diff --git a/latex/chapters/id/03_methodology/steps/index.tex b/latex/chapters/id/03_methodology/steps/index.tex
index 0b36566..9860de8 100644
--- a/latex/chapters/id/03_methodology/steps/index.tex
+++ b/latex/chapters/id/03_methodology/steps/index.tex
@@ -1,4 +1,3 @@
-\section{Tahapan Penelitian}
 Alur keseluruhan penelitian ini dilakukan melalui tahapan-tahapan sebagai berikut:
 
 \begin{figure}[H]
@@ -9,17 +8,21 @@ Alur keseluruhan penelitian ini dilakukan melalui tahapan-tahapan sebagai beriku
 \end{figure}
 
 \begin{enumerate}
-    \item \textbf{Akuisisi Data:} Mengunduh dataset dari \textcite{abdeljaber2017} yang berisi sinyal percepatan untuk 31 kondisi struktur (1 kondisi sehat dan 30 kondisi kerusakan tunggal).
+    \item Akuisisi Data: Mengunduh dataset dari \textcite{abdeljaber2017} yang berisi sinyal percepatan untuk 31 kondisi struktur (1 kondisi sehat dan 30 kondisi kerusakan tunggal).
     
-    % \item \textbf{Seleksi Sensor:} Memilih sinyal dari sejumlah sensor terbatas pada garis vertikal tertentu (misalnya, node 1 dan 26) untuk mensimulasikan konfigurasi sensor yang direduksi.
+    % \item Seleksi Sensor: Memilih sinyal dari sejumlah sensor terbatas pada garis vertikal tertentu (misalnya, node 1 dan 26) untuk mensimulasikan konfigurasi sensor yang direduksi.
 
-    \item \textbf{Pra-pemrosesan:} Melakukan normalisasi dan mengubah sinyal domain waktu mentah menjadi domain waktu-frekuensi menggunakan metode Short-Time Fourier Transform (STFT).
+    \item Ekstraksi Fitur: Melakukan normalisasi dan mengubah sinyal domain waktu mentah menjadi domain waktu-frekuensi menggunakan metode Short-Time Fourier Transform (STFT).
 
-    \item \textbf{Ekstraksi Fitur:} Menghasilkan \textit{data frame} frekuensi dalam domain waktu.
+    \item \textit{Pre-processing} Fitur: Melakukan \textit{feature scaling} menggunakan normalisasi Min-Max pada setiap fitur untuk memastikan semua fitur berada dalam skala yang sama.
+    
+    \item Reduksi Dimensi: Mengurangi dimensi fitur menggunakan metode Principal Component Analysis (PCA) untuk mengurangi kompleksitas komputasi dan menghilangkan fitur yang kurang informatif.
+    
+    \item Pengembangan Model: Membangun dan melatih model \textit{baseline} SVM untuk mengklasifikasikan lokasi kerusakan struktur.
 
-    \item \textbf{Pengembangan Model:} Membangun dan melatih model klasifikasi berbasis algoritma pemelajaran mesin klasik (SVM, LDA, Bagged Trees, Random Forest, XGBoost) untuk mengklasifikasikan lokasi kerusakan struktur.
+    \item Optimasi \textit{Hyperparameter}: Melakukan pencarian \textit{hyperparameter} menggunakan \textit{coarse} dan \textit{fine grid-search} dengan validasi silang \textit{stratified K-Fold} untuk setiap model guna meningkatkan kinerja klasifikasi.
 
-    \item \textbf{Evaluasi:} Mengevaluasi kinerja model menggunakan metrik akurasi, presisi, dan confusion matrix pada berbagai skenario pengujian. Evaluasi dilakukan dengan dua skema: (i) validasi silang K-Fold terstratifikasi pada setiap himpunan data, dan (ii) validasi silang antar-dataset (latih pada Dataset-A, uji pada Dataset-B, dan sebaliknya) untuk menilai kemampuan generalisasi lintas sumber data.
+    \item Evaluasi: Mengevaluasi kinerja model menggunakan metrik akurasi, presisi, dan \textit{confusion matrix} pada berbagai skenario pengujian. Evaluasi dilakukan dengan dua skema: (i) validasi silang K-Fold terstratifikasi pada setiap himpunan data, dan (ii) validasi silang antar-dataset (latih pada Dataset-A, uji pada Dataset-B, dan sebaliknya) untuk menilai kemampuan generalisasi lintas sumber data.
 \end{enumerate}
 
 \subsection{Akuisisi Data}