feat(latex): expand introduction chapter with detailed background and problem formulation

[FEAT] Refactor Chapter Two

latex/appendix/important/abdeljaber2017.tex

@@ -0,0 +1,41 @@
+2   %Nomor
+            
+            %for mult rows
+
+            &   %Judul Jurnal
+            Real-time vibration-based structural damage detection using one-dimensional convolutional neural networks \href{https://doi.org/10.1016/j.jsv.2016.10.043}{10.1016/j.jsv.
+            2016.10.043}
+            
+            %for mult rows
+
+            % &   %Author
+            % % Satish B Satpal; Yogesh Khandare; Anirban Guha; Sauvik Banerjee
+            
+            % %for mult rows
+
+            % &   %Nama Jurnal
+            % International Journal of Advanced Structural Engineering (IJASE) 
+            
+            % %for mult rows
+
+            % &   %Sumber
+            % \href{http://dx.doi.org/10.1186/2008-6695-5-2}{ResearchGate}
+            
+            % %for mult rows
+
+            % & %Tahun
+            % 2020
+            
+            % %for mult rows
+
+            &   %Tujuan penelitian
+            Mengidentifikasi lokasi kerusakan struktur secara \textit{real-time} dengan memproses sinyal getaran mentah yang diambil dari jaringan-jaringan akselerometer pada setiap titik tanpa proses tambahan atau ekstraksi fitur.
+
+            &   %Kesimpulan
+                % Studi ini menilai kemampuan mesin vektor pendukung untuk memprediksi intensitas kerusakan dan lokasi pada balok kantilever. Meskipun berhasil memprediksi kerusakan dengan sedikit kesalahan, tingkat kebisingan dan lokasi kerusakan memengaruhi keakuratan. Tingkat kebisingan yang tinggi mempengaruhi kinerja secara signifikan, terutama pada intensitas kerusakan yang lebih rendah.
+            &   % Gap Research
+                \begin{enumerate}
+                    \item Riset ini hanya dilakukan dengan \textit{full-grid array} akselerometer yang diletakkan pada setiap \textit{node} kerusakan, sehingga memerlukan banyak perangkat akselerometer.
+
+                    \item Tidak ada komparasi performa efisiensi dan akurasi dengan algoritma pembelajaran mesin lain yang lebih populer sebelumnya.
+                \end{enumerate}

latex/appendix/important/van2020.tex

@@ -0,0 +1,68 @@
+1 
+            
+%for mult rows
+
+& 
+Statistical Feature Extraction in Machine Fault Detection using Vibration Signal (\href{https://doi.org/10.1109/ICTC49870.2020.9289285}{10.1109/ICTC49870.
+2020.9289285})
+%for mult rows
+
+% &
+% Donghui Xu; Xiang Xu; Michael C. Forde; Antonio Caballero
+
+%for mult rows
+
+% &
+% Construction and Building Materials
+
+% %for mult rows
+
+% &
+% \href{https://doi.org/10.1016/j.conbuildmat.2023.132596}{ScienceDirect}
+
+% %for mult rows
+
+% &
+% 2023
+
+% %for mult rows
+
+&
+\begin{enumerate}[series=enum]
+    \item Menginvestigasi cara mengklasifikasi kondisi \textit{gearbox} normal dan rusak menggunakan sinyal getaran berbasis pada kombinasi antara analisis statistik dan FFT dengan algoritma pembelajaran mesin (ANN, Logistic Regression, dan SVM)
+    
+    \item Mengurangi waktu latih dan kompleksitas kalkulasi dengan analisis statistik sebagai input data meliputi sembilan fitur: mean, median, min, max, kurtosis, \textit{skewness}, \textit{standard deviation}, and \textit{range}.
+\end{enumerate}
+
+&
+\begin{enumerate}[series=enum2]
+    \item Nilai \textit{maximum} dan kurtosis adalah fitur yang paling signifikan untuk mengklasifikasi kelas label pembelajaran mesin.
+
+    \item ANN meraih akurasi 100\% pada input FFT penuh dan analisis statistik, sedangkan Regresi Logistik (LR) dan SVM meraih akurasi 100\% dengan input FFT penuh namun hanya mendapat akurasi 91\% dengan input analisis statistik
+\end{enumerate}
+
+&
+\begin{enumerate}
+    \item Lorem
+    \item Ipsum
+\end{enumerate}
+
+%-------------page break----------------
+% \\
+% &
+% &
+% &
+% &
+% &
+% &
+% &
+% \begin{enumerate}[resume=enum]
+%     \item Menyajikan berbagai perkembangan penelitian, mendiskusikan dan membandingkannya kelebihan dan kekurangannya
+%     \item Meringkas kesesuaian berbagai metode pembelajaran mesin untuk masalah SHM yang berbeda
+%     \item Terakhir, tren masa depan
+% \end{enumerate}
+% &
+% \begin{enumerate}[resume=enum2]
+%     \item SVM dan hutan acak kurang mendapat perhatian dibandingkan dengan jaringan saraf. Ini digunakan untuk klasifikasi kerusakan. Namun, pemrosesan awal data jauh lebih rumit.
+
+% \end{enumerate}

latex/appendix/summary_related_paper.tex

@@ -0,0 +1,509 @@
+\documentclass[12pt,a4paper]{report}
+\usepackage{hyperref}
+\usepackage[top=1cm,right=3cm,bottom=1cm,left=3cm]{geometry}
+\usepackage{multirow}
+\usepackage{array}
+% \usepackage{makecell}
+\usepackage{pdflscape}
+\usepackage{longtable,booktabs}
+\usepackage{colortbl,xcolor}
+\usepackage{enumitem}
+\usepackage{pdfpages}
+\usepackage{caption}
+\usepackage[bahasa]{babel}
+\usepackage{xpatch,csquotes}
+\usepackage[backend=biber]{biblatex}
+\addbibresource{export.bib}
+\DeclareSourcemap{
+  \maps[datatype = bibtex]{
+    \map{
+       \step[fieldsource = abstract,
+          match = \regexp{([^\\])\%},
+          replace = \regexp{\$1\\\%}]
+    }
+  }
+}
+% \usepackage{tablefootnote}
+% \usepackage{showframe}
+\definecolor{Gray}{gray}{0.95}
+\newcolumntype{a}{>{\columncolor{Gray}}p}
+\renewcommand{\thefootnote}{\textit{\alph{footnote}}}
+% \newcolumntype{b}{>{\raggedright\arraybackslash}p}
+
+\title{Tugas 2 \\ Metode Penelitian}
+\author{Rifqi Damar Panuluh \\ 20210110224}
+
+\begin{document}
+    \maketitle
+    \begin{landscape}
+    % Table generated by Excel2LaTeX from sheet 'Sheet1'
+    % \begin{table}[h]
+        \centering
+        \begin{longtable}{
+            >{\raggedleft\arraybackslash}p{0.02\linewidth}   %1
+            >{\raggedright\arraybackslash}a{0.1\linewidth}   %2
+            % >{\raggedright\arraybackslash}p{0.1\linewidth}    %3
+            % >{\raggedright\arraybackslash}a{0.075\linewidth}    %4
+            % p{0.065\linewidth}    %5
+            % >{\raggedleft\arraybackslash}p{0.05\linewidth}    %6
+            >{\raggedright\arraybackslash}p{0.25\linewidth}    %7
+            >{\raggedright\arraybackslash}a{0.25\linewidth}    %8
+            >{\raggedright\arraybackslash}p{0.25\linewidth}    %9
+            }  
+
+            \caption{Tinjauan pustaka, topik: pemanfaatan data getaran untuk monitor kesehatan struktur jembatan}
+            \label{tab:my_label}
+          \\
+          \toprule
+          \toprule
+          \rowcolor{white}
+          No.  %1
+          & 
+          Judul %2
+          % &
+          % Nama Penulis  %3
+          % &
+          % Nama Jurnal   %4
+          % &
+          % Sumber    %5
+          % &
+          % Tahun %6
+          &
+          Tujuan Penelitian %7
+          &
+          Kesimpulan    %8
+          &
+          Gap Research %9
+            
+            \\\midrule
+        \endfirsthead
+        \toprule
+          \rowcolor{white}
+          No.  %1
+          & 
+          Judul %2
+          % &
+          % Nama Penulis  %3
+          % &
+          % Nama Jurnal   %4
+          % &
+          % Sumber    %5
+          % &
+          % Tahun %6
+          &
+          Tujuan Penelitian %7
+          &
+          Kesimpulan    %8
+            
+            \\\midrule
+        \endhead
+        \midrule
+        \multicolumn{4}{r}{\textit{berlanjut di halaman berikutnya}}
+        \endfoot
+        \bottomrule
+        \bottomrule
+        \endlastfoot
+            
+        %-----1
+        \input{important/van2020}
+        \\
+        %-----2
+        \input{important/abdeljaber2017}
+        \\
+        %------3
+        \\
+            3
+
+            &   %Judul Jurnal
+           Real-time nondestructive structural health monitoring using support vector machines and wavelets (Ahmet Bulut; Ambuj K. Singh; Peter Shin; Tony Fountain; Hector Jasso; Linjun Yan; Ahmed Elgamal)
+            
+            %for mult rows
+
+            % &   %Author
+            % Ahmet Bulut; Ambuj K. Singh; Peter Shin; Tony Fountain; Hector Jasso; Linjun Yan; Ahmed Elgamal
+            
+            %for mult rows
+
+            % &   %Nama Jurnal
+            % Case Studies in Construction Materials 13 (2020) e00406
+            
+            % %for mult rows
+
+            % &   %Sumber
+            % SPIE
+            
+            % %for mult rows
+
+            % & %Tahun
+            % 2005
+            
+            %for mult rows
+
+            &   %Tujuan penelitian
+            Eksplorasi efektivitas SVM dalam deteksi kerusakan; Validasi model SVM dengan data nyata jembatan
+            
+            & %Kesimpulan 
+            \begin{enumerate} [series=enum]
+                \item SVM menunjukkan akurasi tinggi dalam mengidentifikasi lokasi kerusakan
+                \item Rekomendasi untuk penyetelan parameter SVM
+            \end{enumerate}
+
+
+
+            
+        %-----------4
+        \\
+            4
+
+            &   %Judul Jurnal
+           A novel approach of Structural Health Monitoring by the application of FFT and wavelet transform using an index of frequency dispersion (Fragkiskos P. Pentaris; John Stonham; John P. Makris)
+            
+            %for mult rows
+
+            % &   %Author
+            % Fragkiskos P. Pentaris; John Stonham; John P. Makris
+            
+            %for mult rows
+
+            % &   %Nama Jurnal
+            % International Journal of Geology
+            
+            % %for mult rows
+
+            % &   %Sumber
+            % Research Gate
+            
+            % %for mult rows
+
+            % & %Tahun
+            % 2013
+            
+            %for mult rows
+
+            &   %Tujuan penelitian
+            \begin{enumerate}
+                \item Memeriksa peran FFT dalam pemrosesan awal data getaran
+                \item Menilai dampak FFT terhadap keakuratan deteksi kerusakan
+            \end{enumerate}
+            
+            & %Kesimpulan 
+            \begin{enumerate} [series=enum]
+                \item FFT meningkatkan rasio \textit{signal-to-noise} dan meningkatkan deteksi kerusakan.
+                \item Menyarankan integrasi dengan algoritme lain untuk meningkatkan akurasi.
+            \end{enumerate}
+            
+            \\ %-------------page break----------------
+
+
+
+            
+        %-----------4
+        \\
+            5
+
+            &   %Judul Jurnal
+           Review of Vibration-Based Structural Health Monitoring Using Deep Learning (Gyungmin Toh; Junhong Park)
+            
+            %for mult rows
+
+            % &   %Author
+            % Gyungmin Toh;
+            % Junhong Park
+            
+            % %for mult rows
+
+            % &   %Nama Jurnal
+            % Apllied Sciences
+            
+            % %for mult rows
+
+            % &   %Sumber
+            % MDPI
+            
+            % %for mult rows
+
+            % & %Tahun
+            % 2020
+            
+            %for mult rows
+
+            &   %Tujuan penelitian
+            \begin{enumerate}
+                \item ringkasan studi penerapan algoritma pembelajaran mesin untuk kesalahan pemantauan (\textit{monitoring}) menggunakan faktor getaran untuk mengkategorikan penelitian. 
+                \item Menyediakan interpretasi singkat tentang jaringan saraf dalam untuk pengaplikasian lebih lanjut dalam analisis getaran struktural.
+            \end{enumerate}
+            
+            & %Kesimpulan 
+            \begin{enumerate} [series=enum]
+                \item Deep learning has the advantage of being able to perform health monitoring on complex structures with high accuracy.
+            \end{enumerate}
+%-------------page break----------------
+
+
+
+            
+        %-----------4
+        \\
+            6
+
+            &   %Judul Jurnal
+           A deep learning approach to condition monitoring of cantilever beams via time-frequency extended signatures (Habil. Darian M. Onchis)
+            
+            %for mult rows
+
+            % &   %Author
+            % Habil. Darian M. Onchis
+            
+            % %for mult rows
+
+            % &   %Nama Jurnal
+            % Computers in Industry
+            
+            % %for mult rows
+
+            % &   %Sumber
+            % Science Direct
+            
+            % %for mult rows
+
+            % & %Tahun
+            % 2019
+            
+            %for mult rows
+
+            &   %Tujuan penelitian
+            \begin{enumerate}
+                \item ringkasan studi penerapan algoritma pembelajaran mesin untuk kesalahan pemantauan (\textit{monitoring}) menggunakan faktor getaran untuk mengkategorikan penelitian. 
+                \item Menyediakan interpretasi singkat tentang jaringan saraf dalam untuk pengaplikasian lebih lanjut dalam analisis getaran struktural.
+            \end{enumerate}
+            
+            & %Kesimpulan 
+            \begin{enumerate} [series=enum]
+                \item Deep learning has the advantage of being able to perform health monitoring on complex structures with high accuracy.
+            \end{enumerate}
+            
+            \\ %-------------page break----------------
+            
+
+        % %------------5
+        %     5
+
+        %     &   %Judul Jurnal
+        %     Advances and development trends in eco-friendly pavements
+            
+        %     %for mult rows
+
+        %     &   %Author
+        %     Aimin Sha, Zhuangzhuang Liu, Wei Jiang, Lin Qi, Liqun Hu, Wenxiu Jiao ,Diego Maria Barbieri
+            
+        %     %for mult rows
+
+        %     &   %Nama Jurnal
+        %     Journal of Road Engineering 1 (2021)
+            
+        %     %for mult rows
+
+        %     &   %Sumber
+        %     ScienceDirect
+            
+        %     %for mult rows
+
+        %     & %Tahun
+        %     2021
+            
+        %     %for mult rows
+
+        %     &   %Tujuan penelitian
+        %     Mengembangkan solusi teknis untuk mengatasi tantangan yang terkait dengan penciptaan infrastruktur hijau dan berkelanjutan, misalnya, pengurangan dampak lingkungan, peningkatan keselamatan lalu lintas, dan efisiensi transportasi, dll.\cite{Sha2021}
+        %     & 
+        %     \begin{enumerate} [series=enum]
+        %         \item  Temuan penelitian terbaru terkait jalan ramah lingkungan
+        %         trotoar diringkas dan dibahas sesuai dengan enam kunci yang berbeda
+        %         karakteristik: permeabel, pengurangan kebisingan, luminescence diri, knalpot
+        %         dekomposisi, penyerapan panas rendah serta \textit{anti-icing} / \textit{de-icing}.\cite{Sha2021}
+        %     \end{enumerate}
+        %     \\
+        %     &   %Judul Jurnal
+        %     Advances and development trends in eco-friendly pavements
+            
+        %     %for mult rows
+
+        %     &   %Author
+        %     Aimin Sha, Zhuangzhuang Liu, Wei Jiang, Lin Qi, Liqun Hu, Wenxiu Jiao ,Diego Maria Barbieri
+            
+        %     %for mult rows
+
+        %     &   %Nama Jurnal
+        %     Journal of Road Engineering 1 (2021)
+            
+        %     %for mult rows
+
+        %     &   %Sumber
+        %     ScienceDirect
+            
+        %     %for mult rows
+
+        %     & %Tahun
+        %     2021
+            
+        %     %for mult rows
+
+        %     &   %Tujuan penelitian
+        %     Mengembangkan solusi teknis untuk mengatasi tantangan yang terkait dengan penciptaan infrastruktur hijau dan berkelanjutan, misalnya, pengurangan dampak lingkungan, peningkatan keselamatan lalu lintas, dan efisiensi transportasi, dll.\cite{Sha2021}
+        %     & 
+        %     \begin{enumerate}[resume=enum]
+        %         \item  Teknologi ini dapat memecahkan beberapa tantangan utama yang terkait dengan konstruksi jalan dan lalu lintas (misalnya, kebisingan, efek pulau panas, dan pembangkitan polusi). Sebagian besar solusi saat ini hanya tersedia menampilkan satu fungsi ramah lingkungan pada satu waktu.\cite{Sha2021}
+        %     \end{enumerate}
+
+        % %-----------5
+        % \\
+        %     5
+
+        %     &   %Judul Jurnal
+        %     Micromobility injury events: Motor vehicle crashes and other transportation systems factors
+            
+        %     %for mult rows
+
+        %     &   %Author
+        %     Kevin Fang
+            
+        %     %for mult rows
+
+        %     &   %Nama Jurnal
+        %     Transportation Research Interdisciplinary Perspectives 14 (2022) 100574
+            
+        %     %for mult rows
+
+        %     &   %Sumber
+        %     ScienceDirect
+            
+        %     %for mult rows
+
+        %     & %Tahun
+        %     2022
+            
+        %     %for mult rows
+
+        %     &   %Tujuan penelitian
+        %     Menginformasikan transportasi strategi kebijakan untuk mencoba dan meningkatkan kinerja keselamatan, Dengan cara mengeksplorasi keadaan di mana cedera pengendara mikromobilitas mengalami cederanya, dengan fokus pada faktor-faktor yang berkaitan dengan sistem transportasi.\cite{Fang2022}
+        %     & 
+        %     \begin{enumerate} [series=enum]
+        %         \item Kecelakaan kendaraan bermotor secara mengejutkan menjulang sebagai sesuatu yang kemungkinan adalah faktor umum dalam cedera mikromobilitas. Masalah perkerasan, konflik 
+        %         dengan pengguna non-otomatis, dan medan juga muncul sebagai faktor cedera yang terukur.\cite{Fang2022}
+        %     \end{enumerate}
+        %     \\
+        %     &   %Judul Jurnal
+        %     Micromobility injury events: Motor vehicle crashes and other transportation systems factors
+            
+        %     %for mult rows
+
+        %     &   %Author
+        %     Kevin Fang
+            
+        %     %for mult rows
+
+        %     &   %Nama Jurnal
+        %     Transportation Research Interdisciplinary Perspectives 14 (2022) 100574
+            
+        %     %for mult rows
+
+        %     &   %Sumber
+        %     ScienceDirect
+            
+        %     %for mult rows
+
+        %     & %Tahun
+        %     2022
+            
+        %     %for mult rows
+
+        %     &   %Tujuan penelitian
+        %      Menginformasikan transportasi strategi kebijakan untuk mencoba dan meningkatkan kinerja keselamatan, Dengan cara mengeksplorasi keadaan di mana cedera pengendara mikromobilitas mengalami cederanya, dengan fokus pada faktor-faktor yang berkaitan dengan sistem transportasi.\cite{Fang2022}
+        %     & 
+        %     \begin{enumerate} [resume=enum]
+        %         \item Di antara faktor-faktor yang berhubungan dengan transportasi, analisis regresi 
+        %         menunjukkan bahwa terluka dalam kecelakaan kendaraan bermotor atau di medan berbukit 
+        %         sesuai dengan kemungkinan yang lebih besar dari rawat inap dan cedera kepala.\cite{Fang2022}
+        %     \end{enumerate}
+        %     \\
+        %     &   %Judul Jurnal
+        %     Micromobility injury events: Motor vehicle crashes and other transportation systems factors
+            
+        %     %for mult rows
+
+        %     &   %Author
+        %     Kevin Fang
+            
+        %     %for mult rows
+
+        %     &   %Nama Jurnal
+        %     Transportation Research Interdisciplinary Perspectives 14 (2022) 100574
+            
+        %     %for mult rows
+
+        %     &   %Sumber
+        %     ScienceDirect
+            
+        %     %for mult rows
+
+        %     & %Tahun
+        %     2022
+            
+        %     %for mult rows
+
+        %     &   %Tujuan penelitian
+        %      Menginformasikan transportasi strategi kebijakan untuk mencoba dan meningkatkan kinerja keselamatan, Dengan cara mengeksplorasi keadaan di mana cedera pengendara mikromobilitas mengalami cederanya, dengan fokus pada faktor-faktor yang berkaitan dengan sistem transportasi.\cite{Fang2022}
+        %     & 
+        %     \begin{enumerate} [resume=enum]
+        %         \item Mitigasi yang berhasil yang memaksimalkan kinerja mode keselamatan mikromobilitas dapat membantu menarik dan mempertahankan pengguna dan menjaga kepercayaan dari pembuat kebijakan yang peduli keselamatan.\cite{Fang2022}
+        %     \end{enumerate}
+        % \end{tabular}
+        \end{longtable}
+    % \end{table}
+\end{landscape}
+\clearpage
+\pagenumbering{roman}
+\setcounter{page}{2}
+\thispagestyle{empty}
+\printbibliography
+
+\clearpage
+\begin{titlepage}
+    \
+    \vfill
+	\centering\noindent \Huge{LAMPIRAN}
+    \vfill
+    \
+\end{titlepage}
+
+
+%     \clearpage
+%     \thispagestyle{empty}
+%   \centering
+%   \frame{\includegraphics[page=1,scale=.7]{assets/1-s2.0-S2095756420300295-main.pdf}}
+%   \captionof{figure}{Halaman pertama jurnal pertama}
+
+%   \clearpage
+%     \thispagestyle{empty}
+%   \centering
+%   \frame{\includegraphics[page=1,scale=.7]{assets/1-s2.0-S2214509520300024-main.pdf}}
+%   \captionof{figure}{Halaman pertama jurnal kedua}
+
+%   \clearpage
+%   \thispagestyle{empty}
+%   \centering
+%   \frame{\includegraphics[page=1,scale=.7]{assets/1-s2.0-S2214509520300784-main.pdf}}
+%   \captionof{figure}{Halaman pertama jurnal ketiga}
+
+%   \clearpage
+%   \thispagestyle{empty}
+%   \centering
+%   \frame{\includegraphics[page=1,scale=.7]{assets/1-s2.0-S2097049821000044-main.pdf}}
+%   \captionof{figure}{Halaman pertama jurnal keempat}
+
+%   \clearpage
+%   \thispagestyle{empty}
+%   \centering
+%   \frame{\includegraphics[page=1,scale=.7]{assets/1-s2.0-S2590198222000379-main.pdf}}
+%   \captionof{figure}{Halaman pertama jurnal kelima}
+\end{document}

latex/chapters/01_introduction.tex

@@ -0,0 +1,68 @@
+\chapter{PENDAHULUAN}
+
+\section{Latar Belakang}
+
+\indent Monitor Kesehatan Struktur (\textit{Structural Health Monitoring} atau SHM) merupakan pendekatan penting untuk menjamin integritas dan keselamatan struktur teknik sipil secara berkelanjutan. Salah satu komponen struktural yang umum digunakan dalam penyambungan adalah sambungan baut (\textit{bolt joint}), yang dikenal karena kemudahan dalam perakitan dan penggunaan ulang. Namun demikian, sambungan berulir ini rentan mengalami kelonggaran akibat beban kejut atau getaran terus-menerus \parencite{chen2017}. Kelonggaran baut yang tidak terdeteksi sejak dini dapat menyebabkan kerusakan serius pada struktur, sehingga identifikasi dini terhadap kerusakan sambungan baut menjadi krusial dalam bidang teknik sipil, mesin, dan kedirgantaraan.
+
+\indent Deteksi kelonggaran baut telah dilakukan melalui berbagai metode. Kelompok pertama adalah inspeksi \textit{in-situ}, seperti inspeksi visual atau penggunaan alat mekanis seperti kunci torsi dan palu. Meskipun sederhana dan murah, metode ini sulit untuk mendeteksi kerusakan pada tahap awal \parencite{j.h.park2015}. Metode palu lebih efektif dibanding visual untuk mendeteksi awal kelonggaran, tetapi akurasinya dapat terganggu oleh kebisingan lingkungan, serta memakan waktu bila diaplikasikan pada struktur dengan banyak sambungan seperti jembatan \parencite{j.h.park2015,wang2013}.
+
+\indent Kelompok kedua menggunakan teknik berbasis penglihatan komputer seperti kamera dan pencitraan digital, termasuk deteksi rotasi kepala baut menggunakan CNN dan Faster R-CNN \parencite{zhang2020,zhao2019}. Meskipun teknik ini dapat mendeteksi kerusakan secara visual tanpa dipengaruhi oleh kebisingan akustik, tantangan tetap ada dalam hal penempatan kamera dan beban komputasi tinggi dari model deep learning, terutama dalam kondisi sempit seperti mesin kendaraan atau turbin.
+
+\indent Kelompok ketiga dan yang menjadi fokus penelitian ini adalah teknik berbasis sensor, terutama pendekatan berbasis getaran (\textit{vibration-based}). Metode ini tidak hanya efektif dalam mengatasi keterbatasan teknik sebelumnya, tetapi juga mampu mendeteksi kelonggaran baut pada tahap awal secara andal dan akurat \parencite{nichols2004,razi2013}. Dalam penelitian ini, deteksi dilakukan melalui data akselerasi struktur yang diambil dari titik-titik sambungan dalam \textit{sistem grid} yang mewakili koneksi baut secara arah kolom. 
+
+\indent Pada penelitian sebelumnya oleh \textcite{abdeljaber2017}, deteksi kerusakan struktur menggunakan 1-D Convolutional Neural Network (1-D CNN) telah diterapkan secara efektif pada struktur grid dengan 30 titik sensor. Namun, keterbatasan tetap muncul dalam hal kebutuhan sumber daya komputasi yang tinggi ketika memproses data mentah berdimensi besar dari semua sensor secara simultan \parencite{yang2020, liu2022}. Beberapa studi menyarankan bahwa transformasi sinyal seperti STFT dapat digunakan sebagai alternatif ekstraksi fitur sebelum dilakukan klasifikasi \parencite{shahid2022}. Pendekatan ini tidak hanya mengurangi kompleksitas perhitungan tetapi juga dapat mempertahankan karakteristik penting dari sinyal yang tereduksi.
+
+\indent Oleh karena itu, penelitian ini mengadopsi pendekatan pengurangan jumlah sensor menjadi hanya dua per jalur kolom (atas dan bawah), merepresentasikan sambungan vertikal seperti susunan baut, dengan tujuan menyederhanakan model tanpa kehilangan akurasi deteksi kerusakan. Data diproses melalui transformasi STFT sebelum diklasifikasikan menggunakan model algoritma pembelajaran mesin klasik. Dengan mengevaluasi berbagai pengklasifikasi dan validasi silang antar kolom, studi ini berkontribusi dalam menciptakan sistem SHM yang efisien, rendah biaya, dan mudah diimplementasikan.
+
+
+\section{Rumusan Masalah}
+Untuk memandu arah penelitian ini, beberapa permasalahan utama yang akan dibahas adalah sebagai berikut:
+
+\begin{enumerate}
+    \item Apakah sinyal getaran yang hanya diperoleh dari sensor pada bagian atas dan bawah suatu jalur kolom masih mampu merepresentasikan fitur-fitur penting yang diperlukan untuk mengklasifikasikan kerusakan struktur secara akurat?
+
+    \item Apakah penggabungan data dari beberapa jalur kolom dapat meningkatkan kemampuan generalisasi model, meskipun jumlah sensor pada tiap jalur dibatasi?
+
+    \item Apakah algoritma machine learning klasik yang sederhana masih mampu menghasilkan model dengan kinerja yang cukup layak dibandingkan dengan model \textit{supervised} yang lebih kompleks ketika diterapkan pada skenario dengan input data sensor yang terbatas?
+\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}
+Studi ini berfokus pada dataset yang tersedia secara publik didapat dari Queen's University Grandstand Simulator (QUGS), sebuah kerangka besi level laboratorium yang dipasang dengan tiga puluh titik sensor akselerometer dan \textit{white shaker noise}. 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.
+
+\section{Tujuan Penelitian}
+\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 struktur.
+
+    % \item Memperlakukan setiap grup kolom sensor sebagai elemen balok satu dimensi yang disederhanakan, dan mengevaluasi apakah karakteristik kerusakan tetap terjaga dalam energi getaran yang ditransmisikan antara kedua ujungnya.
+
+    % \item Menyusun setiap grup kolom sebagai satu dataset terpisah dan melakukan lima pengujian berbeda, di mana masing-masing grup kolom berperan sebagai data validasi secara bergantian.
+
+    % \item Menyertakan data dari setiap grup kolom ke dalam data pelatihan untuk membentuk satu model umum yang dapat digunakan untuk seluruh grup kolom.
+
+    \item Mengeksplorasi kemungkinan generalisasi satu model terhadap berbagai jalur kolom hanya dengan memanfaatkan data dari sensor pada kedua ujung kolom.
+\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}
+
+Penelitian ini memberikan beberapa manfaat yang diharapkan dapat berkontribusi dalam pengembangan sistem deteksi kerusakan struktur, antara lain:
+
+\begin{enumerate}
+    \item Penelitian ini tidak berfokus pada pengembangan arsitektur model baru maupun penerapan \textit{transfer learning}, melainkan pada perancangan alur (\textit{pipeline}) klasifikasi yang sederhana dan mudah dipahami sebagai solusi tahap awal untuk pengembangan sistem monitor kesehatan struktur.
+    
+    \item Dengan pemilihan titik sensor strategis yang terbatas (hanya di ujung atas dan bawah jalur kolom \textit{grid}) serta prapemrosesan berbasis transformasi STFT, penelitian ini menunjukkan bahwa efisiensi dapat dicapai tanpa mengorbankan akurasi secara signifikan.
+    
+    \item Studi ini membuktikan bahwa algoritma pembelajaran mesin klasik seperti SVM, KNN, dan LDA masih mampu memberikan performa model yang kompetitif dalam klasifikasi kerusakan, apabila dipadukan dengan ekstraksi fitur yang tepat.
+    
+    \item Hasil penelitian ini diharapkan dapat menjadi alternatif sistem SHM yang lebih terjangkau dan praktis untuk diterapkan pada struktur nyata, khususnya dalam kondisi keterbatasan sumber daya.
+    
+    \item Rangkaian eksperimen dan pendekatan sistematis dalam penelitian ini dapat dijadikan tolok ukur atau \textit{baseline} untuk studi komparatif selanjutnya dan pengembangan model arsitektur yang lebih kompleks.
+\end{enumerate}

latex/chapters/id/01_background/background.tex

@@ -0,0 +1 @@
+Monitor Kesehatan Struktur (SHM) merupakan aspek penting dalam melakukan pemeliharaan keamanan dan kelayakan operasional pada struktur. Dari berbagai macam strategi SHM, metode berbasis getaran sudah menjadi opsi paling banyak dijumpai karena kemampuannya untuk mendeteksi perubahan struktur internal secara non-invasif. Penemuan baru-baru ini pada pemelajaran mesin (\textit{machine learning}) telah memberi wawasan luas pada penggunaan model pemelajaran mendalam (\textit{deep learning}), seperti satu dimensi jaringan saraf konvolusional (1-D CNN), untuk deteksi lokalisasi kerusakan. Model-model ini biasanya memebutuhkan data dari susunan sensor penuh dan dataset latih besar. Hal ini terkadang membuat metode tersebut membutuhkan komputasi yang intensif dan kurang memungkinkan untuk diaplikasikan pada sumber daya yang terbatas. (Need more past research)

latex/chapters/id/01_background/index.tex

@@ -0,0 +1,7 @@
+\chapter{PENDAHULUAN}
+
+\input{background}
+\input{key_issue}
+\input{scope}
+\input{purpose}
+\input{novelty}

latex/chapters/id/01_background/key_issue.tex

@@ -0,0 +1,10 @@
+\section{Rumusan Masalah}
+Untuk memandu arah penelitian ini, beberapa permasalahan utama yang akan dibahas adalah sebagai berikut:
+
+\begin{enumerate}
+    \item Apakah sinyal getaran yang hanya diperoleh dari sensor pada bagian atas dan bawah suatu jalur kolom masih mampu merepresentasikan fitur-fitur penting yang diperlukan untuk mengklasifikasikan kerusakan struktur secara akurat?
+
+    \item Apakah penggabungan data dari beberapa jalur kolom dapat meningkatkan kemampuan generalisasi model, meskipun jumlah sensor pada tiap jalur dibatasi?
+
+    \item Apakah algoritma machine learning klasik yang sederhana masih mampu memberikan kinerja yang kompetitif dibandingkan dengan model yang lebih kompleks ketika diterapkan pada skenario dengan input data sensor yang terbatas?
+\end{enumerate}

latex/chapters/id/01_background/novelty.tex

@@ -0,0 +1,2 @@
+\section{Manfaat Penelitian}
+Kontribusi utama dalam penelitian ini bukan untuk mengenalkan model arsitektur baru atau pembuatan kerangka kerja untuk \textit{transfer learning}, melainkan pembuatan saluran pipa klasifikasi yang mudah digunakan dan dipahami pada tahap awal. Saluran pipa ini mendemonstrasikan bahwa dengan pemilihan titik sensor yang tepat dan prapemrosesan yang baik, algoritma klasik masih mmampu memberi akurasi yang tinggi pada lokalisasi kerusakan dengan menyeimbangkan antara kesederhanaan, efisiensi, dan performa. Hasil dari penelitian ini diharapkan dapat bermanfaat sebagai sistem monitor kesehatan struktur rendah biaya dan tolok ukur untuk studi komparatif selanjutnya yang melibatkan model arsitektur kompleks.

latex/chapters/id/01_background/purpose.tex

@@ -0,0 +1,12 @@
+\section{Tujuan Penelitian}
+\begin{enumerate}
+    \item Mengembangkan alur sistem pemantauan kesehatan struktur (Structural Health Monitoring/SHM) yang disederhanakan dengan hanya menggunakan sepasang sensor (bagian atas dan bawah) dari grup kolom sensor (contoh: kolom (1,6,11,16,21,26)).
+
+    \item Memperlakukan setiap grup kolom sensor sebagai elemen balok satu dimensi yang disederhanakan, dan mengevaluasi apakah karakteristik kerusakan tetap terjaga dalam energi getaran yang ditransmisikan antara kedua ujungnya.
+
+    \item Menyusun setiap grup kolom sebagai satu dataset terpisah dan melakukan lima pengujian berbeda, di mana masing-masing grup kolom berperan sebagai data validasi secara bergantian.
+
+    \item Menyertakan data dari setiap grup kolom ke dalam data pelatihan untuk membentuk satu model umum yang dapat digunakan untuk seluruh grup kolom.
+
+    \item Mengeksplorasi kemungkinan generalisasi satu model terhadap berbagai jalur kolom hanya dengan memanfaatkan data dari sensor pada kedua ujung kolom.
+\end{enumerate}

latex/chapters/id/01_background/scope.tex

@@ -0,0 +1,2 @@
+\section{Lingkup Penelitian}
+Studi ini berfokus pada dataset yang tersedia secara publik didapat dari Queen's University Grandstand Simulator (QUGS), sebuah kerangka besi level laboratorium yang dipasang dengan tiga puluh titik sensor akselerometer. Riset terdahulu telah dilakukan pengaplikasian \textit{deep learning} terhadap seluruh sensor yang terpasang penuh pada setiap titik joint untuk mencapai akurasi yang tinggi. Akan tetapi, pada praktiknya, instrumentasi penuh seperti ini terkadang tidak efektif dari segi biaya dan tidak layak secara logis.

latex/chapters/id/02_literature_review/index.tex

@@ -0,0 +1,7 @@
+\chapter{TINJAUAN PUSTAKA DAN LANDASAN TEORI}
+\section{Tinjauan Pustaka}
+\input{chapters/id/02_literature_review/abdeljaber2017.tex}
+
+\section{Dasar Teori}
+\input{chapters/id/theoritical_foundation/stft.tex}
+\input{chapters/id/theoritical_foundation/machine_learning.tex}

latex/chapters/id/02_literature_review/theoritical_foundation/machine_learning.tex

@@ -0,0 +1 @@
+\subsection{Machine Learning}

latex/chapters/id/02_literature_review/theoritical_foundation/stft.tex

@@ -0,0 +1 @@
+\subsection{Short-Time Fourier Transform}

latex/frontmatter/approval.tex

@@ -0,0 +1,65 @@
+% frontmatter/endorsement.tex
+\setmainfont{Times New Roman}
+\addcontentsline{toc}{chapter}{LEMBAR PERSETUJUAN TUGAS AKHIR}
+
+\begin{center}
+    \textbf{\Large LEMBAR PERSETUJUAN TUGAS AKHIR} \\[0.5em]
+    \textit{APPROVAL SHEET}
+\end{center}
+
+\vspace{1em}
+
+\renewcommand{\arraystretch}{1.2}
+\begin{tabular}{llp{10cm}}
+\textbf{Judul} & : & \thesistitle \\
+\textit{Title} &   & \\
+
+\textbf{Mahasiswa} & : & \studentname \\
+\textit{Student} &   & \\
+
+\textbf{Nomor Mahasiswa} & : &\studentid \\
+\textit{Student ID.} &   & \\
+
+\textbf{Dosen Pembimbing} & : & 1. \firstadvisor \\
+\textit{Advisors} &   & 2. \secondadvisor
+\end{tabular}
+
+\vspace{1em}
+\textbf{Telah disetujui oleh Tim Penguji:} \\
+\textit{Approved by the Committee on Oral Examination}
+
+\vspace{1em}
+\begin{tabular}{lp{5cm}}
+    \textbf{\firstadvisor} &:
+    % \vspace{2cm} % signature space
+    % \\[1em] % pull up next row
+    \\
+    \textit{Ketua Tim Penguji} & 
+    \noindent\makebox[5cm]{\hrulefill}\\[-0.5em]
+    \textit{\small Chair} & \small Yogyakarta, \dotfill 2020 
+    \\
+    \textbf{\secondadvisor} &:
+    % \vspace{2cm} % signature space
+    % \\[1em] % pull up next row
+    \\
+    \textit{Ketua Tim Penguji} & 
+    \noindent\makebox[5cm]{\hrulefill}\\[-0.5em]
+    \textit{\small Chair} & \small Yogyakarta, \dotfill 2020 \\
+\end{tabular}
+
+\vspace{1em}
+\noindent
+\textbf{Diterima dan disetujui sebagai persyaratan untuk memperoleh gelar Sarjana Teknik} \\
+\textit{Accepted in partial fulfillment of the requirements for the degree of Bachelor of Engineering}
+
+\vspace{2em}
+\begin{center}
+    \textbf{Ketua Program Studi} \\
+    \textit{Head of Department}
+\end{center}
+
+\vspace{3em}
+\begin{center}
+    \textbf{\headdepartement} \\
+    NIK. \headdepartementid
+\end{center}

latex/frontmatter/endorsement.tex

@@ -0,0 +1,7 @@
+% frontmatter/endorsement.tex
+\setmainfont{Times New Roman}
+
+\chapter*{LEMBAR PENGESAHAN TUGAS AKHIR}
+\begin{center}
+    {\normalsize\textit{ENDORSEMENT SHEET}}
+\end{center}

latex/frontmatter/maketitle.tex

@@ -0,0 +1,31 @@
+\begin{titlepage}
+    \centering
+    \vspace*{1cm}
+    
+    {\fontsize{14pt}{16pt}\selectfont \textbf{\MakeUppercase{Tugas Akhir}}\par}
+    \vspace{1.5cm}
+    
+    {\fontsize{14pt}{16pt}\selectfont \textbf{\MakeUppercase{\thesistitle}}\par}
+    \vspace{1.5cm}
+    
+    \includegraphics[width=5cm]{frontmatter/img/logo.png}
+    \vspace{1.5cm}
+    
+    
+    \textbf{Disusun oleh:} \\
+    {\fontsize{14pt}{16pt}\selectfont \textbf{\studentname}} \\
+    {\fontsize{14pt}{16pt}\selectfont \textbf{\studentid}} \\
+    
+    
+    \vfill
+    
+    {\fontsize{12pt}{14pt}\selectfont
+    \textbf{\program} \\
+    \textbf{\faculty} \\
+    \textbf{\university} \\
+    \textbf{\yearofsubmission}
+    }
+    
+    \end{titlepage}%
+    
+    

latex/frontmatter/originality.tex

@@ -0,0 +1,40 @@
+% frontmatter/originality.tex
+\setmainfont{Times New Roman}
+
+\chapter*{PERNYATAAN KEASLIAN}
+\addcontentsline{toc}{chapter}{PERNYATAAN KEASLIAN}
+% \begin{center}
+%     {\normalsize\textit{ORIGINALITY STATEMENT}}
+% \end{center}
+Saya yang bertanda tangan di bawah ini:
+\renewcommand{\arraystretch}{1.2}
+\begin{center}
+\begin{tabular}{llp{10cm}}
+\textbf{Nama} & : & \studentname \\
+\textbf{Nomor Mahasiswa} & : & \studentid \\
+\textbf{Judul} & : & \thesistitle \\
+\end{tabular}
+\end{center}
+Menyatakan dengan sebenarnya bahwa tugas akhir ini merupakan karya says sendiri. Apabila terdapat karya orang lain yang saya kutip, maka saya akan mencantumkan sumber secara jelas. Jika dikemudian hari ditemukan dengan ketidakbenaran dalam pernyataan in, maka saya bersedia menerima sanksi dengan aturan yang berlaku. Demikian pernyataan ini saya buat tanpa ada paksaan dari pihak mana pun.\par
+
+\begin{flushright}
+\begin{minipage}{0.5\textwidth}
+\centering
+Yogyakarta, \today \\[1em]
+Yang membuat pernyataan, \\[0.5cm] % space for signature
+% Materai box
+\hspace*{-2cm}% shift the box slightly left
+\begin{tabular}{@{}c@{}}
+  \fbox{
+    \begin{minipage}[c][2cm][c]{2.5cm}
+      \centering
+      Materai\\
+      6000
+    \end{minipage}
+  }
+\end{tabular}
+\\[1cm]
+% \rule{6cm}{0.4pt} % signature line
+Rifqi Damar Panuluh
+\end{minipage}
+\end{flushright}

latex/main.tex

@@ -0,0 +1,40 @@
+\documentclass[draftmark]{thesis}
+
+% Title Information
+\setthesisinfo
+  {Prediksi Lokasi Kerusakan dengan Machine Learning}
+  {Rifqi Damar Panuluh}
+  {20210110224}
+  {PROGRAM STUDI TEKNIK SIPIL}
+  {FAKULTAS TEKNIK}
+  {UNIVERSITAS MUHAMMADIYAH YOGYAKARTA}
+  {2025}
+
+% Input preamble
+\input{preamble/packages}
+% \input{preamble/fonts}
+\input{preamble/macros}
+
+\begin{document}
+
+\maketitle
+\frontmatter
+\input{frontmatter/approval}\clearpage
+\input{frontmatter/originality}\clearpage
+\input{frontmatter/acknowledgement}\clearpage
+\tableofcontents
+\clearpage
+\mainmatter
+\pagestyle{fancyplain}
+% Include content
+\include{content/abstract}
+\include{content/introduction}
+\include{chapters/01_introduction}
+\include{content/chapter2}
+\include{content/conclusion}
+
+% Bibliography
+% \bibliographystyle{IEEEtran}
+% \bibliography{references}
+
+\end{document}

latex/metadata.tex

@@ -0,0 +1,11 @@
+\newcommand{\studentname}{Rifqi Damar Panuluh}
+\newcommand{\studentid}{20210110224}
+\newcommand{\thesistitle}{Prediksi Lokasi Kerusakan dengan Machine Learning}
+\newcommand{\firstadvisor}{Ir. Muhammad Ibnu Syamsi, Ph.D.}
+\newcommand{\secondadvisor}{}
+\newcommand{\headdepartement}{Puji Harsanto, S.T. M.T., Ph.D.}
+\newcommand{\headdepartementid}{19740607201404123064}
+\newcommand{\faculty}{Fakultas Teknik}
+\newcommand{\program}{Teknik Sipil}
+\newcommand{\university}{Universitas Muhammadiyah Yogyakarta}
+\newcommand{\yearofsubmission}{2025}

latex/preamble/macros.tex

@@ -0,0 +1,5 @@
+\newcommand{\eg}{\textit{e.g.},\ }
+\newcommand{\ie}{\textit{i.e.},\ }
+\newcommand{\etal}{\textit{et al.}}
+
+\let\oldtableofcontents\tableofcontents % backup

latex/preamble/packages.tex

@@ -0,0 +1,3 @@
+\usepackage{amsmath, amssymb, siunitx}
+\usepackage{caption}
+\usepackage{subcaption}

latex/thesis.cls

@@ -0,0 +1,156 @@
+\NeedsTeXFormat{LaTeX2e}
+\ProvidesClass{thesis}[2025/05/10 Bachelor Thesis Class]
+
+\newif\if@draftmark
+\@draftmarkfalse
+
+\DeclareOption{draftmark}{\@draftmarktrue}
+\ProcessOptions \relax
+\LoadClass[a4paper,12pt,oneside]{book}
+
+% Load common packages
+\RequirePackage{polyglossia}
+\RequirePackage{fontspec}
+\RequirePackage{titlesec}
+\RequirePackage{fancyhdr}
+\RequirePackage{geometry}
+\RequirePackage{setspace}
+\RequirePackage{graphicx}
+\RequirePackage{hyperref}
+\RequirePackage{etoolbox}
+\RequirePackage{tocloft}
+\RequirePackage{tocbibind}
+
+% Polyglossia set language
+\setmainlanguage{bahasai}
+% \setotherlanguage{english}
+
+% Conditionally load the watermark package and settings
+\if@draftmark
+  \RequirePackage{draftwatermark}
+  \SetWatermarkText{Draft: \today [wip]}
+  \SetWatermarkColor[gray]{0.7}
+  \SetWatermarkFontSize{2cm}
+  \SetWatermarkAngle{90}
+  \SetWatermarkHorCenter{1.5cm}
+\fi
+
+% Page layout
+\geometry{left=3cm, top=3cm, right=3cm, bottom=3cm}
+\setlength{\parskip}{0.5em}
+\setlength{\parindent}{0pt}
+\onehalfspacing
+
+% Fonts
+\defaultfontfeatures{Ligatures=TeX}
+\setmainfont{Times New Roman}
+\setsansfont{Arial}
+\setmonofont{Courier New}
+
+% Metadata commands
+\input{metadata}
+
+\newcommand{\setthesisinfo}[7]{%
+  \renewcommand{\thesistitle}{#1}%
+  \renewcommand{\studentname}{#2}%
+  \renewcommand{\studentid}{#3}%
+  \renewcommand{\program}{#4}%
+  \renewcommand{\faculty}{#5}%
+  \renewcommand{\university}{#6}%
+  \renewcommand{\yearofsubmission}{#7}%
+}
+
+% % Header and footer
+\fancypagestyle{fancy}{%
+    \fancyhf{}
+    \fancyhead[R]{\nouppercase{\rightmark}}
+    \fancyhead[L]{\nouppercase{\leftmark}}
+    \fancyfoot[C]{\thepage}
+}
+\fancypagestyle{fancyplainfrontmatter}{%
+    \renewcommand{\headrulewidth}{0pt}
+    \fancyfoot[C]{\thepage}
+}
+\fancypagestyle{fancyplain}{%
+    \fancyhf{}
+    \renewcommand{\headrulewidth}{0pt}
+    \fancyhead[R]{\thepage}
+}
+
+% Chapter formatting
+\titlespacing{\chapter}{0pt}{0pt}{*1.5}
+\titleformat{\chapter}[display]
+  {\normalsize\bfseries\centering}
+  {BAB~\Roman{chapter}} % << display format
+  {1ex}
+  {\MakeUppercase}
+\titleformat{\section}
+    {\normalsize\bfseries}{\thesection}{1em}{}
+
+\titleformat{\subsection}
+    {\normalsize\bfseries}{\thesubsection}{1em}{}
+
+% Ensure chapter reference in TOC matches
+\renewcommand{\cftchappresnum}{BAB~}
+\renewcommand{\cftchapaftersnum}{\quad}
+
+% \titlespacing*{\chapter}{0pt}{-10pt}{20pt}
+
+% Redefine \maketitle
+\renewcommand{\maketitle}{\input{frontmatter/maketitle}}
+
+% Chapter & Section format
+\renewcommand{\cftchapfont}{\normalsize\MakeUppercase}
+% \renewcommand{\cftsecfont}{}
+% \renewcommand{\cftsubsecfont}{\itshape}
+% \renewcommand{\thesection}{\textup{\Roman{chapter}}.\arabic{section}}
+
+
+% Dot leaders, spacing, indentation
+\setlength{\cftbeforechapskip}{0em}
+\setlength{\cftchapindent}{0pt}
+\setlength{\cftsecindent}{0em}
+\setlength{\cftsubsecindent}{2.5em}
+\setlength{\cftchapnumwidth}{3.5em}
+\setlength{\cftsecnumwidth}{3.5em}
+\setlength{\cftsubsecnumwidth}{2.5em}
+\setlength{\cftfignumwidth}{5em}
+\setlength{\cfttabnumwidth}{4em}
+\renewcommand \cftchapdotsep{4.5} % https://tex.stackexchange.com/a/273764
+\renewcommand{\cftchapleader}{\normalfont\cftdotfill{\cftsecdotsep}}
+\renewcommand{\cftchappagefont}{\normalfont}
+\renewcommand{\cftfigpresnum}{\figurename~}
+\renewcommand{\cfttabpresnum}{\tablename~}
+
+% Ensure TOC and References Respect Custom Numbering
+\renewcommand{\thechapter}{\Roman{chapter}}
+\renewcommand\thesection{\arabic{chapter}.\arabic{section}}
+
+% Change figure numbering to include chapter (e.g., Figure 1.1, 1.2...)
+\renewcommand{\thefigure}{\arabic{chapter}.\arabic{figure}}
+\renewcommand{\thetable}{\arabic{chapter}.\arabic{table}}
+\renewcommand{\theequation}{\arabic{chapter}.\arabic{equation}}
+
+% Table of Content (TOC) Title styling
+\renewcommand{\cfttoctitlefont}{\hfill\bfseries\MakeUppercase}
+\renewcommand{\cftaftertoctitle}{\hfill} % https://tex.stackexchange.com/a/255699/394075
+% List of Figures (LOF) Title styling
+\renewcommand{\cftloftitlefont}{\hfill\bfseries\MakeUppercase}
+\renewcommand{\cftafterloftitle}{\hfill}
+% List of Tables (LOT) Title styling
+\renewcommand{\cftlottitlefont}{\hfill\bfseries\MakeUppercase}
+\renewcommand{\cftafterlottitle}{\hfill}
+% \renewcommand{\cfttoctitlefont}{\bfseries\MakeUppercase}
+% \renewcommand{\cftaftertoctitle}{\vskip 2em}
+
+% % Apply a custom fancyhdr layout only on the first page of each \chapter, and use no header/footer elsewhere
+% % \let\oldchapter\chapter
+% % \renewcommand{\chapter}{%
+% %   \cleardoublepage
+% %   \pagestyle{fancyplainchapter}%
+% %   \oldchapter
+% %   \thispagestyle{fancyplainchapter} % ensure chapter start page uses it
+% %   \pagestyle{fancyplain}% switch for subsequent pages
+% % }
+
+\endinput