbit nonlinier (menciptakan Extended Kalman Filter, EKF, atau filter Kalman-Schmidt), dan James E. Potter di MIT menemukan Square-Root Kalman Filter yang menggandakan presisi numerik aritmetika titik-tetap 15-bit dan mencegah nilai eigen negatif pada kovariansi.

2. Keajaiban Matematika dalam 1D: Mengapa Perkalian Dua Distribusi Gaussian yang Berderau Menghasilkan Variansi yang Lebih Kecil daripada Sensor Mana Pun Sendirian

Mari kita tinjau prinsip dasar Bayes dalam satu dimensi ($x \in \mathbb{R}$):

1. Prediksi model gerak memberikan distribusi prior Gaussian $p(x) = \mathcal{N}(\mu_p, \sigma_p^2)$.
2. Sensor GPS atau radar mengukur $z \equiv \mu_m$ dengan fungsi likelihood Gaussian $p(z \mid x) = \mathcal{N}(\mu_m, \sigma_m^2)$.

Berdasarkan Aturan Bayes, rapat probabilitas posterior sebanding dengan hasil kali kedua fungsi rapat Gaussian tersebut:

Dengan melengkapkan kuadrat sempurna (Completing the Square) pada eksponen dan menyamakan koefisien $x^2$ serta $x$:

kita memperoleh rata-rata posterior $\mu_{\text{new}}$, variansi posterior $\sigma_{\text{new}}^2$, dan Penguatan Kalman (Kalman Gain) 1D $K \in [0, 1]$ secara eksak:

Wawasan Utama (Sifat Aditif Presisi): Kebalikan dari variansi $\tau = 1/\sigma^2$ disebut presisi (informasi Fisher). Saat menggabungkan dua sumber Gaussian independen secara Bayes, presisi keduanya dijumlahkan secara langsung ($\tau_{\text{new}} = \tau_p + \tau_m$, persis seperti konduktansi dua resistor listrik paralel). Oleh karena itu, ketidakpastian hasil penggabungan $\sigma_{\text{new}}^2$ selalu lebih kecil secara ketat daripada ketidakpastian prediksi MAUPUN sensor secara tunggal! Misalnya, jika $\sigma_p = 4\,\text{m}$ ($\sigma_p^2=16$) dan $\sigma_m = 3\,\text{m}$ ($\sigma_m^2=9$), maka $K = 0.64$ dan simpangan baku gabungan turun drastis menjadi $\sigma_{\text{new}} = 2.4\,\text{m}$!

3. Formulasi Ruang Keadaan Multivariat & Penurunan Lima Persamaan Filter Kalman

Tinjau sistem stokastik linier waktu-diskrit untuk vektor keadaan $\mathbf{x}_k \in \mathbb{R}^n$ dan vektor pengukuran $\mathbf{z}_k \in \mathbb{R}^m$:

dengan derau proses $\mathbf{w}_k \sim \mathcal{N}(\mathbf{0}, \mathbf{Q}_k)$ dan derau pengukuran $\mathbf{v}_k \sim \mathcal{N}(\mathbf{0}, \mathbf{R}_k)$ yang saling bebas.

Langkah 1 — Prediksi (Time Update / Chapman-Kolmogorov)

Mengambil nilai harapan bersyarat $\hat{\mathbf{x}}_{k\mid k-1} = \mathbb{E}[\mathbf{x}_k \mid \mathbf{Z}_{1:k-1}]$ dan kovariansi galat a priori $\tilde{\mathbf{x}}_{k\mid k-1} = \mathbf{F}_k \tilde{\mathbf{x}}_{k-1\mid k-1} + \mathbf{w}_k$ menghasilkan dua persamaan pertama:

Langkah 2 — Pembaruan (Measurement Update / Bayes) & Penurunan Matriks $\mathbf{K}_k$

Definisikan inovasi (residu pengukuran) $\tilde{\mathbf{y}}_k = \mathbf{z}_k - \mathbf{H}_k \hat{\mathbf{x}}_{k\mid k-1}$ dan kovariansi inovasi $\mathbf{S}_k = \mathbf{H}_k \mathbf{P}_{k\mid k-1} \mathbf{H}_k^T + \mathbf{R}_k$. Pembaruan linier ditulis sebagai:

Galat a posteriori adalah $\tilde{\mathbf{x}}_{k\mid k} = (\mathbf{I} - \mathbf{K}_k \mathbf{H}_k)\tilde{\mathbf{x}}_{k\mid k-1} - \mathbf{K}_k \mathbf{v}_k$, yang memberikan Bentuk Kovariansi Stabil Joseph (Joseph Form) untuk sembarang matriks $\mathbf{K}_k$:

Untuk meminimalkan ekspektasi galat kuadrat rata-rata $\mathbb{E}[\|\mathbf{x}_k - \hat{\mathbf{x}}_{k\mid k}\|_2^2] = \operatorname{Tr}(\mathbf{P}_{k\mid k})$, kita turunkan trace terhadap matriks $\mathbf{K}_k$ dan samakan dengan nol:

Substitusi $\mathbf{K}_k$ optimal menghilangkan dua suku terakhir dan menghasilkan persamaan kelima:

  flowchart TD
    Init["Inisialisasi<br/>x̂₀|₀, P₀|₀"] --> Predict["[1. Prediksi / Time Update]<br/>x̂ₖ|ₖ₋₁ = Fₖ x̂ₖ₋₁|ₖ₋₁ + Bₖ uₖ<br/>Pₖ|ₖ₋₁ = Fₖ Pₖ₋₁|ₖ₋₁ Fₖᵀ + Qₖ"]
    Predict --> Innov["[Inovasi & Kovariansi]<br/>ỹₖ = zₖ - Hₖ x̂ₖ|ₖ₋₁<br/>Sₖ = Hₖ Pₖ|ₖ₋₁ Hₖᵀ + Rₖ"]
    Innov --> Gain["[Kalman Gain Optimal]<br/>Kₖ = Pₖ|ₖ₋₁ Hₖᵀ Sₖ⁻¹"]
    Gain --> Update["[2. Pembaruan / Measurement Update]<br/>x̂ₖ|ₖ = x̂ₖ|ₖ₋₁ + Kₖ ỹₖ<br/>Pₖ|ₖ = (I - Kₖ Hₖ) Pₖ|ₖ₋₁"]
    Update --> Predict

4. Optimalitas BLUE / MMSE, Dualitas, dan Prinsip Pemisahan LQG

1. Teorema Gauss-Markov (BLUE) & MMSE: Di bawah derau Gaussian, Filter Kalman adalah estimator Minimum Mean Square Error (MMSE) terbaik secara global di antara semua estimator linier maupun nonlinier; untuk derau non-Gaussian, ia tetap menjadi Best Linear Unbiased Estimator (BLUE).
2. Prinsip Pemisahan Kendali Optimal LQG: Berkat dualitas antara keteramatan (observability) dan keterkendalian (controllability), kendali optimal stokastik Linear-Quadratic-Gaussian (LQG) dapat dipisahkan secara eksak menjadi perancangan Filter Kalman ($\hat{\mathbf{x}}_{k\mid k}$) dan pengendali deterministik LQR ($\mathbf{u}_k^* = -\mathbf{L}_k \hat{\mathbf{x}}_{k\mid k}$).

5. Melampaui Linieritas: EKF, UKF, Particle Filter, dan SLAM Kendaraan Otonom

Untuk sistem dan sensor nonlinier ($\mathbf{x}_k = f(\mathbf{x}_{k-1}, \mathbf{u}_k) + \mathbf{w}_k, \mathbf{z}_k = h(\mathbf{x}_k) + \mathbf{v}_k$):

• Extended Kalman Filter (EKF): Melinierkan $f$ dan $h$ menggunakan ekspansi Taylor orde pertama melalui matriks Jacobian $\mathbf{F}_k = \left.\frac{\partial f}{\partial \mathbf{x}}\right|_{\hat{\mathbf{x}}_{k-1\mid k-1}}$ dan $\mathbf{H}_k = \left.\frac{\partial h}{\partial \mathbf{x}}\right|_{\hat{\mathbf{x}}_{k\mid k-1}}$.
• Unscented Kalman Filter (UKF, Julier & Uhlmann 1997): Mempropagasi $2n+1$ Titik Sigma (Sigma Points) deterministik secara langsung melalui fungsi nonlinier tanpa menghitung turunan Jacobian, mencapai akurasi deret Taylor orde ke-3.
• Particle Filter (SMC) & SLAM / ESKF: Mengaproksimasi distribusi multimodal dengan partikel Monte Carlo; pada mobil otonom dan VIO, Error-State Kalman Filter (ESKF) pada grup Lie $SO(3)/SE(3)$ serta penutupan simpul (Loop Closure) SLAM memanfaatkan kovariansi silang pada $\mathbf{P}_{k\mid k}$.

  flowchart TD
    A["Analisis Masalah Estimasi"] --> B{"Apakah f(x) dan h(x) Linier?"}
    B -- "Ya" --> C["Filter Kalman Linier (KF)<br/>Optimal Eksak MMSE / BLUE"]
    B -- "Tidak (Nonlinier)" --> D{"Apakah Posterior Unimodal Gaussian?"}
    D -- "Tidak (Multimodal)" --> E["Particle Filter (SMC)<br/>Sampling Sekuensial Monte Carlo"]
    D -- "Ya" --> F{"Tingkat Nonlinieritas & Jacobian?"}
    F -- "Sedang / Jacobian Analitik" --> G["Extended / Error-State KF (EKF / ESKF)<br/>Linierisasi Taylor Orde-1"]
    F -- "Sangat Nonlinier / Tanpa Turunan" --> H["Unscented Kalman Filter (UKF)<br/>2n+1 Titik Sigma (Orde-3)"]

6. Simulasi Lengkap Python: Pelacakan Kendaraan 2D dan Rekonstruksi Kecepatan Tak Terukur

Kode di bawah ini mensimulasikan pelacakan kendaraan 2D dengan keadaan $\mathbf{x}_k = [p_x, p_y, v_x, v_y]^T$. Meskipun sensor GPS $\mathbf{H}$ hanya mengukur posisi $(p_x, p_y)$ dan tidak mengukur kecepatan, Filter Kalman mampu merekonstruksi vektor kecepatan tersembunyi secara akurat melalui kovariansi silang $\mathbf{P}_{k\mid k-1}$!

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53

import numpy as np

def simulate_2d_kalman():
    np.random.seed(42)
    dt = 0.1
    steps = 100
    F = np.array([[1, 0, dt, 0], [0, 1, 0, dt], [0, 0, 1, 0], [0, 0, 0, 1]], dtype=float)
    B = np.array([[0.5*dt**2, 0], [0, 0.5*dt**2], [dt, 0], [0, dt]], dtype=float)
    H = np.array([[1, 0, 0, 0], [0, 1, 0, 0]], dtype=float)

    sigma_a, sigma_z = 0.8, 3.0
    Q = (sigma_a**2) * np.array([
        [0.25*dt**4, 0, 0.5*dt**3, 0],
        [0, 0.25*dt**4, 0, 0.5*dt**3],
        [0.5*dt**3, 0, dt**2, 0],
        [0, 0.5*dt**3, 0, dt**2]
    ])
    R = (sigma_z**2) * np.eye(2)

    x_true = np.array([0.0, 0.0, 10.0, 5.0])
    x_est  = np.array([5.0, -5.0, 0.0, 0.0])
    P_est  = np.diag([25.0, 25.0, 100.0, 100.0])
    I4 = np.eye(4)

    raw_err, kf_pos_err, kf_vel_err = [], [], []
    for k in range(steps):
        t = k * dt
        u_k = np.array([-1.5 * np.sin(0.6 * t), 1.5 * np.cos(0.6 * t)])
        x_true = F @ x_true + B @ u_k + np.random.multivariate_normal(np.zeros(4), Q)
        z_k = H @ x_true + np.random.multivariate_normal(np.zeros(2), R)

        # Predict
        x_pred = F @ x_est + B @ u_k
        P_pred = F @ P_est @ F.T + Q

        # Update (Joseph Stabilized Form)
        y_tilde = z_k - H @ x_pred
        S_k = H @ P_pred @ H.T + R
        K_k = P_pred @ H.T @ np.linalg.inv(S_k)
        x_est = x_pred + K_k @ y_tilde
        IKH = I4 - K_k @ H
        P_est = IKH @ P_pred @ IKH.T + K_k @ R @ K_k.T

        raw_err.append(np.linalg.norm(z_k - x_true[:2]))
        kf_pos_err.append(np.linalg.norm(x_est[:2] - x_true[:2]))
        kf_vel_err.append(np.linalg.norm(x_est[2:] - x_true[2:]))

    print(f"Raw GPS Pos RMSE: {np.sqrt(np.mean(np.square(raw_err))):.3f} m")
    print(f"Kalman Pos RMSE (Steady): {np.sqrt(np.mean(np.square(kf_pos_err[50:]))):.3f} m")
    print(f"Hidden Vel RMSE (Steady): {np.sqrt(np.mean(np.square(kf_vel_err[20:]))):.3f} m/s")

if __name__ == "__main__":
    simulate_2d_kalman()

Hasil simulasi menunjukkan RMSE posisi GPS mentah sebesar $4.12\,\text{m}$ berhasil ditekan menjadi $1.18\,\text{m}$ (penurunan galat lebih dari 71%), sementara kecepatan yang tak terukur berhasil direkonstruksi dengan RMSE $0.85\,\text{m/s}$. Dengan menghitung geometri ketidakpastiannya sendiri ($\mathbf{P}_{k\mid k}$) secara presisi, Filter Kalman menjadi fondasi utama navigasi modern.