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

fix(latex): Fix the steps flow to follow common practice and reformat writing style

Browse Source
This commit is contained in:
Rifqi D. Panuluh
2025-09-06 04:28:57 +00:00
parent d844fb8f66
commit 9412f0f53f
1 changed files with 10 additions and 7 deletions
Download Patch File Download Diff File Expand all files Collapse all files

17
latex/chapters/id/03_methodology/steps/index.tex
View File

@@ -1,4 +1,3 @@
\section{Tahapan Penelitian}
Alur keseluruhan penelitian ini dilakukan melalui tahapan-tahapan sebagai berikut: Alur keseluruhan penelitian ini dilakukan melalui tahapan-tahapan sebagai berikut:
\begin{figure}[H] \begin{figure}[H]
@@ -9,17 +8,21 @@ Alur keseluruhan penelitian ini dilakukan melalui tahapan-tahapan sebagai beriku
\end{figure} \end{figure}
\begin{enumerate} \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} \end{enumerate}
\subsection{Akuisisi Data} \subsection{Akuisisi Data}