fix(latex): clarify PCA component determination and enhance grid-search results presentation
This commit is contained in:
Rifqi D. Panuluh
@@ -187,7 +187,7 @@ Hasil eksplorasi ini menunjukkan bahwa:
|
||||
komplementer pada tahap pelatihan model.
|
||||
\end{enumerate}
|
||||
|
||||
Temuan ini menjadi dasar untuk menentukan jumlah komponen PCA yang akan digunakan pada \textit{grid search} saat optimasi \textit{hyperparameter} model SVM.
|
||||
Temuan ini menjadi dasar untuk menentukan potensi jumlah komponen PCA yang akan digunakan pada \textit{grid search} saat optimasi \textit{hyperparameter} model SVM.
|
||||
|
||||
\section{Hasil \textit{Coarse Grid-Search}}
|
||||
\label{sec:grid-results}
|
||||
@@ -195,18 +195,56 @@ Temuan ini menjadi dasar untuk menentukan jumlah komponen PCA yang akan digunaka
|
||||
Setelah proses ekstraksi fitur dan pembentukan dataset berlabel,
|
||||
tahap berikutnya adalah melakukan pencarian \textit{grid}
|
||||
untuk mengoptimalkan parameter model \gls{svm}
|
||||
dengan kernel \gls{rbf}.
|
||||
Tiga parameter yang dioptimalkan adalah:
|
||||
\begin{enumerate}
|
||||
\item jumlah komponen utama \(\,n_{\text{components}}\,\) pada reduksi dimensi \gls{pca},
|
||||
\item parameter regulasi \(C\),
|
||||
\item parameter kernel \(\gamma\).
|
||||
\end{enumerate}
|
||||
dengan kernel \gls{rbf} seperti yang disajikan dalam Tabel~\ref{tab:grid_search_parameters}.
|
||||
|
||||
Total kombinasi parameter yang diuji berjumlah \(5\times5\times8 = 200\) kandidat model
|
||||
dengan skema \textit{stratified 5-fold cross-validation} menghasilkan total 1000 kali \textit{fitting}.
|
||||
Setiap kombinasi dievaluasi menggunakan metrik akurasi rata-rata
|
||||
pada data validasi.
|
||||
pada data validasi. Proses ini memakan waktu hingga 1 jam 38 detik untuk Sensor A dan 1 jam 34 detik untuk Sensor B pada spesifikasi perangkat keras seperti pada Subbab~\ref{sec:hardware}.
|
||||
|
||||
\begin{table}[H]
|
||||
\centering
|
||||
\begin{tabular}{rrrrr}
|
||||
\toprule
|
||||
$n_{\text{components}}$ & $C (\log{2})$ & $\gamma (\log{2})$ & $S_i$ & $T_i$ \\
|
||||
\midrule
|
||||
4 & 5 & -5 & 0.80764 & 11.22306 \\
|
||||
8 & 5 & -5 & 0.97076 & 10.88293 \\
|
||||
16 & 5 & -5 & 0.99116 & 10.53770 \\
|
||||
32 & 10 & -10 & 0.99394 & 10.45783 \\
|
||||
64 & 10 & -10 & 0.99631 & 13.46819 \\
|
||||
128 & 5 & -10 & 0.99728 & 13.43715 \\
|
||||
256 & 5 & -10 & 0.99756 & 17.84189 \\
|
||||
512 & 5 & -10 & 0.99763 & 31.24036 \\
|
||||
\bottomrule
|
||||
\end{tabular}
|
||||
\caption{Hasil ringkasan \textit{coarse grid-search} pada Sensor A ($\mathcal{D}_A$).}
|
||||
\label{tab:coarse_summary_A}
|
||||
\end{table}
|
||||
|
||||
\begin{table}[H]
|
||||
\centering
|
||||
\begin{tabular}{rrrrr}
|
||||
\toprule
|
||||
$n_{\text{components}}$ & $C (\log{2})$ & $\gamma (\log{2})$ & $S_i$ & $T_i$ \\
|
||||
\midrule
|
||||
4 & 5 & -5 & 0.87845 & 13.77282 \\
|
||||
8 & 0 & -5 & 0.98051 & 12.51643 \\
|
||||
16 & 5 & -5 & 0.99443 & 10.90890 \\
|
||||
32 & 5 & -10 & 0.99596 & 13.42619 \\
|
||||
64 & 5 & -10 & 0.99735 & 11.40759 \\
|
||||
128 & 5 & -10 & 0.99728 & 14.54694 \\
|
||||
256 & 5 & -10 & 0.99777 & 20.27980 \\
|
||||
512 & 5 & -10 & 0.99791 & 39.63068 \\
|
||||
\bottomrule
|
||||
\end{tabular}
|
||||
\caption{Hasil ringkasan \textit{coarse grid-search} pada Sensor B ($\mathcal{D}_B$).}
|
||||
\label{tab:coarse_summary_B}
|
||||
\end{table}
|
||||
|
||||
Tabel~\ref{tab:coarse_summary_A} dan~\ref{tab:coarse_summary_B} menunjukkan hasil ringkasan \textit{coarse grid-search} dengan nilai maksimum \textit{mean test score} untuk setiap konfigurasi $n_{\text{components}}$ pada Sensor A ($\mathcal{D}_A$) dan Sensor B ($\mathcal{D}_B$). Kolom $S_i$ menunjukkan akurasi tertinggi yang dicapai, sedangkan kolom $T_i$ mencatat waktu rata-rata (dalam detik) yang dibutuhkan untuk melatih model (\textit{mean fit time}) pada setiap kombinasi parameter.
|
||||
|
||||
Dari hasil tersebut, terlihat bahwa $n_{\text{components}}=64$ sudah mencapa akurasi yang cukup tinggi untuk kedua kanal sensor, dengan akurasi $\pm 99.7\%$, dengan peningkatan yang semakin kecil pada jumlah komponen yang lebih besar yaitu kurang dari 0.001\%. Hal ini menunjukkan bahwa data getaran struktur yang diekstraksi dengan \gls{stft} memiliki daya klasifikasi yang kuat terhadap kondisi struktur, dan penggunaan lebih dari 64 komponen utama memberikan peningkatan akurasi yang marginal.
|
||||
|
||||
% \subsection{Evaluasi Keseluruhan}
|
||||
% Distribusi akurasi seluruh kandidat model ditunjukkan pada
|
||||
@@ -360,12 +398,12 @@ Berdasarkan kombinasi akurasi, waktu pelatihan, dan metrik efisiensi,
|
||||
konfigurasi dengan $n_{\text{components}}=32$ untuk Sensor A dan $n_{\text{components}}=16$ untuk Sensor B dipilih sebagai
|
||||
\textit{baseline} optimal untuk model akhir.
|
||||
Model \textit{baseline} ini akan digunakan sebagai acuan pada tahap evaluasi model dan pencarian \textit{hyperparameter} lanjutan (\textit{fine grid-search})
|
||||
yang dibahas pada subab berikutnya.
|
||||
yang dibahas pada subbab berikutnya.
|
||||
|
||||
|
||||
\section{Evaluasi Model \textit{Baseline}}
|
||||
\label{sec:baseline_performance}
|
||||
Model \textit{baseline} yang digunakan diperoleh dari \textit{coarse grid-search} pada subab \ref{sec:efficiency_analysis} adalah SVM dengan kernel RBF, 32 komponen PCA, dan parameter $C=2^{10}$, $\gamma=2^{-10}$ untuk Sensor A, sedangkan untuk Sensor B adalah SVM dengan kernel RBF, 16 komponen PCA, dan parameter $C=2^{5}$, $\gamma=2^{-5}$. Pada bagian ini, dilakukan evaluasi performa model \textit{baseline} dengan data uji yang berbeda (\textit{Dataset} B).
|
||||
Model \textit{baseline} yang digunakan diperoleh dari \textit{coarse grid-search} pada Subbab~\ref{sec:efficiency_analysis} adalah SVM dengan kernel RBF, 32 komponen PCA, dan parameter $C=2^{10}$, $\gamma=2^{-10}$ untuk Sensor A, sedangkan untuk Sensor B adalah SVM dengan kernel RBF, 16 komponen PCA, dan parameter $C=2^{5}$, $\gamma=2^{-5}$. Pada bagian ini, dilakukan evaluasi performa model \textit{baseline} dengan data uji yang berbeda (\textit{Dataset} B).
|
||||
|
||||
|
||||
\subsection{Metrik Klasifikasi}
|
||||
@@ -436,7 +474,7 @@ Dari Gambar~\ref{fig:confusion-matrix-baseline_A} dan~\ref{fig:confusion-matrix-
|
||||
|
||||
|
||||
\section{\textit{Fine Grid-Search}}
|
||||
Optimasi model yang dilakukan yaitu dengan melakukan \textit{fine grid-search} pada rentang \textit{hyperparameter} model \textit{baseline} yang digunakan pada Subab~\ref{sec:baseline_performance}. Untuk Sensor A dengan $n_{\text{components}} = 32$ rentang parameter yang dicari adalah
|
||||
Optimasi model yang dilakukan yaitu dengan melakukan \textit{fine grid-search} pada rentang \textit{hyperparameter} model \textit{baseline} yang digunakan pada Subbab~\ref{sec:baseline_performance}. Untuk Sensor A dengan $n_{\text{components}} = 32$ rentang parameter yang dicari adalah
|
||||
\begin{align*}
|
||||
C &= \{\, 2^8,\, 2^{8.5},\, \ldots,\, 2^{12} \,\} \\
|
||||
\gamma &= \{\, 2^{-12},\, 2^{-11.5},\, \ldots ,\, 2^{-8} \,\},
|
||||
|
||||
Reference in New Issue
Block a user