feat(latex): add new research papers to appendix with detailed summaries and findings

latex/appendix/important/abdeljaber2017.tex

@@ -0,0 +1,41 @@
+2   %Nomor
+            
+            %for mult rows
+
+            &   %Judul Jurnal
+            Real-time vibration-based structural damage detection using one-dimensional convolutional neural networks \href{https://doi.org/10.1016/j.jsv.2016.10.043}{10.1016/j.jsv.
+            2016.10.043}
+            
+            %for mult rows
+
+            % &   %Author
+            % % Satish B Satpal; Yogesh Khandare; Anirban Guha; Sauvik Banerjee
+            
+            % %for mult rows
+
+            % &   %Nama Jurnal
+            % International Journal of Advanced Structural Engineering (IJASE) 
+            
+            % %for mult rows
+
+            % &   %Sumber
+            % \href{http://dx.doi.org/10.1186/2008-6695-5-2}{ResearchGate}
+            
+            % %for mult rows
+
+            % & %Tahun
+            % 2020
+            
+            % %for mult rows
+
+            &   %Tujuan penelitian
+            Mengidentifikasi lokasi kerusakan struktur secara \textit{real-time} dengan memproses sinyal getaran mentah yang diambil dari jaringan-jaringan akselerometer pada setiap titik tanpa proses tambahan atau ekstraksi fitur.
+
+            &   %Kesimpulan
+                % Studi ini menilai kemampuan mesin vektor pendukung untuk memprediksi intensitas kerusakan dan lokasi pada balok kantilever. Meskipun berhasil memprediksi kerusakan dengan sedikit kesalahan, tingkat kebisingan dan lokasi kerusakan memengaruhi keakuratan. Tingkat kebisingan yang tinggi mempengaruhi kinerja secara signifikan, terutama pada intensitas kerusakan yang lebih rendah.
+            &   % Gap Research
+                \begin{enumerate}
+                    \item Riset ini hanya dilakukan dengan \textit{full-grid array} akselerometer yang diletakkan pada setiap \textit{node} kerusakan, sehingga memerlukan banyak perangkat akselerometer.
+
+                    \item Tidak ada komparasi performa efisiensi dan akurasi dengan algoritma pembelajaran mesin lain yang lebih populer sebelumnya.
+                \end{enumerate}

latex/appendix/important/van2020.tex

@@ -0,0 +1,68 @@
+1 
+            
+%for mult rows
+
+& 
+Statistical Feature Extraction in Machine Fault Detection using Vibration Signal (\href{https://doi.org/10.1109/ICTC49870.2020.9289285}{10.1109/ICTC49870.
+2020.9289285})
+%for mult rows
+
+% &
+% Donghui Xu; Xiang Xu; Michael C. Forde; Antonio Caballero
+
+%for mult rows
+
+% &
+% Construction and Building Materials
+
+% %for mult rows
+
+% &
+% \href{https://doi.org/10.1016/j.conbuildmat.2023.132596}{ScienceDirect}
+
+% %for mult rows
+
+% &
+% 2023
+
+% %for mult rows
+
+&
+\begin{enumerate}[series=enum]
+    \item Menginvestigasi cara mengklasifikasi kondisi \textit{gearbox} normal dan rusak menggunakan sinyal getaran berbasis pada kombinasi antara analisis statistik dan FFT dengan algoritma pembelajaran mesin (ANN, Logistic Regression, dan SVM)
+    
+    \item Mengurangi waktu latih dan kompleksitas kalkulasi dengan analisis statistik sebagai input data meliputi sembilan fitur: mean, median, min, max, kurtosis, \textit{skewness}, \textit{standard deviation}, and \textit{range}.
+\end{enumerate}
+
+&
+\begin{enumerate}[series=enum2]
+    \item Nilai \textit{maximum} dan kurtosis adalah fitur yang paling signifikan untuk mengklasifikasi kelas label pembelajaran mesin.
+
+    \item ANN meraih akurasi 100\% pada input FFT penuh dan analisis statistik, sedangkan Regresi Logistik (LR) dan SVM meraih akurasi 100\% dengan input FFT penuh namun hanya mendapat akurasi 91\% dengan input analisis statistik
+\end{enumerate}
+
+&
+\begin{enumerate}
+    \item Lorem
+    \item Ipsum
+\end{enumerate}
+
+%-------------page break----------------
+% \\
+% &
+% &
+% &
+% &
+% &
+% &
+% &
+% \begin{enumerate}[resume=enum]
+%     \item Menyajikan berbagai perkembangan penelitian, mendiskusikan dan membandingkannya kelebihan dan kekurangannya
+%     \item Meringkas kesesuaian berbagai metode pembelajaran mesin untuk masalah SHM yang berbeda
+%     \item Terakhir, tren masa depan
+% \end{enumerate}
+% &
+% \begin{enumerate}[resume=enum2]
+%     \item SVM dan hutan acak kurang mendapat perhatian dibandingkan dengan jaringan saraf. Ini digunakan untuk klasifikasi kerusakan. Namun, pemrosesan awal data jauh lebih rumit.
+
+% \end{enumerate}