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

feat(latex): add new major literature review

Browse Source
This commit is contained in:
Rifqi D. Panuluh
2025-10-13 08:41:49 +00:00
parent 3d9223a565
commit e90f9a07a6
5 changed files with 51 additions and 157 deletions
Download Patch File Download Diff File Expand all files Collapse all files

63
latex/chapters/02_literature_review.tex
View File

@@ -1,63 +0,0 @@
\chapter{TINJAUAN PUSTAKA DAN LANDASAN TEORI}
\section{Tinjauan Pustaka}
\begin{figure}[!ht]
\centering
\includegraphics[width=0.5\linewidth]{frontmatter/img/slice1.jpg}
\caption{Enter Caption}
\label{fig:enter-label}
\end{figure}
\section{Dasar Teori}
This chapter discusses the theoretical basis used in this research, including signal processing techniques and machine learning algorithms. These foundations form the core of the method used for vibration-based damage localization in a beam structure.
\subsection{Short-Time Fourier Transform (STFT)}
The Short-Time Fourier Transform (STFT) is a fundamental technique used to analyze non-stationary signals, such as those generated by structures under dynamic load or white noise excitation. While the traditional Fourier Transform provides frequency-domain information, it lacks time resolution. STFT overcomes this limitation by applying the Fourier Transform over short overlapping segments of the signal, thereby producing a time-frequency representation.
Mathematically, the STFT of a signal $x(t)$ is given by:
\begin{equation}
X(t, \omega) = \int_{-\infty}^{\infty} x(\tau) w(\tau - t) e^{-j \omega \tau} d\tau
\end{equation}
where $w(\tau - t)$ is a window function centered at time $t$, and $\omega$ is the angular frequency.
In this study, the STFT is employed to extract the time-frequency features of the vibration signals collected from the structure. These features are then used as inputs to machine learning classifiers. This process captures localized frequency content over time, which is crucial in identifying structural changes due to damage.
\subsection{Classification Algorithms}
This research evaluates five classical machine learning algorithms to perform the classification task of damage localization. Each algorithm has different strengths and limitations, and their performance is benchmarked to identify the most suitable one for the given dataset.
\subsubsection{Support Vector Machine (SVM)}
SVM is a supervised learning algorithm that seeks an optimal hyperplane that separates data into classes with maximum margin. SVM performs well in high-dimensional spaces and is robust to overfitting, especially in cases with a clear margin of separation.
SVM is appropriate for vibration signal classification due to its capability to handle nonlinear decision boundaries when equipped with kernel functions.
\subsubsection{K-Nearest Neighbors (KNN)}
KNN is a non-parametric, instance-based learning algorithm. It classifies a new data point based on the majority vote of its $k$ nearest neighbors in the feature space. Although simple, KNN can be effective when the data is well-distributed and class boundaries are smooth.
Its performance is sensitive to the choice of $k$ and distance metric. For high-dimensional data like STFT features, dimensionality reduction or careful scaling may be required.
\subsubsection{Decision Tree (DT)}
Decision Tree is a rule-based classifier that splits data into classes using feature thresholds. It builds a tree where each internal node represents a feature, each branch a decision rule, and each leaf a class label. DTs are easy to interpret and can capture non-linear relationships.
However, they are prone to overfitting, especially with noisy or small datasets.
\subsubsection{Random Forest (RF)}
Random Forest is an ensemble learning method based on constructing multiple decision trees during training and outputting the mode of the classes for classification. It improves the generalization capability of individual trees and reduces overfitting.
RF is suitable for damage detection as it provides robustness to noise and variance, making it ideal for real-world sensor data.
\subsubsection{Naïve Bayes (NB)}
Naïve Bayes is a probabilistic classifier based on Bayes' theorem, assuming feature independence. Despite its simplicity, it often performs well in high-dimensional problems and with small datasets.
NB is particularly effective when class-conditional independence holds approximately, which may occur when STFT features are well-separated in distribution.
\bigskip
These theoretical foundations provide the methodological framework for implementing and evaluating the proposed damage localization system in this research. The combination of time-frequency analysis using STFT and classical machine learning classifiers enables an efficient and interpretable approach to structural health monitoring.
% \subsubsection{Dolor}

67
latex/chapters/03_methodology.tex
View File

@@ -1,67 +0,0 @@
\chapter{METODE PENELITIAN}
\section{Bahan dan Materi}
Penelitian ini menggunakan data sekunder dari \textcite{abdeljaber2017}, yang tersedia secara publik dan diperoleh melalui eksperimen menggunakan \textit{Qatar University Grandstand Simulator}. Adapun rincian data yang digunakan adalah sebagai berikut:
\begin{itemize}
\item Dataset terdiri atas rekaman respons getaran dari struktur rangka baja berukuran $6 \times 5$ yang dilengkapi dengan 30 akselerometer.
\item Setiap skenario dalam dataset mencakup satu kasus struktur tanpa kerusakan (healthy) dan 30 kasus kerusakan tunggal pada masing-masing sambungan (\textit{single-joint damage}).
\item Sinyal getaran direkam dengan frekuensi pengambilan sampel sebesar 1024 Hz selama durasi 256 detik untuk tiap skenario.
\item Kerusakan struktur disimulasikan dengan cara mengendurkan baut pada sambungan-sambungan tertentu.
\end{itemize}
Struktur dataset yang digunakan ditampilkan pada Gambar~\ref{fig:original-data}.
\begin{figure}[!ht]
\centering
\includegraphics[width=0.5\textwidth]{chapters/img/original_data.png}
\caption{Overview of the original data used from Abdeljaber et al. (2017)}
\label{fig:original-data}
\end{figure}
\clearpage
\section{Alat}
Berikut merupakan perangkat lunak yang digunakan selama proses penelitian ini:
\begin{itemize}
\item \textbf{Python 3.11} – digunakan untuk proses pra-pemrosesan data, pemodelan, dan evaluasi.
\item \textbf{NumPy, SciPy, dan Pandas} – digunakan untuk manipulasi sinyal dan perhitungan numerik.
\item \textbf{Matplotlib} – digunakan untuk menghasilkan spektrum STFT (Short-Time Fourier Transform).
\item \textbf{PyTorch 2.3} – digunakan untuk membangun dan melatih model dengan algoritma pemelajaran mesin klasik.
\item \textbf{Google Colab / Komputer Lokal} – digunakan untuk pelatihan model dan percobaan eksperimental.
\end{itemize}
% \section{Place and Time}
% This research was conducted between [Month] and [Month] 2025 at the [Your Lab or Campus] using publicly available data. No new data collection was performed. All computational processes, including preprocessing, model training, and evaluation, were executed using Google Colab and a local machine.
\section{Langkah-Langkah Penelitian}
Alur keseluruhan penelitian ini dilakukan melalui tahapan-tahapan sebagai berikut:
\begin{enumerate}
\item \textbf{Akuisisi Data:} Mengunduh dataset dari Abdeljaber et al. 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 \textbf{Pra-pemrosesan:} 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 \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 \textbf{Evaluasi:} Mengevaluasi kinerja model menggunakan metrik akurasi, presisi, dan confusion matrix pada berbagai skenario pengujian.
\end{enumerate}
\section{Data Analysis}
The processed data were analyzed using classification metrics. The trained model's output was evaluated based on the ability to correctly identify damaged vs. undamaged scenarios. The main metrics used were:
\begin{itemize}
\item \textbf{Accuracy:} Overall correct predictions across all classes.
\item \textbf{Confusion Matrix:} To visualize classification performance across damage cases.
\item \textbf{Precision and Recall:} For measuring the model's performance in detecting damage cases specifically.
\end{itemize}
Additionally, experiments were repeated for varying numbers of sensors to simulate reduced-sensor configurations, analyzing how model performance changed with less input data.

24
latex/chapters/id/02_literature_review/index.tex
View File

@@ -3,9 +3,7 @@
\subsection{Kerangka Kerja Structural Health Monitoring}
Sistem \textit{Structural Health Monitoring} (SHM) yang efektif mengikuti pendekatan hierarkis untuk mengidentifikasi dan menilai kerusakan struktural. Menurut \textcite{rytter1993}, lima tingkatan dalam kerangka kerja SHM adalah: (1) deteksi keberadaan kerusakan, (2) lokalisasi kerusakan, (3) identifikasi tipe kerusakan, (4) kuantifikasi tingkat keparahan, dan (5) prediksi sisa umur struktur. Setiap tingkatan memerlukan kompleksitas instrumentasi dan algoritma yang semakin tinggi, mulai dari deteksi sederhana hingga pemodelan prediktif yang komprehensif.
Evolusi SHM dari inspeksi manual tradisional menuju sistem otomatis telah didorong oleh kebutuhan akan pemantauan \textit{real-time}, akurasi deteksi yang lebih tinggi, dan efisiensi operasional. Tantangan utama dalam implementasi SHM modern terletak pada optimasi jumlah sensor, pemilihan algoritma yang tepat, dan keseimbangan antara akurasi deteksi dengan beban komputasi \parencite{farrar2012}.
\gls{shm} yang efektif mengikuti pendekatan hierarkis untuk mengidentifikasi dan menilai kerusakan struktural. Menurut \textcite{rytter1993}, lima tingkatan dalam kerangka kerja SHM adalah: (1) deteksi keberadaan kerusakan, (2) lokalisasi kerusakan, (3) identifikasi tipe kerusakan, (4) kuantifikasi tingkat keparahan, dan (5) prediksi sisa umur struktur. Setiap tingkatan memerlukan kompleksitas instrumentasi dan algoritma yang semakin tinggi, mulai dari deteksi sederhana hingga pemodelan prediktif yang komprehensif.
\subsection{Metode Deteksi Kelonggaran Baut}
@@ -15,9 +13,9 @@ Deteksi kelonggaran baut telah dilakukan melalui berbagai pendekatan konvensiona
Metode \textit{hammer testing} menunjukkan efektivitas yang lebih baik dibanding inspeksi visual untuk deteksi kelonggaran dini, namun akurasinya dapat terganggu oleh kebisingan lingkungan dan menjadi tidak praktis untuk struktur dengan banyak sambungan seperti jembatan \parencite{j.h.park2015,wang2013}. Keterbatasan ini mendorong pengembangan teknik deteksi yang lebih canggih dan otomatis.
\subsubsection{Pendekatan Berbasis Computer Vision}
\subsubsection{Pendekatan Berbasis \textit{Computer Vision}}
Teknik berbasis penglihatan komputer telah dikembangkan sebagai alternatif untuk mengatasi keterbatasan metode manual. Pendekatan ini menggunakan kamera dan pencitraan digital untuk mendeteksi perubahan visual pada sambungan baut. \textcite{zhang2020,zhao2019} mengembangkan sistem deteksi rotasi kepala baut menggunakan CNN dan Faster R-CNN yang mampu mengidentifikasi kelonggaran berdasarkan perubahan orientasi visual.
Teknik berbasis penglihatan komputer telah dikembangkan sebagai alternatif untuk mengatasi keterbatasan metode manual. Pendekatan ini menggunakan kamera dan pencitraan digital untuk mendeteksi perubahan visual pada sambungan baut. \textcite{zhang2020,zhao2019} mengembangkan sistem deteksi rotasi kepala baut menggunakan \gls{cnn} dan \textit{Faster} \gls{r-cnn} yang mampu mengidentifikasi kelonggaran berdasarkan perubahan orientasi visual.
Meskipun metode ini dapat mendeteksi kerusakan secara visual tanpa terpengaruh kebisingan akustik, tantangan implementasi tetap ada dalam hal akses visual ke sambungan, kondisi pencahayaan, dan beban komputasi tinggi dari model \textit{deep learning}, terutama dalam lingkungan terbatas seperti interior mesin atau struktur tertutup.
@@ -25,21 +23,27 @@ Meskipun metode ini dapat mendeteksi kerusakan secara visual tanpa terpengaruh k
\subsubsection{Pendekatan Deep Learning dalam SHM}
\textcite{abdeljaber2017} memperkenalkan pendekatan revolusioner dalam SHM dengan menerapkan 30 model \gls{1d-cnn} pada 30 sensor akselerometer dalam struktur grid QUGS (\textit{Qatar University Grandstand Simulator}). Struktur tersebut dirancang untuk mereplikasi stadion modern, dilengkapi dengan instrumentasi lengkap, dan dikenai kerusakan terkontrol melalui pelonggaran baut sambungan. Data percepatan dikumpulkan di bawah eksitasi \textit{band-limited white noise} dengan sampling rate 1024 Hz, kemudian dibagi menjadi frame berukuran 128 sampel untuk melatih CNN yang dilokalkan pada setiap sambungan.
\textcite{abdeljaber2017} memperkenalkan pendekatan revolusioner dalam \gls{shm} dengan menerapkan 30 model \gls{1d-cnn} pada 30 sensor akselerometer dalam struktur grid \gls{qugs}. Struktur tersebut dirancang untuk mereplikasi stadion modern, dilengkapi dengan instrumentasi lengkap, dan dikenai kerusakan terkontrol melalui pelonggaran baut sambungan. Data percepatan dikumpulkan di bawah eksitasi \textit{band-limited white noise} dengan sampling rate 1024 Hz, kemudian dibagi menjadi frame berukuran 128 sampel untuk melatih \gls{cnn} yang dilokalkan pada setiap sambungan.
Pendekatan terdesentralisasi ini menunjukkan akurasi tinggi dalam pelokalisasian kerusakan dengan kesalahan klasifikasi hanya 0.54\% pada fase pelatihan. Meskipun performa tetap andal dalam skenario kerusakan ganda, beberapa salah klasifikasi terjadi pada kasus kerusakan simetris atau berdekatan. Keunggulan utama metode ini adalah kemampuan deteksi \textit{real-time} dan akurasi lokalisasi yang tinggi, namun memerlukan sumber daya komputasi besar karena pemrosesan paralel data mentah berdimensi tinggi dari seluruh sensor \parencite{yang2020, liu2022}.
\subsubsection{Pendekatan Ekstraksi Fitur untuk Efisiensi}
Menanggapi tantangan komputasi dari pendekatan CNN murni, \textcite{shahid2022,diao2023} memperkenalkan pendekatan VMD-HT-CNN yang menggabungkan teknik ekstraksi fitur berbasis \textit{Variational Mode Decomposition} (VMD) dan \textit{Hilbert Transform} (HT) sebelum klasifikasi CNN. Metode ini secara signifikan meningkatkan efisiensi pelatihan dan akurasi deteksi meskipun menggunakan jumlah sensor yang lebih sedikit, menunjukkan potensi optimasi melalui \textit{feature engineering} yang tepat.
Menanggapi tantangan komputasi dari pendekatan \gls{cnn} murni, \textcite{shahid2022,diao2023} memperkenalkan pendekatan \gls{vmd}-\gls{ht}-\gls{cnn} yang menggabungkan teknik ekstraksi fitur berbasis \gls{vmd} dan \gls{ht} sebelum klasifikasi \gls{cnn}. Metode ini secara signifikan meningkatkan efisiensi pelatihan dan akurasi deteksi meskipun menggunakan jumlah sensor yang lebih sedikit, menunjukkan potensi optimasi melalui \textit{feature engineering} yang tepat.
\textcite{eraliev2022} mengembangkan teknik deteksi kelonggaran baut menggunakan transformasi \textit{Short-Time Fourier Transform} (STFT) sebagai ekstraksi fitur pada motor dengan empat baut dalam kondisi operasi berbeda (800, 1000, dan 1200 rpm). Penelitian ini menghasilkan 513 fitur frekuensi dari sinyal getaran dan mengevaluasi berbagai pengklasifikasi pembelajaran mesin, menunjukkan performa memuaskan dalam deteksi dan identifikasi baut spesifik yang kehilangan \textit{preload}. Studi ini menekankan pentingnya penempatan sensor strategis dan potensi implementasi sistem pemantauan \textit{online} \parencite{pham2020}.
\textcite{eraliev2022} mengembangkan teknik deteksi kelonggaran baut menggunakan transformasi \gls{stft} sebagai ekstraksi fitur pada motor dengan empat baut dalam kondisi operasi berbeda (800, 1000, dan 1200 rpm). Penelitian ini menghasilkan 513 fitur frekuensi dari sinyal getaran dan mengevaluasi berbagai pengklasifikasi pembelajaran mesin, menunjukkan performa memuaskan dalam deteksi dan identifikasi baut spesifik yang kehilangan \textit{preload}. Studi ini menekankan pentingnya penempatan sensor strategis dan potensi implementasi sistem pemantauan \textit{online} \parencite{pham2020}.
Penelitian yang dilakukan oleh \textcite{van2020} berfokus pada deteksi kerusakan \textit{gearbox} menggunakan sinyal getaran yang dianalisis melalui menggunakan \gls{ann}, \gls{lr}, dan \gls{svm}. Dalam studinya, data getaran dikonversi dari domain waktu ke domain frekuensi menggunakan \gls{fft}. Selanjutnya, dilakukan ekstraksi delapan ciri statistik seperti rata-rata, median, nilai maksimum, minimum, kurtosis, skewness, standar deviasi, dan rentang nilai, yang secara signifikan mengurangi dimensi data dari 800 menjadi 32 elemen per sampel tanpa kehilangan karakteristik penting sinyal. Hasil penelitian menunjukkan bahwa model \gls{ann} mampu mencapai akurasi deteksi sebesar 100\%, sedangkan \gls{lr} dan \gls{svm} menghasilkan performa yang sedikit lebih rendah. Temuan ini menegaskan bahwa penggunaan kombinasi antara transformasi \gls{fft} dan ekstraksi ciri statistik mampu meningkatkan efisiensi pemrosesan sekaligus mempertahankan tingkat akurasi yang tinggi. Meskipun, algoritma \gls{ann} paling unggul dalam mengklasifikasi fitur statistik yang didapat dari \gls{fft}, hal ini menunjukkan bahwa ekstraksi fitur berbasis \textit{fourier transform} cukup baik dalam menangkap karakteristik sinyal getaran untuk aplikasi deteksi kerusakan mekanis.
\subsection{Aplikasi Machine Learning Klasik dalam SHM}
\textcite{gui2017} mendemonstrasikan efektivitas \textit{Support Vector Machine} (SVM) yang dioptimalkan untuk deteksi kerusakan struktur sipil skala besar. Penelitian ini membandingkan tiga algoritma optimasi: \textit{grid-search}, \textit{particle swarm optimization}, dan \textit{genetic algorithm} untuk mengoptimalkan parameter penalti dan fungsi kernel Gaussian. Menggunakan fitur \textit{Relative Energy} (RE) dari model \textit{Autoregressive} (AR), semua metode optimasi menunjukkan peningkatan signifikan dalam sensitivitas, akurasi, dan efektivitas dibanding metode konvensional. \textit{Genetic algorithm}-based SVM memberikan prediksi terbaik, menekankan pentingnya pemilihan fitur yang tepat untuk meningkatkan sensitivitas deteksi kerusakan.
\textcite{jang2023} memperluas penerapan \gls{ml} dalam diagnosis kegagalan mesin listrik melalui kombinasi \textit{denoising} \gls{ae} dan \gls{oc-svm}. Pendekatan ini tidak hanya meningkatkan kualitas data melalui proses \textit{denoising} otomatis, tetapi juga menghasilkan tingkat diagnosis yang lebih akurat, dengan skor F-1 lebih tinggi dibandingkan pra-pemrosesan berbasis \gls{wt}. Hal ini menunjukkan \gls{svm} cukup efektif dalam mengklasifikasikan kondisi normal dan abnormal pada mesin listrik, terutama ketika dipasangkan dengan teknik ekstraksi fitur yang tepat meskipun pada metode tersebut melibatkan \gls{ae} yang dasarnya berbasis \gls{nn}.
\textcite{katam2025} mengintegrasikan STFT dengan SVM untuk deteksi kerusakan pada \textit{cantilever beam}, mencapai akurasi 98\%. Penelitian ini menyoroti keunggulan STFT dalam menangkap perubahan transien struktur yang krusial untuk deteksi dini, surpassing metode tradisional seperti FFT dan \textit{wavelet transform}. Pendekatan ini dirancang efektif dengan dataset terbatas, menggunakan \textit{autoencoder} untuk kompresi ruang fitur STFT berdimensi tinggi sambil mempertahankan variasi frekuensi-magnitudo esensial.
Penelitian oleh \textcite{vos2022} mengusulkan pendekatan deteksi anomali berbasis getaran dengan mengombinasikan \gls{lstm} dan \gls{oc-svm} dalam kerangka semi-supervised learning. Pendekatan ini dirancang untuk mengatasi keterbatasan ketersediaan data rusak dalam sistem pemantauan kondisi mesin. Dua arsitektur dikembangkan: \gls{lstm}-\gls{oc-svm} yang menghapus komponen deterministik dari sinyal sehat, dan \gls{lstm}-\gls{lstm}-\gls{oc-svm} yang menambahkan tahap kedua untuk mengisolasi komponen acak baru yang menandakan kerusakan \textit{bearing}. Hasil pengujian pada data uji ketahanan gearbox helikopter menunjukkan bahwa model dua langkah memberikan hasil klasifikasi yang lebih akurat dibandingkan arsitektur tunggal. Namun, pada data getaran helikopter Airbus yang tidak berurutan, pendekatan berbasis \gls{lstm} tidak menunjukkan peningkatan berarti, dan model \gls{oc-svm} berbasis fitur statistik yang berasal dari residual \gls{lstm} dan \textit{windowing} pada arsitektur pertama justru lebih unggul dengan akurasi 0,89. Temuan ini menegaskan bahwa kombinasi \textit{deep learning} dan metode statistik dapat meningkatkan deteksi dini kerusakan mesin, terutama ketika hanya tersedia data kondisi sehat untuk pelatihan.
\textcite{gui2017} mendemonstrasikan efektivitas \textit{Support Vector Machine} (SVM) yang dioptimalkan untuk deteksi kerusakan struktur sipil skala besar. Penelitian ini membandingkan tiga algoritma optimasi: \textit{grid-search}, \textit{particle swarm optimization}, dan \textit{genetic algorithm} untuk mengoptimalkan parameter penalti dan fungsi kernel Gaussian. Menggunakan fitur \gls{re} dari model \gls{ar}, semua metode optimasi menunjukkan peningkatan signifikan dalam sensitivitas, akurasi, dan efektivitas dibanding metode konvensional. \gls{ga}-based \gls{svm} memberikan prediksi terbaik, menekankan pentingnya pemilihan fitur yang tepat untuk meningkatkan sensitivitas deteksi kerusakan.
\textcite{katam2025} mengintegrasikan \gls{stft} dengan \gls{svm} untuk deteksi kerusakan pada \textit{cantilever beam} skala kecil, mencapai akurasi 98\%. Penelitian ini menyoroti keunggulan \gls{stft} dalam menangkap perubahan transien struktur yang krusial untuk deteksi dini, surpassing metode tradisional seperti \gls{fft} dan \gls{wt}. Pendekatan ini dirancang efektif dengan dataset terbatas, meskpun menggunakan \gls{ae} yang berbasis \gls{nn} sebagai reduksi dimensi \gls{stft} yang berdimensi tinggi sambil mempertahankan variasi frekuensi-magnitudo esensial.
% \subsection{Analisis Gap dan Posisi Penelitian}