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

refactor(latex): refactor introduction and results chapters to localization directory

Browse Source
This commit is contained in:
Rifqi D. Panuluh
2025-08-23 01:55:23 +00:00
parent e2a4c80d49
commit 18edaaa7c9
4 changed files with 152 additions and 16 deletions
Download Patch File Download Diff File Expand all files Collapse all files

149
latex/chapters/id/04_results.tex Normal file
View File

@@ -0,0 +1,149 @@
\chapter{Hasil Penelitian dan Pembahasan}
\section{Pendahuluan Singkat}
Bab ini menyajikan hasil evaluasi model untuk prediksi lokasi kerusakan berbasis fitur domain waktu dan frekuensi yang diekstrak dari STFT. Tujuan utama evaluasi adalah menguji apakah kombinasi fitur waktu--frekuensi dapat meningkatkan kinerja klasifikasi dibandingkan masing-masing domain secara terpisah, serta menilai kelayakan pendekatan sensor terbatas untuk penerapan di lapangan.
Secara ringkas, kami menampilkan: (i) performa utama pada data uji, (ii) analisis per-kelas dan pola kesalahan, (iii) studi ablation dan sensitivitas mencakup fitur, parameter STFT, serta jumlah/posisi sensor, dan (iv) uji robustness serta implikasi implementasi. Detail metodologi eksperimen telah diuraikan pada Bab Metodologi; bagian ini berfokus pada temuan empiris dan interpretasinya.
\section{Rancangan Evaluasi}
\subsection{Dataset dan Pembagian Data}
Evaluasi dilakukan pada himpunan data berlabel yang terdiri dari \textit{[N\_total]} sampel dengan \textit{[K]} kelas lokasi kerusakan. Data dibagi menjadi \textit{[N\_train]} sampel pelatihan, \textit{[N\_val]} validasi, dan \textit{[N\_test]} pengujian, atau menggunakan skema \textit{k}-fold dengan \textit{[k]} lipatan (rincian skema dipertahankan konsisten dengan Bab Metodologi). Potensi ketidakseimbangan kelas dicatat dengan rasio maksimum/minimum sekitar \textit{[imbalance\_ratio:1]}.
\subsection{Pra-pemrosesan dan Ekstraksi Fitur}
Sinyal diproses dengan normalisasi \textit{[jenis normalisasi/standarisasi]}, dan augmentasi \textit{[jenis augmentasi, jika ada]}. Fitur domain waktu dan frekuensi diekstraksi; komponen frekuensi diperoleh dari STFT dengan window Hann, ukuran jendela \textit{[win\_size]} sampel, overlap
\subsection{Model dan Metrik Evaluasi}
Model utama adalah SVM dengan kernel \textit{[RBF/Linear]} dan pemilihan hyperparameter (\textit{C}, \textit{gamma}) melalui \textit{[grid/random/bayes] search} pada data validasi. Metrik evaluasi meliputi Akurasi, Macro-F1, Macro-Precision, Macro-Recall, Balanced Accuracy, serta Cohen's Kappa. Untuk analisis multi-kelas yang lebih tajam, kami juga melaporkan metrik per-kelas dan Confusion Matrix.
\section{Hasil Utama}
\begin{table}[htbp]
\centering
\caption{Hasil utama pada data uji untuk beberapa konfigurasi fitur dan model. Nilai diisi dari eksperimen akhir.}
\label{tab:main-results}
\begin{tabular}{lccc}
\hline
Konfigurasi & Akurasi & Macro-F1 & Kappa \\
\hline
Time-domain + SVM-RBF & -- & -- & -- \\
Freq-domain + SVM-RBF & -- & -- & -- \\
Kombinasi (Time+Freq) + SVM-RBF & \textbf{--} & \textbf{--} & \textbf{--} \\
\hline
\end{tabular}
\end{table}
Konfigurasi terbaik diperoleh pada kombinasi fitur waktu--frekuensi dengan SVM-\textit{[kernel]}, menghasilkan Akurasi sebesar \textit{[acc\_best]}\%, Macro-F1 sebesar \textit{[f1\_best]}\%, dan Kappa sebesar \textit{[kappa\_best]} pada data uji (Tabel~\ref{tab:main-results}). Dibandingkan baseline domain waktu saja, Macro-F1 meningkat sekitar \textit{[delta\_f1\_time]} poin persentase; dibandingkan domain frekuensi saja, peningkatan mencapai \textit{[delta\_f1\_freq]} poin persentase. Hasil ini mengindikasikan bahwa informasi pelengkap antara dinamika temporal dan spektral berkontribusi nyata terhadap separabilitas kelas.
Performa pada metrik Balanced Accuracy dan Macro-Recall juga konsisten, menandakan model tidak terlalu bias pada kelas mayoritas. Nilai Kappa \textit{[kappa\_best]} mengindikasikan tingkat kesepakatan yang \textit{[moderat/tinggi]} melampaui kebetulan.
\section{Analisis Per-Kelas dan Kesalahan}
\begin{figure}[htbp]
\centering
% \includegraphics[width=0.8\textwidth]{img/confusion_matrix.pdf}
\fbox{\begin{minipage}[c][0.30\textheight][c]{0.80\textwidth}\centering
Placeholder Confusion Matrix
\end{minipage}}
\caption{Confusion matrix pada data uji. Isikan gambar aktual dari pipeline evaluasi.}
\label{fig:cm}
\end{figure}
\begin{table}[htbp]
\centering
\caption{Metrik per-kelas pada data uji. Gunakan bila diperlukan untuk melengkapi Confusion Matrix.}
\label{tab:per-class}
\begin{tabular}{lccc}
\hline
Kelas & Precision & Recall & F1 \\
\hline
A & -- & -- & -- \\
B & -- & -- & -- \\
C & -- & -- & -- \\
% ... tambah baris sesuai jumlah kelas
\hline
\end{tabular}
\end{table}
Confusion Matrix pada Gambar~\ref{fig:cm} menunjukkan pola salah klasifikasi yang dominan antara kelas \textit{[kelas\_A]} dan \textit{[kelas\_B]}. Dua kelas ini memiliki respons spektral yang mirip pada rentang \textit{[f\_low--f\_high]} Hz, sehingga kesalahan terutama terjadi ketika amplitudo sinyal rendah atau \textit{signal-to-noise ratio} menurun. Sebaliknya, kelas \textit{[kelas\_C]} memperlihatkan separasi yang baik dengan Recall \textit{[recall\_C]}\% dan F1 \textit{[f1\_C]}\% (Tabel~\ref{tab:per-class}).
Analisis kesalahan kasus-per-kasus menunjukkan bahwa \textit{[proporsi\_\%]}\% prediksi keliru terjadi pada sampel dengan \textit{[ciri sinyal/condisi uji]} dan \textit{[konfigurasi sensor]}. Hal ini menyarankan perlunya \textit{[strategi perbaikan, mis. penambahan fitur bandpass tertentu atau penyeimbangan kelas]}.
\section{Ablasi dan Sensitivitas}
\subsection{Ablasi Fitur}
\begin{figure}[htbp]
\centering
\includegraphics[width=0.75\textwidth]{example-image-a}
\fbox{\begin{minipage}[c][0.22\textheight][c]{0.70\textwidth}\centering
Placeholder Bar Chart: Time vs Freq vs Kombinasi
\end{minipage}}
\caption{Perbandingan performa berdasarkan jenis fitur.}
\label{fig:ablation-features}
\end{figure}
Studi ablation pada Gambar~\ref{fig:ablation-features} menegaskan bahwa kombinasi fitur memberikan peningkatan \textit{[delta\_ablation]} poin persentase pada Macro-F1 dibandingkan fitur domain waktu saja. Hal ini mengindikasikan bahwa karakteristik harmonik dan komponen frekuensi transien yang ditangkap STFT berkontribusi pada pemisahan kelas yang lebih baik.
\subsection{Parameter STFT dan Windowing}
\begin{table}[htbp]
\centering
\caption{Sensitivitas terhadap parameter STFT pada data validasi.}
\label{tab:stft-sensitivity}
\begin{tabular}{lcccc}
\hline
Window & n\_fft & Overlap & Akurasi & Macro-F1 \\
\hline
Hann & -- & -- & -- & -- \\
Hann & -- & -- & -- & -- \\
(Tanpa window) & -- & -- & -- & -- \\
\hline
\end{tabular}
\end{table}
Eksperimen sensitivitas pada Tabel~\ref{tab:stft-sensitivity} memperlihatkan adanya \textit{trade-off} antara resolusi waktu dan frekuensi. Peningkatan \textit{n\_fft} cenderung memperhalus resolusi frekuensi namun mengurangi ketelitian temporal, sedangkan overlap yang lebih besar \textit{[overlap\_\% range]}\% membantu stabilitas estimasi fitur pada sinyal bising. Penggunaan window Hann memberikan kenaikan Macro-F1 sekitar \textit{[delta\_hann]} poin dibanding tanpa window, menegaskan peran pengurangan \textit{spectral leakage}.
\subsection{Pendekatan Sensor Terbatas}
\begin{figure}[htbp]
\centering
% placeholder
\includegraphics[width=0.75\textwidth]{example-image-a}
\fbox{\begin{minipage}[c][0.22\textheight][c]{0.70\textwidth}\centering
Placeholder: Performa vs Jumlah/Posisi Sensor
\end{minipage}}
\caption{Dampak jumlah/konfigurasi sensor terhadap performa.}
\label{fig:sensor-limited}
\end{figure}
Hasil pada Gambar~\ref{fig:sensor-limited} menunjukkan bahwa pengurangan dari \textit{[n\_sensors\_full]} menjadi \textit{[n\_sensors\_min]} sensor hanya menurunkan Macro-F1 sekitar \textit{[delta\_perf\_sensors]} poin, khususnya ketika sensor ditempatkan pada \textit{[posisi sensor terbaik]}. Ini mengindikasikan bahwa pendekatan sensor terbatas tetap layak untuk implementasi dengan biaya perangkat keras yang lebih rendah, selama pemilihan posisi sensor dioptimalkan.
\section{Robustness dan Generalisasi}
\begin{table}[htbp]
\centering
\caption{Ringkasan kinerja antar-fold (jika menggunakan k-fold).}
\label{tab:kfold}
\begin{tabular}{lcc}
\hline
Metrik & Rata-rata & Deviasi Standar \\
\hline
Macro-F1 & -- & -- \\
Akurasi & -- & -- \\
\hline
\end{tabular}
\end{table}
Pada skema validasi silang \textit{k}-fold, variasi performa relatif rendah dengan simpangan baku Macro-F1 sebesar \textit{[std\_f1]} (Tabel~\ref{tab:kfold}), menandakan stabilitas model terhadap variasi subset data. Penambahan noise sintetis pada tingkat SNR \textit{[snr levels]} menunjukkan penurunan performa yang \textit{[ringan/sedang/bermakna]} sekitar \textit{[delta\_snr]} poin; augmentasi \textit{[jenis augmentasi]} membantu mengkompensasi sebagian penurunan tersebut.
Pada skenario \textit{domain shift} \textit{[nama skenario]}, model mempertahankan Macro-F1 sebesar \textit{[f1\_shift]}\%, yang menunjukkan \textit{[derajat generalisasi]} terhadap kondisi yang berbeda dari data pelatihan.
\section{Perbandingan dengan Pustaka/Baseline}
Temuan kami selaras dengan tren yang dilaporkan oleh \textcite{abdeljaber2017}, khususnya mengenai pentingnya informasi frekuensi untuk mendeteksi lokasi kerusakan. Meskipun demikian, perbedaan \textit{setup} eksperimen (\textit{[jenis struktur/skenario uji]}, konfigurasi sensor, dan definisi kelas) membuat angka metrik tidak dapat dibandingkan secara langsung. Oleh karena itu, perbandingan difokuskan pada pola dan arah peningkatan, bukan nilai absolut.
\section{Kompleksitas dan Implementasi}
Model SVM dengan fitur \textit{[jenis fitur terbaik]} menawarkan waktu inferensi sekitar \textit{[t\_infer\_ms]} ms per sampel pada \textit{[perangkat/CPU/GPU]}. Tahap ekstraksi STFT memerlukan \textit{[t\_stft\_ms]} ms per segmen dengan parameter \textit{[n\_fft]}, overlap \textit{[overlap\_\%]}\%, dan window Hann. Secara keseluruhan, latensi ujung-ke-ujung diperkirakan \textit{[t\_end2end\_ms]} ms, yang \textit{[memadai/belum memadai]} untuk aplikasi \textit{[real-time/near real-time]}.
Dengan \textit{[n\_sensors\_min]} sensor, kebutuhan komputasi dan bandwidth data berkurang \textit{[proporsi pengurangan]} dibanding konfigurasi penuh, yang memperbaiki kelayakan implementasi lapangan tanpa mengorbankan akurasi secara signifikan.
\section{Ringkasan Bab}
\begin{itemize}
\item Konfigurasi terbaik (\textit{[konfigurasi terbaik]}) mencapai Akurasi \textit{[acc\_best]}\%, Macro-F1 \textit{[f1\_best]}\%, dan Kappa \textit{[kappa\_best]} pada data uji.
\item Kesalahan dominan terjadi antara kelas \textit{[kelas\_A]} dan \textit{[kelas\_B]} karena kemiripan respons pada \textit{[f\_low--f\_high]} Hz; strategi \textit{[strategi perbaikan]} direkomendasikan.
\item Ablasi menegaskan manfaat kombinasi fitur; window Hann dan parameter STFT \textit{[n\_fft, overlap]} memberi keseimbangan resolusi yang baik.
\item Pendekatan sensor terbatas dengan \textit{[n\_sensors\_min]} sensor tetap layak dengan penurunan performa \textit{[delta\_perf\_sensors]} poin.
\item Model menunjukkan stabilitas antar-fold (\textit{[std\_f1]}) dan ketahanan \textit{[terhadap noise/domain shift]} dengan penyesuaian \textit{[augmentasi/penalaan]}.
\end{itemize}