From e1e0b07944e67e4e1f983c59283f44c3c107affb Mon Sep 17 00:00:00 2001
From: "Rifqi D. Panuluh" <69516665+nuluh@users.noreply.github.com>
Date: Mon, 13 Oct 2025 08:31:07 +0700
Subject: [PATCH] Proof reads and minor change

---
 latex/chapters/id/04_results.tex | 28 +++++++++++++---------------
 1 file changed, 13 insertions(+), 15 deletions(-)

diff --git a/latex/chapters/id/04_results.tex b/latex/chapters/id/04_results.tex
index 4f2e6fa..2785fbf 100644
--- a/latex/chapters/id/04_results.tex
+++ b/latex/chapters/id/04_results.tex
@@ -85,9 +85,9 @@ Dari Gambar~\ref{fig:scree_plot} terlihat bahwa \textit{explained ratio cumulati
 
 \subsection{Reduksi Dimensi Sebelum Visualisasi}
 Sebelum diterapkan metode reduksi dimensi non-linear seperti \gls{tsne}
-dan \gls{pacmap}, terlebih dahulu dilakukan reduksi dimensi linear
-menggunakan \gls{pca} untuk menghilangkan derau dan mengurangi kompleksitas
-fitur STFT yang berukuran tinggi ($513$ dimensi).
+dan \gls{pacmap}, \text{standard scaler}terlebih dahulu dilakukan pada data \textit{train split} yang kemudian reduksi dimensi linear diterapkan
+menggunakan \gls{pca} untuk menghilangkan derau (\textit{noise}) dan mengurangi kompleksitas
+fitur STFT yang berdimensi tinggi ($513$ dimensi).
 Langkah ini umum digunakan untuk meningkatkan stabilitas dan efisiensi
 proses embedding \parencite{JMLR:v9:vandermaaten08a}.
 
@@ -95,9 +95,10 @@ Pada penelitian ini, beberapa nilai komponen PCA digunakan \\
 ($n_\text{components}\in\{512,128,32,8\}$)
 untuk menilai pengaruh tingkat reduksi terhadap hasil proyeksi t-SNE
 dan PaCMAP. 
-Gambar~\ref{fig:pca_tsne_pacmap} memperlihatkan contoh visualisasi 
+Gambar~\ref{fig:pca_tsne_pacmap_A} dan~\ref{fig:pca_tsne_pacmap_B} memperlihatkan contoh visualisasi 
 dua dimensi hasil reduksi berurutan PCA $\rightarrow$ t-SNE dan 
-PCA $\rightarrow$ PaCMAP pada dataset $\mathcal{D}_A$.
+PCA $\rightarrow$ PaCMAP pada Sensor A dan B
+% $\mathcal{D}_A$.
 
 \begin{figure}[H]
     \centering
@@ -113,6 +114,7 @@ PCA $\rightarrow$ PaCMAP pada dataset $\mathcal{D}_A$.
     dan PCA $\rightarrow$ PaCMAP (baris bawah).}
     \label{fig:pca_tsne_pacmap_A}
 \end{figure}
+
 \begin{figure}[H]
     \centering
     \subfloat[PCA=512]{\includegraphics[width=.24\textwidth]{chapters/img/sensor2/tsne_original.png}}
@@ -128,12 +130,13 @@ PCA $\rightarrow$ PaCMAP pada dataset $\mathcal{D}_A$.
     \label{fig:pca_tsne_pacmap_B}
 \end{figure}
 
-Hasil pada Gambar~\ref{fig:pca_tsne_pacmap} menunjukkan bahwa
+Hasil pada Gambar~\ref{fig:pca_tsne_pacmap_A} dan~\ref{fig:pca_tsne_pacmap_B} menunjukkan bahwa
 pengurangan jumlah komponen PCA hingga 8 dimensi
 masih mempertahankan pemisahan antar kelas secara visual,
 sedangkan reduksi lebih jauh (misalnya $n_\text{components}=4$)
 menyebabkan beberapa klaster saling tumpang tindih (\textit{overlap}).
-Temuan ini mendukung pemilihan nilai $n_\text{components}$
+
+Eksplorasi data ini mendukung pemilihan nilai $n_\text{components}$
 sebagai salah satu parameter penting yang diuji dalam
 pencarian \textit{grid} pada tahap optimasi model untuk mengurangi kompleksitas model dan efisiensi komputasi.
 
@@ -177,19 +180,14 @@ pencarian \textit{grid} pada tahap optimasi model untuk mengurangi kompleksitas
 \subsection{Interpretasi dan Implikasi}
 Hasil eksplorasi ini menunjukkan bahwa:
 \begin{enumerate}
-    \item Variansi utama data dapat dijelaskan oleh sejumlah kecil komponen PCA,
-    sehingga reduksi dimensi berpotensi meningkatkan efisiensi komputasi
-    tanpa kehilangan informasi penting.
-    \item Visualisasi t-SNE dan PaCMAP memperlihatkan bahwa fitur STFT
-    mampu mengelompokkan kondisi struktur sesuai label kerusakan,
-    mendukung validitas pemilihan STFT sebagai metode ekstraksi fitur.
+    \item Variansi utama data dapat dijelaskan oleh sejumlah kecil komponen PCA, sehingga reduksi dimensi berpotensi meningkatkan efisiensi komputasi tanpa kehilangan informasi penting.
+    \item Visualisasi t-SNE dan PaCMAP memperlihatkan bahwa fitur STFT mampu mengelompokkan kondisi struktur yang cukup baik sesuai label kerusakan, mendukung validitas pemilihan STFT sebagai metode ekstraksi fitur.
     \item Perbedaan antara kanal sensor~A ($\mathcal{D}_A$) dan sensor~B ($\mathcal{D}_B$) tidak signifikan,
     sehingga keduanya dapat diperlakukan sebagai dua sumber informasi
     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 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}