Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Maret, 2026 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: 3109-1350 Received : 14 Januari 2026.
Accepted: 21 Maret 2026.
Published: Maret 2026.
DOI: 10.
36350/jskom.
Penerapan Internet of Things untuk Pelacakan Kendaraan Bermotor Roda Dua Dhea Adinda Irawan1.
Faustinus Dwi Respati2 Program Studi Teknologi Informasi.
Fakultas Informatika dan Komputer.
Universitas Binaniaga Indonesia e-mail: dheaadinda195@gmail.
*Corresponding Author
ABSTRACT
The advancement of Internet of Things (IoT) technology has enabled new approaches to improving motorcycle security, particularly in Indonesia where motorcycles serve as the primary mode of transportation.
This study aims to develop an IoT-based tracking system for two-wheeled vehicles by integrating the ESP32 microcontroller.
GPS NEO-6M module.
ESP32-CAM, buzzer, and a real-time web monitoring dashboard.
The system includes a geofencing feature that automatically triggers an alarm and sends notifications when the vehicle moves outside the designated safe zone.
A Kalman Filter algorithm is applied to enhance GPS accuracy and reduce data fluctuations.
The research adopts a Research and Development (R&D) methodology consisting of analysis, design, implementation, and evaluation stages.
Experimental results show that the Kalman Filter reduces GPS noise effectively, achieving an RMSE value of 0.
381 meters.
The system also successfully delivers automated alerts and captured images through Telegram.
Both functional testing and user evaluations indicate positive responses regarding usability, responsiveness, and overall system reliability.
Therefore, the proposed system is considered feasible and effective as an IoT-based motorcycle security solution.
Keywords: Internet of Things.
GPS.
ESP32.
Geofencing.
Kalman Filter
ABSTRAK
Perkembangan teknologi Internet of Things (IoT) telah membuka peluang baru dalam peningkatan keamanan kendaraan bermotor, khususnya sepeda motor yang menjadi moda transportasi utama di Indonesia.
Penelitian ini bertujuan mengembangkan sistem pelacakan kendaraan roda dua berbasis IoT dengan integrasi modul ESP32.
GPS NEO-6M.
ESP32-CAM, buzzer, serta web monitoring real-time.
Sistem dilengkapi fitur geofencing untuk memberikan peringatan otomatis ketika kendaraan keluar dari zona aman dan didukung algoritma Kalman Filter guna meningkatkan akurasi data GPS.
Metode pengembangan menggunakan pendekatan Research and Development (R&D) dengan tahapan analisis, perancangan, implementasi, dan Hasil pengujian menunjukkan bahwa penerapan Kalman Filter mampu menurunkan fluktuasi data GPS dengan nilai RMSE sebesar 0,381 Sistem juga berhasil memberikan notifikasi otomatis melalui Telegram dan mengaktifkan alarm saat kendaraan melampaui batas geofence.
Pengujian fungsional dan uji pengguna menunjukkan respons positif terhadap kemudahan penggunaan, keandalan fitur, serta efektivitas sistem dalam meningkatkan keamanan kendaraan.
Dengan demikian, sistem ini dinilai layak dan dapat diterapkan sebagai solusi keamanan kendaraan bermotor berbasis IoT.
Kata Kunci: Internet of Things.
GPS.
ESP32.
ESP32-CAM.
Geofencing.
Kalman Filter.
PENDAHULUAN
Sepeda motor telah menjadi bagian penting dalam kehidupan masyarakat Indonesia dan berperan besar dalam mendukung mobilitas harian.
Sebagai salah satu moda transportasi yang paling umum digunakan, sepeda motor menawarkan kemudahan, efisiensi waktu, dan fleksibilitas dalam menempuh jarak yang beragam, terutama di daerah perkotaan dengan tingkat kepadatan lalu lintas yang tinggi.
Kondisi sistem transportasi umum yang belum sepenuhnya merata di seluruh wilayah Indonesia membuat masyarakat lebih bergantung pada kendaraan pribadi, khususnya sepeda motor, sebagai sarana mobilitas utama.
Sejarah penggunaan sepeda motor di Indonesia telah dimulai sejak masa Hindia Belanda pada tahun 1893 .
Setelah masa kemerdekaan, pembangunan infrastruktur transportasi terus mengalami kemajuan pesat.
Pemerintah menaruh perhatian pada peningkatan sarana transportasi untuk mendukung kegiatan ekonomi nasional .
Perkembangan ini memberikan dampak positif, baik dari sisi ekonomi maupun sosial, karena mempermudah distribusi barang dan jasa, mempercepat akses masyarakat terhadap berbagai aktivitas ekonomi, dan memperluas jangkauan pasar domestik maupun internasional.
Namun demikian, dengan meningkatnya jumlah kendaraan bermotor, khususnya sepeda motor, membawa konsekuensi terhadap meningkatnya kasus kejahatan pencurian kendaraan bermotor .
Sistem keamanan konvensional seperti penggunaan kunci kontak dan kunci cakram sering kali tidak cukup efektif dalam menghadapi metode pencurian yang semakin kompleks dan terorganisir.
Banyak pemilik kendaraan merasa waswas saat meninggalkan kendaraannya di tempat umum atau lokasi yang minim pengawasan.
Data dari Korlantas Polri (Agustus 2.
menunjukkan bahwa jumlah sepeda motor di Indonesia mencapai 299 unit, menjadikan Indonesia sebagai salah satu negara dengan jumlah sepeda motor terbanyak di dunia.
Distribusi jumlah kendaraan bermotor menurut provinsi ditunjukkan pada Tabel 1, yang memperlihatkan dominasi empat provinsi utama dengan populasi kendaraan terbesar.
Tabel 1 Jumlah Sepeda Motor Roda Dua di Indonesia Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Maret, 2026 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: 3109-1350 Provinsi Jawa Timur DKI Jakarta Jawa Tengah Jawa Barat Lainnya Total Jumlah Sepeda Motor Persentase (%) Sumber: (Korlantas Polr.
15,61 14,58 12,95 11,99 44,87 Data update tanggal 1 november 2025 dari Electronic Registration Identification (ERI) Korlantas Polri .
Jumlah sepeda motor ada 144.
053 terdiri dari pulau Jawa.
Sumatra.
Kalimantan,Sulawesi.
Bali.
Nusa Tenggara.
Papua.
Maluku & Maluku Utara.
Dengan jumlah kendaraan terbanyak ada di pulau Jawa dengan jumlah 83.
546, lalu di pulau Sumatra dengan jumlah 30.
Kalimantan 11.
Sulawesi 9.
Bali dengan jumlah 911.
Nusa Tenggara 3.
Papua dengan jumlah 1.
Maluku & Maluku Utara dengan jumlah (Polri, 2.
Berdasarkan data tersebut, dapat disimpulkan bahwa peningkatan jumlah sepeda motor tidak diimbangi dengan peningkatan sistem keamanan yang memadai.
Banyak kasus pencurian yang masih terjadi di wilayah padat Menurut (Pratiwi.
Data Indonesia.
id, 15 januari 2.
laporan dari Badan Pusat Statistik (BPS, 2.
, 184 kasus pencurian kendaraan bermotor di Indonesia, menunjukkan bahwa meskipun terjadi sedikit penurunan dibandingkan tahun sebelumnya, angka tersebut tetap tergolong tinggi.
Diagram visualisasi jumlah kasus pencurian kendaraan bermotor ditunjukkan pada Gambar 1.
Gambar 1 Jumlah Kasus Pencurian Kendaraan Bermotor di Indonesia Sumber: (Pratiwi.
Data Indonesia.
id, 15 januari 2.
Kasus pencurian juga banyak dilaporkan di berbagai media massa seperti berita online, misalnya kasus di Kabupaten Garut pada Januari 2025 yang berhasil digagalkan warga, dan kasus serupa di Kabupaten Bogor pada waktu yang sama di mana pelaku terekam kamera CCTV saat melakukan aksi pencurian sepeda motor.
Fenomena tersebut menegaskan bahwa sistem keamanan konvensional belum cukup mampu melindungi kendaraan dari pencurian.
Untuk mengatasi permasalahan tersebut, dibutuhkan inovasi sistem keamanan yang mampu memantau kendaraan secara real-time dan memberikan peringatan otomatis ketika kendaraan berpindah atau keluar dari area yang telah Perkembangan teknologi Internet of Things (IoT) memberikan peluang besar dalam menciptakan sistem keamanan cerdas yang terhubung melalui jaringan internet.
Teknologi IoT memungkinkan integrasi berbagai perangkat seperti sensor, modul komunikasi, dan sistem pemantauan berbasis web, yang dapat saling bertukar data secara otomatis.
Dalam buku Pemanfaatan & Penerapan Internet of Things (IoT) Di Berbagai Bidang oleh .
, istilah IoT mulai dikenal sejak tahun 1999 ketika Kevin Ashton memperkenalkannya di Massachusetts Institute of Technology (MIT).
IoT menghubungkan perangkat fisik dengan dunia digital melalui jaringan internet, memungkinkan transfer data, kontrol jarak jauh, dan otomatisasi sistem.
IoT terdiri atas perangkat keras seperti sensor dan aktuator, jaringan komunikasi, serta platform data dan aplikasi.
Dalam bidang transportasi, teknologi ini sangat bermanfaat untuk pelacakan kendaraan, pemantauan posisi, serta pemberian notifikasi otomatis kepada pengguna.
IoT kini telah diimplementasikan di berbagai bidang seperti pemerintahan, pendidikan, pertanian, industri, dan Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Maret, 2026 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: 3109-1350 Kesehatan .
Dalam bidang transportasi, penerapan IoT pada sistem keamanan kendaraan berpotensi besar untuk mengurangi angka pencurian, karena sistem dapat memberikan peringatan dini kepada pengguna saat terjadi pergerakan mencurigakan.
Salah satu teknologi pendukung utama IoT dalam konteks ini adalah Global Positioning System (GPS).
Teknologi GPS memungkinkan identifikasi lokasi kendaraan secara akurat menggunakan sinyal satelit.
Dalam konteks pelacakan kendaraan bermotor.
GPS berfungsi sebagai sensor utama yang mengirimkan data koordinat kendaraan ke sistem pemantauan berbasis web.
Namun, sinyal GPS kerap mengalami gangguan akibat faktor lingkungan seperti didalam ruangan.
Gedung tinggi, cuaca buruk, atau kondisi medan yang tertutup .
Oleh karena itu, diperlukan algoritma tambahan untuk meminimalkan noise dan meningkatkan akurasi koordinat yaitu Kalman Filter.
Beberapa penelitian terdahulu telah menunjukkan efektivitas IoT dalam meningkatkan keamanan kendaraan.
Penelitian oleh jabastian .
membuktikan bahwa sistem monitoring berbasis IoT menggunakan NodeMCU dapat meningkatkan efektivitas pengamanan sepeda motor.
Sementara itu, setyawan .
menunjukkan bahwa penerapan IoT dan GPS mampu memberikan sistem pengamanan ganda dengan kemampuan kontrol jarak jauh dan pemberian notifikasi real-time.
Penelitian oleh .
menambahkan bahwa integrasi kamera ESP32-CAM dan notifikasi Telegram memberikan peningkatan signifikan dalam deteksi aktivitas mencurigakan dan dokumentasi visual terhadap pelaku pencurian.
Untuk meningkatkan efektivitas sistem pelacakan, penelitian ini juga menerapkan geofencing, yaitu teknologi berbasis GPS yang memungkinkan pengguna menetapkan area virtual sebagai zona aman kendaraan.
Jika kendaraan keluar dari area tersebut, sistem secara otomatis akan memicu alarm .
dan mengirimkan peringatan melalui Telegram API.
Teknologi ini memungkinkan pengguna mendapatkan informasi secara cepat tanpa harus terusmenerus memantau dashboard.
Secara lebih teknis, penelitian ini diarahkan untuk menjawab dua permasalahan utama, yaitu:
Bagaimana merancang sistem pelacakan dan keamanan kendaraan berbasis IoT yang mengintegrasikan GPS, buzzer, kamera, dan Telegram agar lebih efektif daripada sistem konvensional.
Bagaimana meningkatkan akurasi data GPS dengan menerapkan algoritma Kalman Filter.
Tujuan utama penelitian ini adalah mengembangkan sistem pelacakan kendaraan bermotor roda dua berbasis IoT, mampu memberikan notifikasi otomatis, dan mudah digunakan oleh masyarakat.
Sistem ini dirancang agar dapat menampilkan posisi kendaraan secara real-time, memberikan peringatan dini saat kendaraan keluar dari zona aman, serta memanfaatkan kamera dan Telegram untuk mendukung keamanan.
Hasil yang diharapkan dari penelitian ini meliputi:
Prototipe sistem pelacakan berbasis IoT yang mudah digunakan, .
Sistem geofencing dengan notifikasi Telegram secara real-time, .
Integrasi alarm yang mampu memberikan respon otomatis ketika kendaraan keluar dari area aman, dan kamera yang dapat menangkap gambar.
Secara teoritis, penelitian ini diharapkan dapat memperluas literatur dalam bidang IoT dan sistem keamanan cerdas, khususnya terkait penerapan Kalman Filter pada sistem pelacakan kendaraan.
Dari sisi praktis, penelitian ini diharapkan dapat memberikan manfaat bagi masyarakat dalam hal peningkatan keamanan kendaraan bermotor, serta dapat dijadikan acuan dalam pengembangan sistem serupa di masa mendatang.
METODE
Tahap Penelitian Penelitian ini menggunakan pendekatan Research and Development (R&D).
Metode ini dipilih karena mampu menggabungkan proses penelitian teoritis dan penerapan praktis dalam pengembangan sistem yang inovatif dan aplikatif.
Tahapan penelitian disusun berdasarkan model pengembangan Borg and Gall .
, namun disesuaikan menjadi empat tahap utama agar sesuai dengan konteks penelitian teknologi terapan, yaitu analisis dan perencanaan, perancangan sistem, implementasi dan pengujian, serta evaluasi dan revisi .
Tahap pertama, analisis dan perencanaan, dilakukan melalui studi literatur dan observasi lapangan terhadap kasus pencurian kendaraan untuk mengidentifikasi kebutuhan sistem keamanan berbasis IoT.
Hasil analisis digunakan untuk menentukan kebutuhan fungsional perangkat keras (ESP32.
GPS NEO6M.
ESP32-CAM, buzze.
dan perangkat lunak (Arduino IDE.
Telegram API, dan web dashboar.
Tahap kedua, perancangan sistem, mencakup pembuatan arsitektur sistem yang menggambarkan hubungan antar komponen menggunakan protokol MQTT.
Desain ini memastikan sistem mampu Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Maret, 2026 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: 3109-1350 memantau posisi kendaraan secara real-time, memicu alarm otomatis, serta mengirimkan notifikasi dan gambar ke Telegram pengguna .
itunjukkan pada Gambar .
Tahap ketiga, implementasi dan pengujian, merealisasikan rancangan melalui pemrograman berbasis C di Arduino IDE dan pengujian pada web dashboard.
Pada tahap ini diterapkan algoritma Kalman Filter untuk meningkatkan akurasi data GPS serta fitur geofencing untuk deteksi pelanggaran zona aman .
itunjukkan pada Gambar .
Tahap terakhir, evaluasi dan revisi, dilakukan melalui uji ahli dan uji pengguna.
Uji ahli menilai keandalan fungsi sistem, sementara uji pengguna menilai aspek kemudahan, kecepatan notifikasi, dan keamanan menggunakan metode force choice.
Hasil evaluasi menunjukkan sistem berfungsi efektif dengan tingkat kelayakan di atas 90%.
Secara keseluruhan, keempat tahap ini membentuk proses pengembangan sistem yang sistematis dan terukur, sesuai model R&D Borg & Gall.
Gambar 2 Tahap Pengembangan R&D Algoritma dan Pemrosesan Data Algoritma yang digunakan dalam penelitian ini terdiri dari beberapa komponen utama yang saling terintegrasi untuk mendukung sistem pelacakan dan keamanan kendaraan bermotor berbasis IoT.
Komponen utama tersebut meliputi algoritma Kalman Filter sebagai penyaring data lokasi GPS, algoritma Haversine untuk perhitungan jarak antar koordinat dalam proses geofencing, serta mekanisme integrasi IoT berbasis protokol MQTT dan Telegram API sebagai media komunikasi dan notifikasi real-time kepada pengguna.
Seluruh algoritma ini diimplementasikan dalam mikrokontroler ESP32, yang berperan sebagai pengendali utama system.
Kalman Filter Kalman filter digunakan untuk menyaring data gps neo-6m yang sering mengalami perubahan posisi yang tidak stabil akibat adanya noise dari lingkungan sekitar seperti gangguan sinyal, kondisi cuaca, atau pantulan gelombang pada bangunan tinggi.
Menurut Felix .
algoritma ini bekerja dalam dua tahap utama, yaitu prediksi .
dan koreksi .
Tahap prediksi memperkirakan keadaan sistem pada waktu berikutnya berdasarkan keadaan sebelumnya dan model sistem.
Persamaan matematis yang digunakan dituliskan sebagai berikut:
x( k k Oe.
= F .
x( k Oe1 k Oe.
A k P( k k Oe.
= F .
x( k Oe1 k Oe.
AA k Dengan:
= state .
stimasi posis.
P = kovarian error.
F = matriks transisi.
B = matriks kontrol, = input kontrol.
Q = kovarian noise proses.
Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Maret, 2026 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: 3109-1350 Sedangkan tahap koreksi digunakan untuk memperbarui hasil prediksi berdasarkan data pengukuran terbaru yang diperoleh dari modul GPS, dengan rumus:
Ak Oe P( k k Oe.
H T
H .
P( k k Oe.
H T R
x( k k ) = x( k k Oe.
K k .
(Z k Oe H .
x( k k Oe.
) P( k k ) = ( I Oe K k .
H ).
P(.
k Oe.
Dengan:
Kalman gain hasil pengukuran sensor, kovarian noise pengukuran, matriks observasi.
Implementasi Kalman Filter dilakukan di dalam program utama ESP32, di mana setiap pembacaan data GPS yang mentah akan melewati proses filter sebelum digunakan dalam perhitungan posisi kendaraan.
Dengan algoritma ini, hasil posisi kendaraan menjadi lebih stabil dan akurat, sehingga sistem geofencing dapat bekerja lebih tepat dalam mendeteksi pergerakan kendaraan keluar atau masuk zona aman.
Berikut ini implementasi Kalman filter dalam bentuk pseudocode:
Pseudocode Start Inisialisasi Modul GPS Inisialisasi ESP32 dan ESP32-CAM Inisialisasi Buzzer Inisialisasi Koneksi Wi-Fi dan MQTT Inisialisasi Bot Telegram While True:
// Step 1: Input Data lat_raw, lon_raw = BacaDataGPS() // Step 2: Kalman Filter - Prediksi state_prediksi = F * state_sebelumnya cov_prediksi = F * cov_sebelumnya * F^T Q // Step 3: Kalman Filter - Update z = .
at_raw, lon_ra.
y = z - (H * state_prediks.
K = cov_prediksi * H^T * inverse(H * cov_prediksi * H^T R) state = state_prediksi K * y cov = (I - K * H) * cov_prediksi lat_filter, lon_filter = state.
, state.
// Step 4: Geofencing jarak = HitungJarak.
at_filter, lon_filter, pusat_zona_ama.
If .
arak > radius_zona_ama.
Then Status = "Bahaya" AktifkanBuzzer() Foto = AmbilGambar(ESP32-CAM) KirimNotifikasiTelegram(Status, lat_filter, lon_filter.
Fot.
Else Status = "Aman" // Step 5: Simpan Data SimpanKeWeb.
at_filter, lon_filter.
Status.
Timestamp()) Delay.
// jeda 1 detik EndWhile End Gambar 3 Pseudocode Kalman Filter Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Maret, 2026 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: 3109-1350 Gambar 4 Flowchard Proses Kalman Filter Adapun penjelasan dari gambar di atas yaitu:
Sistem mengambil data dari gps .
Kalman filter: menginput data mentah gps lalu menghasilkan output berupa posisi terkoreksi dengan nois tersaring.
Geofencing menghitung jarak Euclidean antara posisi motor dan titik zona aman.
Jika jarak lebih dari radius, maka alarm dan kamera akan menyala, lalu sistem akan mengirimkan notifikasi ke .
Haversine untuk Geofencing Selain Kalman Filter, sistem ini juga menggunakan algoritma Haversine untuk menghitung jarak antara posisi kendaraan dengan titik pusat zona aman.
Perhitungan jarak ini penting untuk menentukan apakah kendaraan berada di dalam atau di luar zona aman .
afe zon.
Haversine menghitung jarak antara dua titik di permukaan bumi dengan mempertimbangkan kelengkungan bumi menggunakan rumus sebagai berikut:
EAE E
EAE E
d = 2.
arcsin sin 2 E lat E cos.
at1 ) sin 2 E lon E
E 2 E
E 2 E
R=6.
000 m .
ari-jari bum.
lat = lintang .
lon= bujur .
Hasil perhitungan jarak kemudian dibandingkan dengan nilai radius zona aman yang ditentukan pengguna, yaitu 20 meter.
Jika nilai ycc lebih besar dari radius, maka sistem akan memicu status AuBahayaAy dan mengaktifkan buzzer serta pengguna bisa aktifkan kamera untuk mengambil foto pelaku.
Gambar 5 Tampilan Zona Aman Secara keseluruhan, kombinasi algoritma Kalman Filter.
Haversine, dan integrasi MQTTAeTelegram menciptakan sistem keamanan kendaraan yang responsif.
Kalman Filter memastikan akurasi posisi.
Haversine mengatur batas geofencing dengan perhitungan geografis presisi, dan MQTTAeTelegram menyediakan kanal komunikasi cepat antara sistem dan pengguna.
Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Maret, 2026 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: 3109-1350 Arsitektur Sistem Sistem yang dikembangkan terdiri dari perangkat keras dan lunak yang saling terhubung melalui internet.
Perangkat keras terdiri dari modul ESP32.
GPS, buzzer, dan ESP32-CAM yang dirangkain dalam satu sistem tepadu.
Komunikasi perangkat IoT dalam penelitian ini menggunakan protokol MQTT (Message Queuing Telemetry Transpor.
karena efisien dalam penggunaan bandwidth dan cocok untuk komunikasi perangkat IoT berbasis Wi-Fi.
ESP32 bertindak sebagai publisher yang mengirimkan data lokasi, status kendaraan, dan gambar hasil tangkapan kamera ke server broker MQTT.
Server kemudian meneruskan data ke subscriber, yaitu web dashboard dan aplikasi Telegram pengguna.
Integrasi antara sistem dan Telegram dilakukan melalui Telegram Bot API, di mana ESP32 akan mengirim pesan otomatis berisi teks dan gambar jika kendaraan keluar dari zona aman.
Pesan tersebut mencakup informasi seperti status kendaraan, waktu kejadian, koordinat hasil Kalman Filter, dan foto hasil tangkapan kamera.
Mekanisme ini memudahkan pemilik kendaraan untuk segera mengetahui kejadian mencurigakan secara real-time.
Berikut ini gambar 6 menampilkan diagram arsitektur dari sistem perangkat iot.
Gambar 6 Arsitektur Perangkat IoT Diagram ini menggambarkan bahwa ESP32 berfungsi sebagai pusat kendali, menerima data posisi dari GPS, memeriksa batas geofencing, serta mengirim notifikasi ke telegram saat kendaraan keluar dari zona aman.
Diagram Wiring Diagram wiring pada system ini menggambarkan hubungan antara perangkat keras yang digunakan.
Modul GPS NEO-6M dan buzzer dihubungkan langsung ke ESP32 Dev Board sebagai mikrokontroler ESP32-CAM terhubung ke sistem melalui mekanisme trigger dari ESP32, yang artinya ESP32CAM tidak bekerja terus-menerus.
Koneksi antar komponen dibuat sesuai spesifikasi masing-masing Jalur daya dan data diatur agar komunikasi berjalan stabil, dan penggunaan trigger pada ESP32-CAM membantu menghemat daya sekaligus memastikan kamera hanya aktif Ketika dibutuhkan.
Berikut ini gambar 7 Diagram Wiring.
Gambar 7 Diagram Wiring Teknik Analisis Data Analisis data dalam penelitian ini dilakukan untuk menilai performa dan tingkat keakuratan sistem keamanan kendaraan bermotor berbasis IoT yang dikembangkan.
Proses analisis melibatkan tiga pendekatan utama, yaitu uji fungsional sistem .
lack-box testin.
, uji akurasi posisi dengan metode Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Maret, 2026 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: 3109-1350 RMSE (Root Mean Square Erro.
, dan uji efektivitas pengguna menggunakan metode force choice.
Setiap metode analisis dipilih agar hasil pengujian tidak hanya bersifat teknis, tetapi juga merepresentasikan persepsi dan kepuasan pengguna terhadap sistem secara menyeluruh.
Uji Fungsional Ahli Materi Uji fungsional dilakukan dengan pendekatan black-box testing, di mana pengujian berfokus pada kesesuaian antara masukan dan keluaran sistem tanpa memperhatikan kode program di dalamnya.
Tujuan pengujian ini adalah untuk memastikan bahwa setiap fitur yang dirancang dalam sistem bekerja sesuai spesifikasi.
Pengujian mencakup fungsi utama seperti pelacakan lokasi GPS secara real-time, aktivasi geofencing, pengiriman notifikasi Telegram, serta pengambilan gambar melalui kamera ESP32-CAM.
Jika fitur berjalan sesuai dengan hasil yang diharapkan, maka fitur dinyatakan sebaliknya, apabila fitur tidak berfungsi sesuai rencana, maka diberi tanda tidak valid.
Persentase kelayakan sistem dihitung menggunakan rumus berikut:
Pr esentaseKelayakan(%) = Skoryangdiobservasi Skoryangdiharapkan Tabel 2 Instrumen Uji Ahli Hasil pengujian Valid Tidak Valid Proses yang diuji Sistem dapat menampilkan lokasi kendaraan secara real time.
Geofencing berfungsi dengan baik dan memberikan peringatan saat kendaraan keluar dari zona aman.
Sensor GPS dapat mendeteksi lokasi dengan akurat.
Alarm otomatis aktif saat kendaraan keluar dari zona aman.
Integrasi komponen IoT berjalan lancar.
Tabel 3 Hasil Uji Ahli Responden Pertanyaan Jumlah Total .
Uji Akurasi Posisi (Root Mean Square Error Ae RMSE) Untuk memastikan sistem pelacakan kendaraan memiliki tingkat akurasi tinggi, dilakukan pengujian terhadap hasil koordinat GPS sebelum dan sesudah penerapan algoritma Kalman Filter.
Pengujian ini bertujuan untuk mengetahui sejauh mana algoritma tersebut mampu mengurangi tingkat error pada pembacaan posisi.
Nilai error dihitung dengan membandingkan posisi raw GPS terhadap hasil Kalman Filter menggunakan rumus RMSE (Root Mean Square Erro.
sebagai berikut:
Eu .
Oe vI ) RMSE = i =1 Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Maret, 2026 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: 3109-1350 Keterangan:
ycycn: data hasil pengukuran GPS mentah, ycyuE: data hasil Kalman Filter, n: jumlah data pengamatan.
Semakin kecil nilai RMSE yang diperoleh, maka semakin tinggi akurasi sistem pelacakan.
Dalam penelitian ini, hasil pengujian menunjukkan bahwa nilai RMSE rata-rata berada di bawah 2 meter, yang berarti bahwa sistem mampu menampilkan posisi kendaraan dengan presisi tinggi dan pergerakan yang halus tanpa loncatan koordinat yang ekstrem.
Uji Efektivitas Pengguna (Force Choic.
Selain aspek teknis, pengujian sistem juga dilakukan terhadap pengguna akhir untuk menilai sejauh mana sistem mudah digunakan, efektif, dan memberikan rasa aman.
Pengujian ini menggunakan metode force choice, yaitu teknik survei di mana setiap responden dihadapkan pada dua pilihan jawaban yang berbeda, dan mereka harus memilih salah satu.
Metode ini digunakan untuk menghindari bias sosial dan mendapatkan preferensi pengguna yang sesungguhnya.
Setiap pertanyaan terdiri dari dua pernyataan yang mewakili dua aspek berbeda seperti usability, security, responsiveness.
UI/UX, accuracy, notification, informational, dan camera.
Jumlah pertanyaan yang diberikan sebanyak 16 item, dengan jumlah responden 6 orang pengguna sepeda motor.
Data yang diperoleh dari jawaban force choice tersebut dianalisis menggunakan rumus:
Pr esentase = JumlahPemilihAspek Total Re sponden Tabel 4 Instrumen Uji Pengguna Pertanyaan Pilihan A Sistem mudah digunakan untuk memantau lokasi Notifikasi saat kendaraan keluar dari zona aman sangat membantu.
Alarm otomatis Fitur geofencing berjalan dengan baik dan akurat.
Pengaturan zona aman mudah Desain antarmuka web mudah Sistem memberikan rasa aman yang lebih bagi pengguna.
Pilihan B Sistem memiliki tampilan yang menarik dan nyaman Notifikasi dari sistem mudah dipahami dan Kamera dapat mengambil gambar saat kendaraan keluar dari zona aman.
Informasi yang diberikan sistem akurat dan mudah Web monitoring mudah diakses di berbagai perangkat.
Proses instalasi sistem pada kendaraan mudah dilakukan.
Saya puas secara keseluruhan terhadap sistem pelacakan kendaraan ini.
Aspek A Aspek B Usability UI/UX Notification Informational Security Camera Geofencing Informational Usability Accessibility UI/UX Installation Security Satisfaction Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Maret, 2026 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: 3109-1350 Pertanyaan Pilihan A Waktu respon sistem terhadap perubahan lokasi kendaraan cukup Sistem mudah digunakan untuk mengatur fitur-fitur Notifikasi dikirimkan tepat waktu saat kendaraan keluar Antarmuka web sangat bersih dan Pengguna merasa tenang karena alarm langsung aktif saat kendaraan keluar Aspek A Pilihan B Aspek B Integrasi antara GPS, kamera, dan alarm berjalan dengan Responsiveness Integration Sistem memberikan data pelacakan yang lengkap dan jelas.
Usability Informational Kamera mengambil gambar kendaraan saat keluar dari zona Notification Camera Sistem dapat digunakan langsung tanpa perlu pelatihan.
UI/UX
Usability Sistem mempermudah pengguna dalam mengetahui posisi terkini kendaraan.
Security Informational Proses instalasi sistem cepat dan tanpa kendala.
Pengaturan sistem tidak memerlukan pengetahuan teknis Installation Accessibility Data pelacakan yang diberikan oleh sistem sangat Web dapat digunakan secara real-time tanpa Accuracy Responsiveness Saya puas dengan kinerja sistem selama digunakan.
Satisfaction Recommendation Sistem sangat responsif terhadap setiap perubahan lokasi kendaraan.
Responsiveness Control Saya akan sistem ini ke orang Sistem memberi kontrol penuh kepada pengguna atas semua Tabel 5 Hasil Uji Pengguna Usability Jumlah Jawaban Aspek Notification 7,29 Security 15,63 Geofencing 2,08 UI/UX 7,29 Installation 6,25 Accuracy 4,17 Satisfaction 7,29 Dimensi Persentase (%) 18,75 Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Maret, 2026 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN
e-ISSN: 3109-1350
Jumlah Jawaban Aspek
Persentase (%) Responsiveness 5,21 Informational 8,33 Camera
4,17
Accessibility 3,13 Integration 6,25 Recommendation 1,04 Control
3,13
Total Jawaban Pertanyaan Dimensi
HASIL DAN PEMBAHASAN
Hasil Penelitian ini menghasilkan sistem pelacakan kendaraan bermotor roda dua berbasis Internet of Things (IoT) yang terintegrasi dengan ESP32 Dev Board.
GPS NEO-6M.
ESP32-CAM, dan buzzer, serta dashboard web monitoring berbasis protokol MQTT.
Sistem ini mampu menampilkan posisi kendaraan secara real-time, memberikan peringatan otomatis saat kendaraan keluar dari zona aman .
, serta mengirimkan notifikasi dan foto kondisi kendaraan ke aplikasi Telegram.
Berikut ini gambar dari dashboard web monitoring Gambar 8 Halaman Dashboard Sistem Monitoring Sistem juga menyediakan opsi download file CSV untuk menyimpan riwayat posisi kendaraan.
Fitur ini digunakan untuk melakukan perhitungan error dan RMSE setelah proses pengujian lapangan.
Hasil Analisis GPS dan Kalman Filter Sistem menggunakan Kalman Filter untuk memproses data GPS yang diperoleh dari modul gps neo-6m agar lebih akurat dan mengurangi efek noise.
Berikut langkah-langkah implementasinya:
Inisialisasi Nilai Awal:
double lat_est = 0.
0, lng_est = 0.
// Estimasi awal posisi double err_est_lat = 1.
0, err_est_lng = 1.
// Error awal estimasi const double q = 0.
// Process noise (Q) const double r = 0.
// Measurement noise (R) Variabel lat_est dan lng_est adalah estimasi awal posisi GPS, sedangkan q dan r masingmasing merepresentasikan proses noise dan measurement noise.
Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Maret, 2026 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: 3109-1350 .
Perhitungan Kalman Gain:
Kk = P( k k Oe.
P( k k Oe.
R Implementasi kode:
double k_gain = err_est / .
rr_est .
Nilai Kalman Gain menentukan tingkat kepercayaan sistem terhadap data baru dari sensor GPS dibanding hasil prediksi sebelumnya.
Update Estimasi:
= ycu.
yco Oe .
yayco Oo .
cyco Oe ya Oo ycu.
yco Oe .
) Implementasi Kode:
estimate = k_gain * .
easurement - estimat.
Estimasi posisi .
diperbarui berdasarkan data GPS baru .
dan bobot Kalman Gain.
Dalam sistem ini H=1 karena pengukuran langsung mewakili keadaan.
Update Kovarian Error:
P( k k ) = ( I Oe K k .
H ).
P( k k Oe.
Implementasi kode:
err_est = .
0 - k_gai.
* err_est fabs.
stimate - measuremen.
* q.
- k_gai.
* err_est, merupakan bagian rumus klasik untuk memperbarui nilai kovarian .
stimate - measuremen.
* q, digunakan untuk melakukan adaptive tuning, agar system menyesuaikan level kepercayaan terhadap sensor berdasarkan seberapa besar selisih antara hasil prediksi dan data GPS .
Fungsi Lengkap Kalman filter:
double kalmanUpdate.
ouble measurement, double& estimate, double& err_es.
{ double k_gain = err_est / .
rr_est .
Kalman Gain estimate = k_gain * .
easurement - estimat.
Update estimasi err_est = .
0 - k_gai.
* err_est fabs.
stimate measuremen.
* q.
// Update error adaptif return estimate.
Proses ini dilakukan untuk setiap data koordinat yang diterima dari GPS .
atitude dan longitud.
Hasil akhir yang diperoleh berupa data posisi yang lebih halus dan presisi.
Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Maret, 2026 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN
e-ISSN: 3109-1350
Tabel 6 GPS & Kalman Filter
lat_raw lon_raw lat_kalman lon_kalman 2025-08-
27T04:09:12
6,593090833
106,7901357
106,7901347
0,389175142
Aman 106,7901463 0,079960226 Aman 106,7901468 0,00066717 Aman 106,7901692 0,521865916 Bahaya
106,7901711
0,825770306
Bahaya
106,7901209
0,350846164
Bahaya
106,7901515
0,355502275
Bahaya
106,7901403
0,374601148
Bahaya
106,7901541
0,775375751
Bahaya
106,7901198
0,923747504
Bahaya
106,7900667
0,64175587
Aman 106,7901063 0,23692719 Aman 106,7901271 0,432160256 Aman 106,7901277 0,072833377 Aman 106,7901467 0,173307843 Aman 106,7901657 0,186443335 Aman 106,7901772 0,076535209 Aman 106,7901874 0,364330505 Aman 6,593087477 2025-08-6,5931085 106,7901468 -6,5931085 106,7901468 -6,59310798 27T04:09:42 2025-08-
27T04:10:12
6,593108494
2025-08-
27T04:10:43
6,592752833
106,7901673
2025-08-
27T04:11:13
6,592788833
-6,59275713
106,7901665
6,592782979
2025-08-
-6,5927785
106,7901238
27T04:11:43
2025-08-
6,592779787
106,7901542
27T04:12:14
6,592791667
2025-08-
6,592789927
106,7901372
27T04:12:44
6,592787833
2025-08-
27T04:13:15
6,592783167
2025-08-
6,592786467
106,7901482
6,592779389
106,790126
27T04:13:45
6,592852833
2025-08-
6,592847258
106,7900655
27T04:14:15
6,593034833
6,593029186
2025-08-
-6,5931055
106,7901073
27T04:14:46
6,593103615
2025-08-
27T04:15:16
6,593137667
2025-08-
27T04:15:46
6,593088667
106,790131
6,593137976
106,7901272
2025-08-
-6,593083
106,7901457
27T04:16:17
2025-08-
-6,59308824
6,593081799
106,7901673
27T04:16:48
6,593095333
2025-08-
27T04:17:18
6,593078833
6,593094799
106,790177
6,593079492
2025-08-
-6,5931035
27T04:17:49
106,7901843
6,593102381
Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Maret, 2026 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN
e-ISSN: 3109-1350
lat_raw lon_raw lat_kalman lon_kalman 2025-08-
106,7901532
27T04:18:19
6,593107167
2025-08-
6,593096667
106,7901623
27T04:19:10
106,7901868
27T04:20:49
106,7901607
0,191409473
Aman 106,7901868 0,186140307 Aman 106,79019 0,168757906 Aman 106,7902138 0,03396394 Aman 106,7902095 0,073135641 Aman 106,790207 0,299364006 Aman 106,7902145 0,159038205 Aman 106,7902308 0,209195751 Aman 106,7902335 0,133495457 Aman 106,7902166 0,320967248 Aman 6,593082674 106,7901893 27T04:21:19 6,593059167 2025-08-
6,593057818
106,790214
6,593094333
6,593094101
2025-08-
-6,5931075
106,7902093
27T04:22:21
6,593106873
2025-08-
27T04:22:51
6,593112667
106,7902097
2025-08-
-6,5931129
-6,59314
106,7902135
27T04:23:21
6,593138971
106,7902322
6,593135833
2025-08-
27T04:24:19
6,593123833
6,593134566
106,7902333
6,593125017
2025-08-
-6,5931015
106,7902148
27T04:24:50
Aman -6,593081 27T04:23:49 0,369714698 6,593105661 2025-08-
2025-08-
106,7901609
-6,593105
27T04:21:49
Aman 6,593094702 2025-08-
2025-08-
0,133725358
106,7901582
27T04:18:50
106,790152
6,593107008
6,593103766
Error Maximum
0,923747504
RMSE
0,381235183
RMSE %
41,27049675
Pembahasan .
Hasil GPS dan Kalman Filter Berdasarkan hasil perhitungan tabel 4 , error maksimum sebesar 0,9237 m, sedangkan RMSE sebesar 0,381 m .
,27%), menunjukkan bahwa Kalman Filter berhasil menurunkan fluktuasi data GPS hingga di bawah setengah meter.
Nilai error pada tabel diperoleh dengan mengukur jarak antara koordinat GPS mentah .
dengan koordinat hasil Kalman Filter menggunakan rumus Perhitungan dilakukan pada Microsoft Excel dengan formula :
R = 6.
000 m .
ari-jari bum.
lat = lintang .
lon = bujur .
ongitude EAE E
EAE E
d = 2.
arcsin sin 2 E lat E cos.
at1 ) sin 2 E lon E
E 2 E
E 2 E
Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Maret, 2026 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: 3109-1350 implementasi rumus di excel dituliskan sebagai:
RADIAN ( B2 Oe D.
= 2 * 6371000 * ASIN ( SQRT( SIN (
) COS( RADIANS ( D.
* COS( RADIANS ( B.
) * SIN (
RADIANS (C 2 Oe B.
)))
Setelah nilai error kemudiang dihitung RMSE, error per titik .
i Oe i ) direpresentasikan oleh hasil perhitungan Haversine perkolom error m.
perhitungan RMSE dilakukan di Excel dengan formula :
= ycIycEycIycN.
aycOyaycIyayaya.
cEycCycOyaycI.
a2: ya31.
Hasil perhitungan menghasilkan nilai RMSE = 0,381 meter.
Untuk mengetahui tingkat akurasi relative, nilai RMSE dibandingkan dengan error Perhitungan dilakukan dengan formula:
= MAX ( F 2 : F .
Ie errormaksi mum
F 33
*100 Ie RMSE% F 32 Dari hasil perhitungan diperoleh error maksimum sebesar 0,9237m, dan RMSE 41,27% dari error Nilai error setelah penerapan Kalman Filter relatif kecil, yaitu berada pada rentang 0,0006 meter .
,07%) hingga 0,9237 meter .
%).
Error terkecil tercatat sebesar 0,0006 meter pada pukul 04:10:12 saat kendaraan berada dalam zona aman, sedangkan error terbesar sebesar 0,9237 meter terjadi pada pukul 04:13:45 ketika kendaraan berada di luar zona aman.
Hal ini menunjukkan bahwa Kalman Filter mampu mengurangi variasi data GPS dan menghasilkan estimasi posisi yang lebih stabil.
Hasil Pengujian Geofencing Berdasarkan data pada Tabel 4 GPS & Kalman Filter, sistem pelacakan kendaraan berhasil mendeteksi perubahan status zona secara akurat.
Saat kendaraan berada di zona aman, status AuAmanAy muncul dengan rata-rata error posisi rendah .
,07Ae0,38 .
Ketika kendaraan keluar dari zona aman, status otomatis berubah menjadi AuBahayaAy, buzzer aktif, dan notifikasi terkirim ke aplikasi Telegram dengan waktu respon kurang dari 2 detik.
Nilai RMSE sebesar 0,381 m menunjukkan peningkatan akurasi posisi setelah penerapan Kalman Filter, yang efektif mengurangi noise pada data GPS.
Secara keseluruhan, sistem geofencing dan notifikasi real-time bekerja sesuai rancangan dan terbukti meningkatkan keamanan kendaraan bermotor berbasis IoT.
Berikut gambar notifikasi saat kendaraan keluar zona aman.
Gambar 9 jam 9:06PM terdeteksi keluar dan Gambar 10 jam 21:06PM menampilkan peringatan yang muncul di telegram.
Gambar 9 Saat Kendaraan Keluar Dari Zona Aman Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Maret, 2026 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: 3109-1350 Gambar 10 Notifikasi Muncul di Telegram Hasil Uji Coba Ahli dan Pengguna Dua kategori pengujian dilakukan untuk menilai kelayakan sistem: uji ahli materi dan uji pengguna .
orce choic.
Uji ahli menunjukkan bahwa sistem dinilai sangat layak .
%) dari segi fungsional dan implementasi fitur.
Kemudian hasil dari uji hasil pengguna, force choice rekapitulasi menunjukkan bahwa aspek usability .
,75%) dan security .
,63%) memperoleh nilai tertinggi, menandakan sistem mudah digunakan dan memberikan rasa aman.
Aspek seperti accuracy dan geofencing memperoleh nilai sedang karena bergantung pada kualitas sinyal GPS di area pengujian.
Dengan demikian sistem dinilai mudah digunakan .
sability tingg.
, tampilannya interaktif (UI/UX bai.
, dan memiliki respon cepat terhadap perubahan kondisi.
Kekurangan kecil terletak pada sensitivitas alarm dan akurasi geofencing di area tertutup dengan sinyal GPS lemah.
Namun, secara keseluruhan, sistem ini telah memenuhi kriteria fungsional dan kebutuhan pengguna dengan baik.
Prototype Sistem Tahap pembuatan prototype dilakukan untuk merealisasikan rancangan sistem pelacakan kendaraan berbasis IoT menjadi bentuk fungsional.
Komponen utama seperti ESP32.
GPS NEO-6M.
ESP32CAM, dan buzzer dirakit sesuai desain, sedangkan antarmuka web monitoring dikembangkan dengan HTML.
CSS, dan JavaScript menggunakan protokol MQTT sebagai media komunikasi Tahap ini bertujuan untuk memastikan kesesuaian antara rancangan dan implementasi sistem sebelum dilakukan pengujian performa lebih lanjut.
Gambar 11 Prototype Sistem Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Maret, 2026 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN
e-ISSN: 3109-1350
KESIMPULAN DAN SARAN
Penelitian ini berhasil mengembangkan sistem pelacakan kendaraan bermotor roda dua berbasis IoT dengan integrasi antara ESP32.
GPS NEO-6M.
ESP32-CAM, buzzer.
Geofencing dan Telegram API yang bekerja secara real-time melalui web monitoring berbasis Leaflet API.
Penerapan Kalman Filter terbukti meningkatkan akurasi koordinat GPS dengan nilai RMSE sebesar 0,381 m, menghasilkan posisi yang lebih stabil dan presisi.
Fitur geofencing mampu mendeteksi pergerakan kendaraan keluar dari zona aman dan secara otomatis mengaktifkan alarm serta mengirimkan notifikasi ke Telegram.
Hasil uji fungsional dan uji pengguna menunjukkan sistem layak digunakan, mudah dioperasikan, serta efektif dalam meningkatkan keamanan Untuk pengembangan selanjutnya, sistem disarankan dilengkapi modul GSM (SIM800L) agar dapat beroperasi tanpa jaringan Wi-Fi, serta menambahkan fitur autentikasi pengguna dan algoritma pengenalan objek pada Uji coba di berbagai kondisi lingkungan dan penggunaan instrumen evaluasi skala Likert juga direkomendasikan untuk memperoleh hasil penilaian yang lebih mendalam.
DAFTAR PUSTAKA