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

fix(latex): refine problem statements and enhance clarity in research scope

Browse Source
This commit is contained in:
Rifqi D. Panuluh
2025-10-15 01:13:46 +00:00
parent d541300916
commit 9bbe990b22
1 changed files with 15 additions and 26 deletions
Download Patch File Download Diff File Expand all files Collapse all files

41
latex/chapters/id/01_introduction.tex
View File

@@ -32,60 +32,49 @@ Pemantauan kondisi sambungan ini tidak hanya relevan dalam konteks deteksi dini
Untuk memandu arah penelitian ini, beberapa permasalahan utama yang akan dibahas adalah sebagai berikut: Untuk memandu arah penelitian ini, beberapa permasalahan utama yang akan dibahas adalah sebagai berikut:
\begin{enumerate} \begin{enumerate}
\item Apakah fitur domain waktu-frekuensi yang diekstraksi melalui transformasi STFT dari sinyal getaran sensor terbatas (hanya sensor atas dan bawah per kolom) masih mampu merepresentasikan karakteristik kerusakan struktur dengan akurasi yang memadai untuk klasifikasi tujuh kelas kondisi struktur (tanpa kerusakan dan enam lokasi kerusakan berbeda)? \item Apakah fitur domain waktu-frekuensi yang diekstraksi melalui transformasi \gls{stft} dari sinyal getaran sensor terbatas (hanya sensor-sensor atas dan bawah) masih mampu merepresentasikan karakteristik kerusakan struktur dengan akurasi yang memadai untuk klasifikasi tujuh kelas kondisi struktur (tanpa kerusakan dan enam lokasi kerusakan berbeda)?
\item Bagaimana mengoptimalkan parameter model \gls{svm} dengan kernel RBF melalui strategi pencarian \textit{grid} dua tahap untuk mencapai keseimbangan optimal antara akurasi klasifikasi dan efisiensi komputasi, khususnya dalam hal waktu pelatihan dan kompleksitas model? \item Bagaimana mengoptimalkan parameter model \gls{svm} dengan kernel \gls{rbf} melalui strategi pencarian \textit{grid} dua tahap untuk mencapai keseimbangan optimal antara akurasi klasifikasi dan efisiensi komputasi, khususnya dalam hal kompleksitas model ditinjau dari ukuran model, waktu pelatihan, dan prediksi?
\item Apakah pendekatan reduksi dimensi menggunakan \gls{pca} dapat mempertahankan informasi diskriminatif yang cukup dari fitur STFT berdimensi tinggi (513 dimensi) untuk mendukung klasifikasi kerusakan yang akurat dengan model yang lebih efisien? \item Apakah pendekatan reduksi dimensi menggunakan \gls{pca} dapat mempertahankan informasi diskriminatif yang cukup dari fitur \gls{stft} berdimensi tinggi untuk mendukung klasifikasi kerusakan secara akurat dengan model yang lebih efisien?
\item Seberapa efektif model yang dilatih pada satu dataset dapat digeneralisasi untuk mendeteksi kerusakan pada dataset independen, dan bagaimana performa model berubah ketika diterapkan strategi validasi silang antar-dataset? \item Seberapa efektif model yang dilatih pada satu dataset dapat digeneralisasi untuk mendeteksi kerusakan pada data uji independen?
\end{enumerate} \end{enumerate}
% \section{Identifikasi Masalah}
% \begin{itemize}
% \item Kebanyakan kerangka kerja pada monitoring kesehatan struktur membutuhkan deretan sensor yang banyak, hal ini dibutuhkan biaya yang tinggi dan kurang praktikal untuk banyak pengaplikasian.
% \item Banyak model dengan performa tinggi bergantung pada teknik pemelajaran mendalam, sehingga dibutuhkan sumberdaya komputasi yang tinggi dan memungkinkan kurangnya kemudahan dan keterjangkauan untuk aplikasikan.
% \item Kurangnya kesederhanaan, pendeketan umum yang menyeimbangkan penggunaan sensor dengan keandalan dalam lokalisasi kerusakan.
% \end{itemize}
\section{Lingkup Penelitian} \section{Lingkup Penelitian}
Studi ini berfokus pada dataset yang tersedia secara publik didapat dari Qatar University Grandstand Simulator (QUGS), sebuah kerangka besi level laboratorium yang dipasang dengan tiga puluh titik sensor akselerometer dan \textit{white shaker noise}. Dataset ini terdiri dari 31 kondisi struktur: satu kondisi tanpa kerusakan dan 30 kondisi dengan kerusakan tunggal pada masing-masing \textit{joint} yang berbeda. Studi ini berfokus pada dataset yang tersedia secara publik didapat dari Qatar University Grandstand Simulator (QUGS), sebuah kerangka besi level laboratorium yang dipasang dengan tiga puluh titik sensor akselerometer dan \textit{white shaker noise}. Dataset yang dipublikasi terdiri dari 31 kondisi struktur: satu kondisi tanpa kerusakan dan 30 kondisi dengan kerusakan tunggal pada masing-masing \textit{joint} yang berbeda, sehingga kerusakan ganda tidak termasuk dalam cakupan penelitian ini.
Penelitian ini membatasi fokus pada klasifikasi tujuh kelas kondisi struktur ($d_0$ hingga $d_6$), dimana $d_0$ merepresentasikan kondisi tanpa kerusakan, dan $d_1$ hingga $d_6$ masing-masing merepresentasikan kelompok lima lokasi kerusakan berturut-turut. Setiap kelas kerusakan dibangun berdasarkan pengelompokan geografis \textit{joint} untuk mencerminkan pola kerusakan yang realistis dalam struktur grid. Parameter STFT yang digunakan tidak dioptimalkan secara menyeluruh, melainkan diadopsi dari studi sebelumnya \parencite{eraliev2022} serta nilai $k$ tetap pada \textit{stratified k-fold} yang diambil berdasarkan \textcite{Kohavi1995ASO}. Selain itu, penelitian ini membatasi penggunaan algoritma pembelajaran mesin pada satu model klasik \gls{svm} dengan kernel RBF tanpa membandingkannya dengan algoritma lain, untuk fokus pada optimasi \textit{hyperparameter} dan efisiensi komputasi berdasarkan waktu latih, waktu prediksi, dan jumlah fitur tanpa menganalisis waktu kompleksitas (\textit{time complexity}) algoritma secara mendalam.
Riset terdahulu telah dilakukan pengaplikasian pemelajaran mesin jaringan saraf terhadap seluruh sensor yang terpasang penuh pada setiap titik \textit{joint} untuk mencapai akurasi yang tinggi. Akan tetapi, pada praktiknya, instrumentasi penuh seperti ini terkadang kurang efektif dari segi biaya dan kurang layak dalam skala besar. Penelitian ini membatasi penggunaan sensor hanya pada dua posisi per kolom (sensor atas dan bawah), sehingga mengurangi jumlah sensor dari 30 menjadi 10 sensor untuk keseluruhan struktur, dengan fokus pada 5 pasang sensor yang merepresentasikan 5 kolom vertikal struktur grid.
Ekstraksi fitur menggunakan transformasi STFT dengan parameter \textit{hann windowing} berukuran 1024 sampel dan \textit{hop size} 512 sampel, menghasilkan spektrogram berukuran 513×513 yang kemudian digunakan sebagai input untuk model klasifikasi. Evaluasi model dilakukan menggunakan skema \textit{train-test split} dengan validasi silang \textit{stratified k-fold} (k=5) untuk memastikan representasi yang seimbang dari setiap kelas kerusakan.
\section{Tujuan Penelitian} \section{Tujuan Penelitian}
\begin{enumerate} \begin{enumerate}
\item Mengembangkan alur sistem (\textit{pipeline}) pemantauan kesehatan struktur (Structural Health Monitoring/SHM) yang disederhanakan dengan hanya menggunakan sepasang sensor di ujung-ujung kolom struktur, yang mampu mengklasifikasikan tujuh kondisi struktur berbeda dengan akurasi tinggi. \item Mengembangkan alur sistem (\textit{pipeline}) pemantauan \gls{shm} yang dilimitasi dengan hanya menggunakan sepasang sensor di ujung-ujung struktur agar mampu mengklasifikasikan tujuh kondisi struktur berbeda dengan akurasi tinggi.
\item Mengimplementasikan dan mengoptimalkan model \gls{svm} dengan kernel RBF melalui strategi pencarian \textit{grid} dua tahap (\textit{coarse} dan \textit{fine grid-search}) untuk mencapai konfigurasi optimal parameter regularisasi ($C$), parameter kernel ($\gamma$), dan jumlah komponen PCA ($n_{components}$). \item Mengimplementasikan dan mengoptimalkan model \gls{svm} dengan kernel \gls{rbf} melalui strategi pencarian \textit{grid} dua tahap (\textit{coarse} dan \textit{fine grid-search}) untuk mencapai konfigurasi optimal parameter regularisasi ($C$), parameter kernel ($\gamma$), dan jumlah komponen PCA ($n_{components}$).
\item Mengevaluasi efektivitas transformasi STFT sebagai metode ekstraksi fitur domain waktu-frekuensi untuk menangkap karakteristik getaran yang relevan dengan kondisi kerusakan struktur, serta menganalisis kontribusi reduksi dimensi PCA terhadap efisiensi komputasi model. \item Mengevaluasi efektivitas transformasi STFT sebagai metode ekstraksi fitur domain waktu-frekuensi untuk menangkap karakteristik getaran yang relevan dengan kondisi kerusakan struktur, serta menganalisis kontribusi reduksi dimensi PCA terhadap efisiensi waktu komputasi model.
\item Menganalisis trade-off antara akurasi model dan efisiensi komputasi melalui metrik efisiensi yang mempertimbangkan waktu pelatihan, serta mengevaluasi kemampuan generalisasi model melalui validasi silang antar-dataset independen. \item Menganalisis trade-off antara akurasi model dan efisiensi komputasi melalui metrik efisiensi yang mempertimbangkan waktu pelatihan, serta mengevaluasi kemampuan generalisasi model melalui validasi silang antar-dataset independen.
\item Memvalidasi bahwa pendekatan sensor terbatas dengan algoritma pembelajaran mesin klasik dapat mencapai performa klasifikasi yang kompetitif dibandingkan metode yang menggunakan instrumentasi sensor penuh, sehingga memberikan solusi yang lebih praktis dan ekonomis untuk implementasi SHM. \item Memvalidasi bahwa pendekatan sensor terbatas dengan algoritma pembelajaran mesin klasik dapat mencapai performa klasifikasi yang kompetitif dibandingkan metode yang menggunakan instrumentasi sensor penuh, sehingga memberikan solusi yang lebih praktis dan ekonomis untuk implementasi SHM.
\end{enumerate} \end{enumerate}
% Dalam merespon hal tersebut, penelitian ini memperkenalkan pendekatan baru yang menekankan efisiensi pada penanganan data dan interpretasi fisik. Data pada sensor-sensor yang terpasang pada struktur grid ini dikelompokkan menjadi beberapa grup kolom, dan hanya menyisakan sensor awal dan sensor paling akhir dari setiap grup sensor sebagai input pengklasifikasian. Terdapat hipotesis bahwa energi getaran bergerak di sepanjang jalur kolom terjaga secara cukup baik antara ujung-ujung sensor untuk memungkinkan algoritma pemelajaran mesin, seperti Support-Vector Machine (SVM), Bagged Trees, Random Forest, Decision Tree, KNN, LDA, dan XGBoost, medeteksi dan mengklasifikasi secara akurat letak kerusakan.
\section{Manfaat Penelitian} \section{Manfaat Penelitian}
Penelitian ini memberikan beberapa manfaat yang diharapkan dapat berkontribusi dalam pengembangan sistem deteksi kerusakan struktur, antara lain: Penelitian ini memberikan beberapa manfaat yang diharapkan dapat berkontribusi dalam pengembangan sistem deteksi kerusakan struktur, antara lain:
\begin{enumerate} \begin{enumerate}
\item Efisiensi Instrumentasi: Penelitian ini membuktikan bahwa pengurangan sensor dari 30 menjadi 10 sensor (hanya menggunakan sensor atas dan bawah per kolom) dapat mempertahankan akurasi klasifikasi hingga 99\%, sehingga memberikan solusi yang lebih ekonomis untuk implementasi SHM skala besar. \item Efisiensi Instrumentasi: Penelitian ini membuktikan bahwa pengurangan sensor dari 30 menjadi sepuluh sensor (lima sensor atas dan bawah) dapat mempertahankan akurasi klasifikasi di atas 99\%, sehingga memberikan solusi yang lebih ekonomis untuk implementasi SHM skala besar.
\item Optimasi Sistematis: Melalui pendekatan optimasi \textit{hyperparameter} dua tahap dan analisis metrik efisiensi, penelitian ini menyediakan metodologi sistematis untuk mencapai keseimbangan optimal antara akurasi model (>99\%) dan efisiensi komputasi (pengurangan waktu pelatihan hingga 75\%). \item Optimasi Sistematis: Melalui pendekatan optimasi \textit{hyperparameter} dua tahap dan analisis metrik efisiensi, penelitian ini menyediakan metodologi sistematis untuk mencapai keseimbangan optimal antara akurasi model (>99\%) dan efisiensi komputasi (pengurangan waktu pelatihan hingga 75\%).
\item Efektifitas Ekstraksi Fitur: Penelitian ini mendemonstrasikan bahwa transformasi STFT dengan parameter optimized (window Hanning 1024 sampel, hop size 512) mampu mengekstrak fitur domain waktu-frekuensi yang diskriminatif untuk klasifikasi kerusakan struktur tanpa kehilangan informasi signifikan. % \item Efektifitas Ekstraksi Fitur: Penelitian ini mendemonstrasikan bahwa transformasi STFT dengan parameter optimized (window Hanning 1024 sampel, hop size 512) mampu mengekstrak fitur domain waktu-frekuensi yang diskriminatif untuk klasifikasi kerusakan struktur tanpa kehilangan informasi signifikan.
\item Validasi Generalisasi: Melalui evaluasi silang antar-dataset independen, penelitian ini memvalidasi kemampuan generalisasi model SVM-RBF yang dapat diterapkan pada kondisi struktur yang belum pernah dilihat sebelumnya, dengan tetap mempertahankan akurasi tinggi. % \item Validasi Generalisasi: Melalui evaluasi silang antar-dataset independen, penelitian ini memvalidasi kemampuan generalisasi model SVM-RBF yang dapat diterapkan pada kondisi struktur yang belum pernah dilihat sebelumnya, dengan tetap mempertahankan akurasi tinggi.
\item Baseline Metodologis: Rangkaian eksperimen komprehensif dan analisis performa yang disajikan dapat dijadikan referensi atau \textit{baseline} untuk studi komparatif selanjutnya, khususnya dalam pengembangan sistem SHM dengan pendekatan sensor terbatas dan algoritma klasik yang efisien. % \item Baseline Metodologis: Rangkaian eksperimen komprehensif dan analisis performa yang disajikan dapat dijadikan referensi atau \textit{baseline} untuk studi komparatif selanjutnya, khususnya dalam pengembangan sistem SHM dengan pendekatan sensor terbatas dan algoritma klasik yang efisien.
\item Kemudahan Implementasi \textit{Pipeline}: Hasil penelitian ini memberikan panduan untuk implementasi sistem SHM yang dinilai \textit{cost-effective}, dengan menyediakan parameter model optimal dan strategi deployment yang telah tervalidasi untuk struktur \textit{grid} skala kecil yang diharapkan dapat diadaptasi untuk aplikasi struktur di lapangan. \item Kemudahan Implementasi \textit{Pipeline}: Hasil penelitian ini memberikan panduan untuk implementasi sistem SHM yang dinilai \textit{cost-effective}, dengan menyediakan parameter model optimal dan strategi deployment yang telah tervalidasi untuk struktur \textit{grid} skala kecil yang diharapkan dapat diadaptasi untuk aplikasi struktur di lapangan.
\item Kontribusi Akademis: Penelitian ini menambah khazanah ilmu pengetahuan dalam bidang teknik sipil khususnya pada \gls{shm} dan \textit{computer science} dengan fokus pada deteksi kerusakan sambungan baut menggunakan pendekatan sensor terbatas dan algoritma \gls{ml} klasik.
\end{enumerate} \end{enumerate}