From 44ecb4639a65deb1c46d8d1b0252957d7704b933 Mon Sep 17 00:00:00 2001
From: nuluh <dam.ar@outlook.com>
Date: Thu, 15 May 2025 06:41:39 +0700
Subject: [PATCH] feat(latex): add brief evaluation of classic machine learning
 algorithms for damage localization

---
 .../machine_learning.tex                      | 24 ++++++++++++++++++-
 1 file changed, 23 insertions(+), 1 deletion(-)

diff --git a/latex/chapters/id/02_literature_review/theoritical_foundation/machine_learning.tex b/latex/chapters/id/02_literature_review/theoritical_foundation/machine_learning.tex
index fa80259..ade6f14 100644
--- a/latex/chapters/id/02_literature_review/theoritical_foundation/machine_learning.tex
+++ b/latex/chapters/id/02_literature_review/theoritical_foundation/machine_learning.tex
@@ -1 +1,23 @@
-\subsection{Machine Learning}
\ No newline at end of file
+\subsection{Algoritma Pemelajaran Mesin Klasifikasi Klasik}
+
+Penelitian ini mengeavaluasi lima algoritma pemelajaran mesin klasik untuk melakukan tugas pengklasifikasian terhadap lokalisasi kerusakan. Setiap algoritma memiliki keunggulan dan limitasi masing-masing, dan performa untuk setiap algoritma dijadikan tolok ukur untuk mengidentifikasi manakah algoritma yang paling sesuai untuk setiap \textit{dataset} yang diberikan.
+
+\subsubsection{Support Vector Machine (SVM)}
+
+Mesin vektor pendukung (SVM) adalah sebuah algoritma pemelajaran mesin terarah yang mencari \textit{hyperplane} optimal dengan cara memisahkan data ke dalam kelas-kelas dengan margin maksimum. SVM bekerja dengan baik pada ruang dimensi tinggi dan cukup kokoh terhadap \textit{overfitting}, terutama pada kasus yang membutuhkan batasan margin secara jelas.
+
+SVM sesuai untuk klasifikasi sinyal getaran karena kemampuannya untuk mengatasi keputusan batasan-batasan non-linier apabila dilengkapi dengan fungsi kernel, seperti fungsi kernel berbasis radial (RBF).
+
+\subsubsection{K-Nearest Neighbors (KNN)}
+
+KNN merupakan sebuah algoritma pemelajaran non-parametrik, berbasis contoh. Algoritma ini mengklasifikasi titik data yang berbasis pada pungutan suara terbanyak dari tetangga terdekat $k$ pada ruang fitur. Meskipun dinilai sederhana, KNN dapat dinilai efektif ketika datanya terdistribusi dengan baik dan batasan-batasan pada kelasnya merata.
+
+Performa algoritma ini sensitif pada pemilihan $k$ dan jarak metriknya. Untuk data dengan dimensi tinggi seperti fitur STFT, mungkin diperlukan optimalisasi atau penskalaan dimensi.
+
+\subsubsection{Decision Tree (DT)}
+
+\subsubsection{Random Forest (RF)}
+
+\subsubsection{Bagged Trees (BT)}
+
+\bigskip
\ No newline at end of file