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

Proof reads and minor change

Browse Source
This commit is contained in:
Rifqi D. Panuluh
2025-10-13 08:31:07 +07:00
committed by GitHub
parent c54094f248
commit e1e0b07944
1 changed files with 13 additions and 15 deletions
Download Patch File Download Diff File Expand all files Collapse all files

28
latex/chapters/id/04_results.tex
View File

@@ -85,9 +85,9 @@ Dari Gambar~\ref{fig:scree_plot} terlihat bahwa \textit{explained ratio cumulati
\subsection{Reduksi Dimensi Sebelum Visualisasi} \subsection{Reduksi Dimensi Sebelum Visualisasi}
Sebelum diterapkan metode reduksi dimensi non-linear seperti \gls{tsne} Sebelum diterapkan metode reduksi dimensi non-linear seperti \gls{tsne}
dan \gls{pacmap}, terlebih dahulu dilakukan reduksi dimensi linear 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 dan mengurangi kompleksitas menggunakan \gls{pca} untuk menghilangkan derau (\textit{noise}) dan mengurangi kompleksitas
fitur STFT yang berukuran tinggi ($513$ dimensi). fitur STFT yang berdimensi tinggi ($513$ dimensi).
Langkah ini umum digunakan untuk meningkatkan stabilitas dan efisiensi Langkah ini umum digunakan untuk meningkatkan stabilitas dan efisiensi
proses embedding \parencite{JMLR:v9:vandermaaten08a}. proses embedding \parencite{JMLR:v9:vandermaaten08a}.
@@ -95,9 +95,10 @@ Pada penelitian ini, beberapa nilai komponen PCA digunakan \\
($n_\text{components}\in\{512,128,32,8\}$) ($n_\text{components}\in\{512,128,32,8\}$)
untuk menilai pengaruh tingkat reduksi terhadap hasil proyeksi t-SNE untuk menilai pengaruh tingkat reduksi terhadap hasil proyeksi t-SNE
dan PaCMAP. 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 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] \begin{figure}[H]
\centering \centering
@@ -113,6 +114,7 @@ PCA $\rightarrow$ PaCMAP pada dataset $\mathcal{D}_A$.
dan PCA $\rightarrow$ PaCMAP (baris bawah).} dan PCA $\rightarrow$ PaCMAP (baris bawah).}
\label{fig:pca_tsne_pacmap_A} \label{fig:pca_tsne_pacmap_A}
\end{figure} \end{figure}
\begin{figure}[H] \begin{figure}[H]
\centering \centering
\subfloat[PCA=512]{\includegraphics[width=.24\textwidth]{chapters/img/sensor2/tsne_original.png}} \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} \label{fig:pca_tsne_pacmap_B}
\end{figure} \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 pengurangan jumlah komponen PCA hingga 8 dimensi
masih mempertahankan pemisahan antar kelas secara visual, masih mempertahankan pemisahan antar kelas secara visual,
sedangkan reduksi lebih jauh (misalnya $n_\text{components}=4$) sedangkan reduksi lebih jauh (misalnya $n_\text{components}=4$)
menyebabkan beberapa klaster saling tumpang tindih (\textit{overlap}). 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 sebagai salah satu parameter penting yang diuji dalam
pencarian \textit{grid} pada tahap optimasi model untuk mengurangi kompleksitas model dan efisiensi komputasi. 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} \subsection{Interpretasi dan Implikasi}
Hasil eksplorasi ini menunjukkan bahwa: Hasil eksplorasi ini menunjukkan bahwa:
\begin{enumerate} \begin{enumerate}
\item Variansi utama data dapat dijelaskan oleh sejumlah kecil komponen PCA, \item Variansi utama data dapat dijelaskan oleh sejumlah kecil komponen PCA, sehingga reduksi dimensi berpotensi meningkatkan efisiensi komputasi tanpa kehilangan informasi penting.
sehingga reduksi dimensi berpotensi meningkatkan efisiensi komputasi \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.
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 Perbedaan antara kanal sensor~A ($\mathcal{D}_A$) dan sensor~B ($\mathcal{D}_B$) tidak signifikan, \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 sehingga keduanya dapat diperlakukan sebagai dua sumber informasi
komplementer pada tahap pelatihan model. komplementer pada tahap pelatihan model.
\end{enumerate} \end{enumerate}
Temuan ini menjadi dasar untuk menentukan jumlah komponen PCA Temuan ini menjadi dasar untuk menentukan jumlah komponen PCA yang akan digunakan pada \textit{grid search} saat optimasi \textit{hyperparameter} model SVM.
yang akan digunakan pada \textit{grid search} saat optimasi \textit{hyperparameter} model SVM.
\section{Hasil \textit{Coarse Grid-Search}} \section{Hasil \textit{Coarse Grid-Search}}
\label{sec:grid-results} \label{sec:grid-results}