nuluh/thesis
1
0
Fork 0
Code Issues 47 Pull Requests Actions Packages Projects Releases 1 Wiki Activity

WIP: checkpoint methodology

Browse Source
This commit is contained in:
Rifqi D. Panuluh
2025-10-10 02:25:29 +00:00
parent 01c2a9d232
commit 0217abfb88
7 changed files with 558 additions and 27 deletions
Download Patch File Download Diff File Expand all files Collapse all files

8
latex/chapters/id/03_methodology/index.tex
View File

@@ -14,10 +14,12 @@
\input{chapters/id/03_methodology/steps/data_acquisition}
\section{Ekstraksi Fitur}
% \input{chapters/id/03_methodology/steps/feature_extraction}
\input{chapters/id/03_methodology/steps/feature_extraction}
\section{Analisis Data}
\input{chapters/id/03_methodology/data_analysis}
Sebelum pelatihan model dan optimasi \textit{hyperparameter}, dilakukan analisis eksplorasi pada data untuk memahami karakteristik dan struktur fitur-fitur yang telah diproses. Pada langkah ini, reduksi dimensi dengan \gls{pca} digunakan untuk mengevaluasi seberapa besar varian yang dapat dijelaskan oleh setiap komponen utama menggunakan diagram \textit{scree}. Kemudian visualisasi data dilakukan dengan teknik reduksi dimensi non-linear \gls{tsne} \parencite{JMLR:v9:vandermaaten08a} dan \gls{pacmap} \parencite{JMLR:v22:20-1061} untuk mengamati ruang fitur (ruang berdimensi tinggi) pada ruang dua dimensi.
Visualisasi non-linear ini bertujuan untuk menilai seberapa baik fitur-fitur getaran yang diekstraksi dapat merepresentasikan kondisi struktur yang berbeda dan mengidentifikasi rentang parameter yang sesuai untuk optimasi model selanjutnya. Pemahaman ini penting dalam merancang strategi pencarian \textit{grid} yang efisien, sehingga dapat menyeimbangkan kompleksitas model dengan interpretabilitas, terutama dalam menentukan jumlah komponen utama \gls{pca} yang optimal untuk dipertahankan dalam pipeline klasifikasi.
\section{Pengembangan Model}
Model klasifikasi \gls{svm} dengan kernel \gls{rbf} digunakan untuk mengklasifikasikan lokasi kerusakan struktur. Model ini dipilih karena kemampuannya dalam menangani data non-linear dan efektivitasnya dalam berbagai aplikasi klasifikasi dengan bantuan kernel \gls{rbf} yang memungkinkan pemetaan data ke ruang fitur berdimensi lebih tinggi, sehingga memudahkan pemisahan kelas yang kompleks.
@@ -53,6 +55,8 @@ Tabel \ref{tab:grid_search_parameters} merangkum parameter-parameter yang diguna
\bottomrule
\end{tabular}
\end{table}
\section{Evaluasi Model}