feat(latex): update refine thesis title

Add file existence checks for frontmatter templates with graceful
fallback to original \maketitle when frontmatter/maketitle.tex is
not found. Includes class warnings for missing files.

code/src/data_preprocessing.py

@@ -4,7 +4,7 @@ import re
 import sys
 import numpy as np
 from colorama import Fore, Style, init
-from typing import TypedDict, Dict, List
+from typing import TypedDict, Tuple, List
 from joblib import load
 from pprint import pprint
 
@@ -35,8 +35,8 @@ def complement_pairs(n, prefix, extension):
         if a != orig_a:                # skip original a
             yield (filename, [a, a + 25]) # use yield instead of return to return a generator of tuples
 
-def generate_df_tuples(prefix: str, total_dfs: int=30, extension: str="TXT", first_col_start: int=1, last_col_offset: int=25, 
-                      group_size: int=5, special_groups: list=None, group: bool=True):
+def generate_df_tuples(prefix: str, extension: str="TXT", first_col_start: int=1, last_col_offset: int=25, 
+                      group_size: int=5, special_groups: list=None, group: bool=True, undamage_file: str=None) -> List[Tuple[str, List[int]]]:
     """
     Generate a structured list of tuples containing DataFrame references and column indices.
     
@@ -78,6 +78,12 @@ def generate_df_tuples(prefix: str, total_dfs: int=30, extension: str="TXT", fir
     # Add special groups at specified positions (other than beginning)
     if special_groups:
         result.insert(0, special_groups)
+    if undamage_file:
+        for i in range (1, 6):
+            n = 5 + i
+            bottom_end = i
+            top_end = bottom_end + 25
+            result[0].append((undamage_file, [bottom_end, top_end]))
     
     
     return result

code/src/inference.py

@@ -1,12 +1,12 @@
 from joblib import load
 import pandas as pd
-from src.data_preprocessing import *
-from src.process_stft import compute_stft
+import numpy as np
+from process_stft import compute_stft
 from typing import List, Tuple
 from sklearn.base import BaseEstimator
-import json
 
-def probability_damage(pred: Tuple[np.ndarray, np.ndarray], model_classes: BaseEstimator, percentage=False) -> Dict[str, int]:
+
+def probability_damage(pred: Tuple[np.ndarray, np.ndarray], model_classes: BaseEstimator, percentage=False) -> dict[str, int]:
     """
     Process the prediction output to return unique labels and their counts.
     """
@@ -14,7 +14,7 @@ def probability_damage(pred: Tuple[np.ndarray, np.ndarray], model_classes: BaseE
     label_counts = dict(zip(labels, counts))
 
     # init all models classes probability of damage with 0 in dictionary
-    pod: Dict[np.ndarray, int] = dict.fromkeys(model_classes.classes_, 0)
+    pod: dict[np.ndarray, int] = dict.fromkeys(model_classes.classes_, 0)
 
     # update corresponding data
     pod.update(label_counts)
@@ -92,7 +92,7 @@ def inference(model_sensor_A_path: str, model_sensor_B_path: str, file_path: str
     final_res = {"data": res, "case": case_name}
     return final_res
 
-def heatmap(result, damage_classes: list[int] = [1, 2, 3, 4, 5, 6]):
+def heatmap(result, damage_classes: list[int] = [1, 2, 3, 4, 5, 6], sensor: str = 'Sensor_A'):
     from scipy.interpolate import RectBivariateSpline
     resolution = 300
     y = list(range(1, len(damage_classes)+1))
@@ -103,7 +103,7 @@ def heatmap(result, damage_classes: list[int] = [1, 2, 3, 4, 5, 6]):
     # X, Y = np.meshgrid(x, y)
     Z = []
     for _, column_data in result["data"].items():
-        sensor_a_pod = column_data['Sensor_A']['PoD']
+        sensor_a_pod = column_data[sensor]['PoD']
         Z.append([sensor_a_pod.get(cls, 0) for cls in damage_classes])
     Z = np.array(Z).T
 
@@ -115,13 +115,18 @@ def heatmap(result, damage_classes: list[int] = [1, 2, 3, 4, 5, 6]):
 
     X2, Y2 = np.meshgrid(x2, y2)
     # breakpoint()
-    c = plt.pcolormesh(X2, Y2, Z2, cmap='jet', shading='auto')
+    plt.figure(figsize=(9, 6))
+
+    # Change the window title
+    plt.gcf().canvas.manager.set_window_title(f"Heatmap {sensor} - {result['case']}")
+
+    c = plt.pcolormesh(X2, Y2, Z2, cmap='jet', shading='auto', vmin=0, vmax=1)
 
     # Add a colorbar
-    plt.colorbar(c, label='Probability of Damage (PoD)')
+    plt.colorbar(c, label='Probability of Damage (PoD)', fraction=0.05)
     plt.gca().invert_xaxis()
     plt.grid(True, linestyle='-', alpha=0.7)
-    plt.xticks(np.arange(int(X2.min()), int(X2.max())+1, 1))
+    plt.xticks(np.arange(0, 5, 1), np.arange(1, 6, 1))
     plt.xlabel("Column Index")
     plt.ylabel("Damage Index")
     plt.title(result["case"])
@@ -129,62 +134,66 @@ def heatmap(result, damage_classes: list[int] = [1, 2, 3, 4, 5, 6]):
     # plt.gca().xaxis.set_major_locator(MultipleLocator(65/4))
     plt.show()
 
+def plot_sensor_pod(result, sensor: str = 'Sensor_A', damage_classes: list[int] = [1, 2, 3, 4, 5, 6]):
+    """
+    Plot Probability of Damage (PoD) for all columns for a specific sensor.
+    
+    Args:
+        result: Dictionary containing inference results
+        sensor: Sensor name ('Sensor_A' or 'Sensor_B')
+        damage_classes: List of damage class labels
+    """
+    x_values = list(range(len(damage_classes)))
+    
+    # Define colors for different columns
+    colors = plt.cm.tab10(np.linspace(0, 1, len(result['data'])))
+    
+    # Create figure
+    plt.figure(figsize=(9, 6))
+    
+    # Create a figure
+
+    # Change the window title
+    plt.gcf().canvas.manager.set_window_title(f"PoD {sensor} - {result['case']}")
+    # line_styles = ['-', '--', '-.', ':']  # Solid, dashed, dash-dot, dotted
+    markers = ['o', 's', '^', 'D', 'x']  # Circle, square, triangle, diamond, cross
+    
+    # Loop through each column in the data
+    for row_idx, (column_name, column_data) in enumerate(result['data'].items()):
+        sensor_pod = column_data[sensor]['PoD']
+        y_values = [sensor_pod.get(cls, 0) for cls in damage_classes]
+        
+        # Cycle through line styles and markers
+        # line_style = line_styles[row_idx % len(line_styles)]
+        marker = markers[row_idx % len(markers)]
+        
+        plt.plot(x_values, y_values, linestyle='-', marker=marker, linewidth=2, markersize=8, 
+                 color=colors[row_idx], label=column_name, alpha=0.8)
+    
+    # Configure plot
+    # plt.title(f"{sensor}", fontsize=14, fontweight='bold')
+    plt.xticks(x_values, damage_classes)
+    plt.ylim(0, 1.05)
+    plt.ylabel('Probability', fontsize=12)
+    plt.xlabel('Damage Class', fontsize=12)
+    plt.grid(True, linestyle='-', alpha=0.3)
+    plt.legend(loc='best', fontsize=10)
+    plt.show()
+    
 if __name__ == "__main__":
     import matplotlib.pyplot as plt
     import json
-    from scipy.interpolate import UnivariateSpline
+    # from scipy.interpolate import UnivariateSpline
     
 
     result = inference(
-        "D:/thesis/models/Sensor A/SVM with StandardScaler and PCA.joblib",
-        "D:/thesis/models/Sensor B/SVM with StandardScaler and PCA.joblib",
-        "D:/thesis/data/dataset_B/zzzBD19.TXT"
+        "D:/thesis/models/Sensor A/finegrid_pca32_c8_g-8.joblib",
+        "D:/thesis/models/Sensor B/finegrid_pca16_c3_g-5.5.joblib",
+        "D:/thesis/data/dataset_B/zzzBD30.TXT"
     )
 
-    # heatmap(result)
-    # Convert all keys to strings before dumping to JSON
-    # result_with_string_keys = convert_keys_to_strings(result)
-    # print(json.dumps(result_with_string_keys, indent=4))
-
-    # Create a 5x2 subplot grid (5 rows for each column, 2 columns for sensors)
-    fig, axes = plt.subplots(nrows=5, ncols=2, figsize=(5, 50))
-    
-    # # Define damage class labels for x-axis
-    damage_classes = [1, 2, 3, 4, 5, 6]
-
-    # # Loop through each column in the data
-    for row_idx, (column_name, column_data) in enumerate(result['data'].items()):
-        # Plot Sensor A in the first column of subplots
-        sensor_a_pod = column_data['Sensor_A']['PoD']
-        x_values = list(range(len(damage_classes)))
-        y_values = [sensor_a_pod.get(cls, 0) for cls in damage_classes]
-
-        # x2 = np.linspace(1, 6, 100)
-        # interp = UnivariateSpline(x_values, y_values, s=0)
-        axes[row_idx, 0].plot(x_values, y_values, '-', linewidth=2, markersize=8)
-        axes[row_idx, 0].set_title(f"{column_name} - Sensor A", fontsize=10)
-        axes[row_idx, 0].set_xticks(x_values)
-        axes[row_idx, 0].set_xticklabels(damage_classes)
-        axes[row_idx, 0].set_ylim(0, 1.05)
-        axes[row_idx, 0].set_ylabel('Probability')
-        axes[row_idx, 0].set_xlabel('Damage Class')
-        axes[row_idx, 0].grid(True, linestyle='-', alpha=0.5)
-        
-        # Plot Sensor B in the second column of subplots
-        sensor_b_pod = column_data['Sensor_B']['PoD']
-        y_values = [sensor_b_pod.get(cls, 0) for cls in damage_classes]
-        axes[row_idx, 1].plot(x_values, y_values, '-', linewidth=2, markersize=8)
-        axes[row_idx, 1].set_title(f"{column_name} - Sensor B", fontsize=10)
-        axes[row_idx, 1].set_xticks(x_values)
-        axes[row_idx, 1].set_xticklabels(damage_classes)
-        axes[row_idx, 1].set_ylim(0, 1.05)
-        axes[row_idx, 1].set_ylabel('Probability')
-        axes[row_idx, 1].set_xlabel('Damage Class')
-        axes[row_idx, 1].grid(True, linestyle='-', alpha=0.5)
-    
-    # Adjust layout to prevent overlap
-    fig.tight_layout(rect=[0, 0, 1, 0.96])  # Leave space for suptitle
-    plt.subplots_adjust(hspace=1, wspace=0.3)  # Adjust spacing between subplots
-    plt.suptitle(f"Case {result['case']}", fontsize=16, y=0.98)  # Adjust suptitle position
-    plt.show()
+    heatmap(result, sensor='Sensor_A')
+    heatmap(result, sensor='Sensor_B')
 
+    plot_sensor_pod(result, sensor='Sensor_A')
+    plot_sensor_pod(result, sensor='Sensor_B')

code/src/ml/model_selection.py

@@ -2,7 +2,7 @@ import numpy as np
 import pandas as pd
 import os
 import matplotlib.pyplot as plt
-from sklearn.metrics import confusion_matrix, ConfusionMatrixDisplay
+from sklearn.metrics import confusion_matrix, ConfusionMatrixDisplay, classification_report
 from joblib import load
 
 def create_ready_data(
@@ -159,6 +159,7 @@ def train_and_evaluate_model(
                 # Continue despite export error
 
         result["success"] = True
+        result["classification_report"] = classification_report(y_test, y_pred, output_dict=True)
         return result
 
     except Exception as e:

code/src/process_stft.py

@@ -8,7 +8,7 @@ import multiprocessing  # Added import for multiprocessing
 from typing import Union, Tuple
 
 # Define the base directory where DAMAGE_X folders are located
-damage_base_path = 'D:/thesis/data/converted/raw'
+damage_base_path = 'D:/thesis/data/converted/raw_B'
 
 # Define output directories for each sensor
 output_dirs = {
@@ -77,7 +77,7 @@ def process_damage_case(damage_num):
     damage_folder = os.path.join(damage_base_path, f'DAMAGE_{damage_num}')
     if damage_num == 0:
         # Number of test runs per damage case
-        num_test_runs = 120
+        num_test_runs = 125
     else:
         num_test_runs = 5
     # Check if the damage folder exists
@@ -122,12 +122,12 @@ def process_damage_case(damage_num):
             # only inlcude 21 samples vector features for first 45 num_test_runs else include 22 samples vector features
             if damage_num == 0:
                 print(f"Processing damage_num = 0, test_num = {test_num}")
-                if test_num <= 45:
-                    df_stft = df_stft.iloc[:22, :]
-                    print(f"Reduced df_stft shape (21 samples): {df_stft.shape}")
+                if test_num <= 60:
+                    df_stft = df_stft.iloc[:20, :]
+                    print(f"Reduced df_stft shape (20 samples): {df_stft.shape}")
                 else:
                     df_stft = df_stft.iloc[:21, :]
-                    print(f"Reduced df_stft shape (22 samples): {df_stft.shape}")
+                    print(f"Reduced df_stft shape (21 samples): {df_stft.shape}")
             
             # Append to the aggregated list
             aggregated_stft.append(df_stft)

code/src/representation.py

@@ -0,0 +1,68 @@
+import pandas as pd
+import numpy as np
+
+def grid_result_summary(df: pd.DataFrame, output_path: str, include_efficiency: bool = True, verbose=False) -> None:
+    """
+    Export a DataFrame to a LaTeX file with optional inclusion of the efficiency column.
+
+    Parameters:
+    -----------
+    df : pd.DataFrame
+        The DataFrame to export.
+    output_path : str
+        The file path where the LaTeX file will be saved.
+    include_efficiency : bool, optional
+        Whether to include the efficiency column (E_i) in the output. Default is True.
+
+    Returns:
+    --------
+    None
+    """
+    # Define the columns to include
+    columns: list[str] = [
+        "param_pca__n_components", 
+        "param_svc__C", 
+        "param_svc__gamma", 
+        "mean_test_score", 
+        "mean_fit_time"
+    ]
+    # Filter DataFrame to include only the best mean_test_score for each param_pca__n_components
+    df = df.loc[df.groupby('param_pca__n_components')['mean_test_score'].idxmax()][columns]
+
+    # Convert C and gamma to log2 scale
+    df['param_svc__C'] = np.log2(df['param_svc__C']).astype(int)
+    df['param_svc__gamma'] = np.log2(df['param_svc__gamma']).astype(int)
+
+    if include_efficiency:
+        columns.append("time_score_ratio")
+        df['time_score_ratio'] = df['mean_test_score'] / df['mean_fit_time'] * 1e3
+    
+    # Rename columns for LaTeX formatting
+    column_names = {
+        "param_pca__n_components": r"$n_{\text{components}}$",
+        "param_svc__C": r"$C (\log_2)$",
+        "param_svc__gamma": r"$\gamma (\log_2)$",
+        "mean_test_score": r"$S_i$",
+        "mean_fit_time": r"$T_i$",
+        "time_score_ratio": r"$E_i (\times 10^{-3})$"
+    }
+    
+    # Filter and rename columns
+    df_filtered = df[columns].rename(columns=column_names)
+    
+    # Export to LaTeX
+    latex_table = df_filtered.to_latex(
+        index=False,
+        float_format="%.5f",
+        column_format="cccccc" if include_efficiency else "ccccc",
+        # caption="Best hyperparameters for each PCA component size.",
+        # label="tab:best_hyperparams"
+    )
+    
+    # Save to file
+    with open(output_path, "w") as f:
+        f.write(latex_table)
+    
+    if verbose:
+        print(latex_table)
+    print(f"LaTeX table exported to '{output_path}'")

code/src/test.py

@@ -0,0 +1,52 @@
+from data_preprocessing import *
+from joblib import dump, load
+
+# b = generate_damage_files_index(
+#     num_damage=6,
+#     file_index_start=1,
+#     col=5,
+#     base_path="D:/thesis/data/dataset_B",
+#     prefix="zzzBD",
+#     # undamage_file="zzzBU.TXT"
+# )
+# Example: Generate tuples with a special group of df0 at the beginning
+# special_groups_A = [
+#     {'df_name': 'zzzAU.TXT', 'position': 0, 'size': 5}  # Add at beginning
+# ]
+
+# special_groups_B = [
+#     {'df_name': 'zzzBU.TXT', 'position': 0, 'size': 5}  # Add at beginning
+# ]
+
+# Generate the tuples with the special group
+# a_complement = [(comp)
+#                 for n in range(1, 31)
+#                 for comp in complement_pairs(n, prefix="zzzAD", extension="TXT")]
+# a = generate_df_tuples(special_groups=a_complement, prefix="zzzAD", undamage_file="zzzAU.TXT")
+
+b_complement = [(comp)
+                for n in range(1, 31)
+                for comp in complement_pairs(n, prefix="zzzBD", extension="TXT")]
+b = generate_df_tuples(special_groups=b_complement, prefix="zzzBD", undamage_file="zzzBU.TXT")
+
+
+# a = generate_damage_files_index(
+#     num_damage=6,
+#     file_index_start=1,
+#     col=5,
+#     base_path="D:/thesis/data/dataset_A",
+#     prefix="zzzAD",
+#     # undamage_file="zzzBU.TXT"
+# )
+
+# data_A = DataProcessor(file_index=a, base_path="D:/thesis/data/dataset_A", include_time=True)
+# data_A.create_vector_column(overwrite=True)
+# # data_A.create_limited_sensor_vector_column(overwrite=True)
+# data_A.export_to_csv("D:/thesis/data/converted/raw")
+
+data_B = DataProcessor(file_index=b, base_path="D:/thesis/data/dataset_B", include_time=True)
+# data_B.create_vector_column(overwrite=True)
+# # data_B.create_limited_sensor_vector_column(overwrite=True)
+data_B.export_to_csv("D:/thesis/data/converted/raw_B")
+# a = load("D:/cache.joblib")
+# breakpoint()

latex/appendix/coarse_grid_results_A.tex

@@ -0,0 +1,242 @@
+\begin{rlandscape}
+% \chapter*{Grid Search}
+% \section*{Hasil Coarse Grid Search}
+\centering
+\begin{longtable}{
+    p{0.1\textwidth}
+    p{0.1\textwidth}
+    p{0.1\textwidth}
+    p{0.1\textwidth}
+    p{0.1\textwidth}
+    p{0.1\textwidth}
+    p{0.1\textwidth}
+    p{0.1\textwidth}
+    p{0.1\textwidth}
+    p{0.1\textwidth}
+    p{0.1\textwidth}}
+\caption{Hasil \textit{Coarse Grid-Search} Sensor A diurutkan berdasarkan \textit{rank test score}}
+\label{tab:coarse grid results A}
+\\
+\toprule
+\toprule
+mean fit time & std fit time & mean score time & std score time & param pca  n components & param svc  C & param svc  gamma & param svc  kernel & mean test score & std test score & rank test score \\
+\midrule
+\endfirsthead
+
+\toprule
+\toprule
+mean fit time & std fit time & mean score time & std score time & param pca  n components & param svc  C & param svc  gamma & param svc  kernel & mean test score & std test score & rank test score \\
+\midrule
+\endhead
+
+\midrule
+\multicolumn{11}{r}{\textit{berlanjut di halaman berikutnya}}
+\endfoot
+
+\bottomrule
+\bottomrule
+\endlastfoot
+
+% Start of table content
+31.24 & 1.08 & 2.15 & 0.30 & 512 & 5.00 & -10.00 & rbf & 1.00 & 0.00 & 1 \\
+26.66 & 0.66 & 1.81 & 0.04 & 512 & 10.00 & -10.00 & rbf & 1.00 & 0.00 & 1 \\
+28.55 & 0.65 & 2.01 & 0.23 & 512 & 15.00 & -10.00 & rbf & 1.00 & 0.00 & 1 \\
+17.84 & 0.57 & 0.87 & 0.09 & 256 & 5.00 & -10.00 & rbf & 1.00 & 0.00 & 4 \\
+18.42 & 0.74 & 0.98 & 0.18 & 256 & 10.00 & -10.00 & rbf & 1.00 & 0.00 & 4 \\
+17.89 & 0.38 & 0.89 & 0.13 & 256 & 15.00 & -10.00 & rbf & 1.00 & 0.00 & 4 \\
+13.44 & 0.14 & 0.41 & 0.03 & 128 & 5.00 & -10.00 & rbf & 1.00 & 0.00 & 7 \\
+16.85 & 0.45 & 0.52 & 0.08 & 128 & 10.00 & -10.00 & rbf & 1.00 & 0.00 & 7 \\
+13.16 & 0.07 & 0.46 & 0.04 & 128 & 15.00 & -10.00 & rbf & 1.00 & 0.00 & 7 \\
+13.47 & 0.58 & 0.26 & 0.05 & 64 & 10.00 & -10.00 & rbf & 1.00 & 0.00 & 10 \\
+10.86 & 0.38 & 0.22 & 0.01 & 64 & 15.00 & -10.00 & rbf & 1.00 & 0.00 & 10 \\
+29.77 & 1.96 & 2.46 & 0.15 & 512 & 0.00 & -10.00 & rbf & 1.00 & 0.00 & 12 \\
+19.85 & 1.19 & 1.26 & 0.06 & 256 & 0.00 & -10.00 & rbf & 1.00 & 0.00 & 13 \\
+10.46 & 0.05 & 0.15 & 0.01 & 32 & 10.00 & -10.00 & rbf & 0.99 & 0.00 & 14 \\
+14.95 & 1.06 & 0.66 & 0.05 & 128 & 0.00 & -10.00 & rbf & 0.99 & 0.00 & 15 \\
+12.48 & 0.53 & 0.19 & 0.05 & 32 & 5.00 & -10.00 & rbf & 0.99 & 0.00 & 16 \\
+18.00 & 0.49 & 0.52 & 0.05 & 256 & 10.00 & -15.00 & rbf & 0.99 & 0.00 & 17 \\
+12.51 & 1.25 & 0.16 & 0.01 & 32 & 15.00 & -10.00 & rbf & 0.99 & 0.00 & 18 \\
+18.76 & 0.99 & 0.51 & 0.05 & 256 & 15.00 & -15.00 & rbf & 0.99 & 0.00 & 19 \\
+27.92 & 0.95 & 1.16 & 0.08 & 512 & 15.00 & -15.00 & rbf & 0.99 & 0.00 & 20 \\
+29.16 & 0.99 & 1.08 & 0.12 & 512 & 10.00 & -15.00 & rbf & 0.99 & 0.00 & 21 \\
+13.58 & 0.52 & 0.19 & 0.01 & 64 & 15.00 & -15.00 & rbf & 0.99 & 0.00 & 22 \\
+14.78 & 0.52 & 2.43 & 0.24 & 32 & 15.00 & -5.00 & rbf & 0.99 & 0.00 & 23 \\
+12.06 & 0.10 & 2.08 & 0.08 & 32 & 10.00 & -5.00 & rbf & 0.99 & 0.00 & 23 \\
+14.54 & 0.60 & 2.53 & 0.21 & 32 & 5.00 & -5.00 & rbf & 0.99 & 0.00 & 23 \\
+15.50 & 0.71 & 0.18 & 0.04 & 32 & 15.00 & -15.00 & rbf & 0.99 & 0.00 & 26 \\
+11.84 & 0.07 & 2.08 & 0.04 & 32 & 0.00 & -5.00 & rbf & 0.99 & 0.00 & 27 \\
+28.30 & 1.53 & 1.51 & 0.17 & 512 & 5.00 & -15.00 & rbf & 0.99 & 0.00 & 28 \\
+17.53 & 0.48 & 0.73 & 0.02 & 256 & 5.00 & -15.00 & rbf & 0.99 & 0.00 & 29 \\
+10.54 & 0.41 & 0.49 & 0.09 & 16 & 0.00 & -5.00 & rbf & 0.99 & 0.00 & 30 \\
+14.07 & 0.34 & 0.26 & 0.03 & 128 & 15.00 & -15.00 & rbf & 0.99 & 0.00 & 31 \\
+10.48 & 0.19 & 0.42 & 0.02 & 16 & 5.00 & -5.00 & rbf & 0.99 & 0.00 & 32 \\
+12.53 & 0.80 & 0.48 & 0.09 & 16 & 15.00 & -5.00 & rbf & 0.99 & 0.00 & 33 \\
+10.44 & 0.20 & 0.41 & 0.04 & 16 & 10.00 & -5.00 & rbf & 0.99 & 0.00 & 33 \\
+13.33 & 0.32 & 0.48 & 0.11 & 64 & 0.00 & -10.00 & rbf & 0.99 & 0.00 & 35 \\
+10.67 & 0.09 & 0.13 & 0.02 & 16 & 10.00 & -10.00 & rbf & 0.99 & 0.00 & 36 \\
+17.23 & 1.02 & 0.31 & 0.06 & 128 & 10.00 & -15.00 & rbf & 0.99 & 0.01 & 37 \\
+15.70 & 0.96 & 0.14 & 0.03 & 16 & 15.00 & -10.00 & rbf & 0.99 & 0.00 & 38 \\
+10.26 & 0.22 & 0.18 & 0.03 & 16 & 5.00 & -10.00 & rbf & 0.99 & 0.00 & 39 \\
+13.18 & 0.44 & 0.44 & 0.04 & 128 & 5.00 & -15.00 & rbf & 0.98 & 0.00 & 40 \\
+17.16 & 0.96 & 0.17 & 0.02 & 16 & 15.00 & -15.00 & rbf & 0.98 & 0.00 & 41 \\
+11.53 & 0.14 & 0.23 & 0.02 & 64 & 5.00 & -10.00 & rbf & 0.98 & 0.01 & 42 \\
+10.60 & 0.13 & 2.04 & 0.04 & 16 & -5.00 & -5.00 & rbf & 0.98 & 0.00 & 43 \\
+13.92 & 1.42 & 0.24 & 0.04 & 64 & 10.00 & -15.00 & rbf & 0.98 & 0.01 & 44 \\
+10.27 & 0.10 & 0.31 & 0.03 & 32 & 0.00 & -10.00 & rbf & 0.98 & 0.00 & 45 \\
+11.37 & 0.28 & 0.31 & 0.02 & 64 & 5.00 & -15.00 & rbf & 0.97 & 0.00 & 46 \\
+10.98 & 0.14 & 0.19 & 0.01 & 32 & 10.00 & -15.00 & rbf & 0.97 & 0.00 & 47 \\
+10.88 & 0.36 & 0.23 & 0.02 & 8 & 5.00 & -5.00 & rbf & 0.97 & 0.00 & 48 \\
+11.69 & 0.23 & 0.35 & 0.02 & 8 & 0.00 & -5.00 & rbf & 0.97 & 0.00 & 49 \\
+30.52 & 1.52 & 0.13 & 0.02 & 8 & 15.00 & -10.00 & rbf & 0.96 & 0.01 & 50 \\
+11.52 & 0.15 & 0.16 & 0.01 & 8 & 10.00 & -10.00 & rbf & 0.96 & 0.00 & 51 \\
+12.01 & 0.30 & 0.24 & 0.02 & 8 & 10.00 & -5.00 & rbf & 0.96 & 0.00 & 52 \\
+24.88 & 1.70 & 7.56 & 1.13 & 256 & -5.00 & -10.00 & rbf & 0.96 & 0.00 & 53 \\
+27.66 & 2.04 & 12.21 & 0.98 & 512 & -5.00 & -10.00 & rbf & 0.96 & 0.00 & 54 \\
+15.40 & 0.45 & 4.28 & 0.33 & 128 & -5.00 & -10.00 & rbf & 0.96 & 0.00 & 55 \\
+19.85 & 0.15 & 6.14 & 0.48 & 64 & 15.00 & -5.00 & rbf & 0.96 & 0.00 & 56 \\
+23.47 & 0.57 & 5.70 & 0.07 & 64 & 10.00 & -5.00 & rbf & 0.96 & 0.00 & 56 \\
+19.63 & 0.16 & 5.54 & 0.14 & 64 & 5.00 & -5.00 & rbf & 0.96 & 0.00 & 56 \\
+29.58 & 1.50 & 7.94 & 0.36 & 512 & 0.00 & -15.00 & rbf & 0.95 & 0.00 & 59 \\
+19.24 & 0.80 & 4.87 & 0.43 & 256 & 0.00 & -15.00 & rbf & 0.95 & 0.00 & 60 \\
+9.82 & 0.09 & 0.35 & 0.02 & 16 & 0.00 & -10.00 & rbf & 0.95 & 0.00 & 61 \\
+10.24 & 0.07 & 1.33 & 0.01 & 8 & -5.00 & -5.00 & rbf & 0.95 & 0.00 & 62 \\
+17.52 & 1.08 & 0.23 & 0.03 & 8 & 15.00 & -5.00 & rbf & 0.95 & 0.00 & 63 \\
+10.21 & 0.16 & 0.21 & 0.01 & 16 & 10.00 & -15.00 & rbf & 0.95 & 0.00 & 64 \\
+21.87 & 0.29 & 5.73 & 0.08 & 64 & 0.00 & -5.00 & rbf & 0.95 & 0.00 & 65 \\
+12.06 & 0.80 & 0.37 & 0.04 & 32 & 5.00 & -15.00 & rbf & 0.95 & 0.00 & 66 \\
+14.26 & 0.57 & 3.25 & 0.32 & 128 & 0.00 & -15.00 & rbf & 0.95 & 0.00 & 67 \\
+12.17 & 0.08 & 2.76 & 0.07 & 64 & -5.00 & -10.00 & rbf & 0.95 & 0.00 & 68 \\
+11.07 & 0.25 & 0.22 & 0.02 & 8 & 5.00 & -10.00 & rbf & 0.95 & 0.00 & 69 \\
+16.92 & 1.59 & 0.19 & 0.02 & 8 & 15.00 & -15.00 & rbf & 0.94 & 0.00 & 70 \\
+13.37 & 0.75 & 2.57 & 0.19 & 64 & 0.00 & -15.00 & rbf & 0.94 & 0.00 & 71 \\
+11.83 & 0.16 & 0.41 & 0.03 & 16 & 5.00 & -15.00 & rbf & 0.93 & 0.00 & 72 \\
+11.84 & 0.52 & 2.21 & 0.09 & 32 & -5.00 & -10.00 & rbf & 0.93 & 0.00 & 73 \\
+10.99 & 0.12 & 1.90 & 0.07 & 32 & 0.00 & -15.00 & rbf & 0.92 & 0.00 & 74 \\
+10.78 & 0.69 & 0.75 & 0.12 & 8 & 0.00 & -10.00 & rbf & 0.91 & 0.00 & 75 \\
+9.66 & 0.10 & 0.33 & 0.02 & 8 & 10.00 & -15.00 & rbf & 0.90 & 0.00 & 76 \\
+12.32 & 0.30 & 0.71 & 0.13 & 8 & 5.00 & -15.00 & rbf & 0.88 & 0.00 & 77 \\
+10.62 & 0.12 & 2.16 & 0.09 & 16 & -5.00 & -10.00 & rbf & 0.87 & 0.01 & 78 \\
+10.55 & 0.08 & 1.96 & 0.07 & 16 & 0.00 & -15.00 & rbf & 0.87 & 0.01 & 79 \\
+21.82 & 0.43 & 7.86 & 0.32 & 128 & 5.00 & -5.00 & rbf & 0.81 & 0.01 & 80 \\
+24.90 & 0.62 & 10.09 & 0.39 & 128 & 15.00 & -5.00 & rbf & 0.81 & 0.01 & 80 \\
+22.31 & 0.65 & 8.05 & 0.27 & 128 & 10.00 & -5.00 & rbf & 0.81 & 0.01 & 80 \\
+11.22 & 0.09 & 0.41 & 0.01 & 4 & 5.00 & -5.00 & rbf & 0.81 & 0.01 & 83 \\
+9.93 & 0.15 & 0.66 & 0.04 & 4 & 0.00 & -5.00 & rbf & 0.81 & 0.00 & 84 \\
+41.20 & 0.45 & 0.37 & 0.02 & 4 & 10.00 & -5.00 & rbf & 0.80 & 0.01 & 85 \\
+112.24 & 4.87 & 0.50 & 0.03 & 4 & 15.00 & -10.00 & rbf & 0.80 & 0.01 & 86 \\
+10.58 & 0.08 & 2.60 & 0.06 & 8 & -5.00 & -10.00 & rbf & 0.79 & 0.01 & 87 \\
+13.87 & 0.22 & 2.50 & 0.21 & 4 & 0.00 & 0.00 & rbf & 0.79 & 0.01 & 88 \\
+516.82 & 20.58 & 0.27 & 0.11 & 4 & 15.00 & -5.00 & rbf & 0.79 & 0.01 & 89 \\
+27.24 & 0.86 & 8.13 & 0.20 & 128 & 0.00 & -5.00 & rbf & 0.79 & 0.01 & 90 \\
+11.86 & 0.10 & 4.70 & 0.08 & 32 & -5.00 & -5.00 & rbf & 0.78 & 0.01 & 91 \\
+10.34 & 0.06 & 2.62 & 0.20 & 8 & 0.00 & -15.00 & rbf & 0.78 & 0.01 & 92 \\
+10.50 & 0.14 & 2.22 & 0.23 & 4 & -5.00 & -5.00 & rbf & 0.78 & 0.01 & 93 \\
+17.73 & 0.80 & 0.83 & 0.04 & 4 & 10.00 & -10.00 & rbf & 0.77 & 0.01 & 94 \\
+17.00 & 0.32 & 4.34 & 0.08 & 8 & 15.00 & 0.00 & rbf & 0.76 & 0.00 & 95 \\
+18.86 & 0.56 & 5.68 & 0.24 & 8 & 10.00 & 0.00 & rbf & 0.76 & 0.00 & 95 \\
+17.76 & 0.19 & 4.33 & 0.09 & 8 & 5.00 & 0.00 & rbf & 0.76 & 0.00 & 95 \\
+21.32 & 0.61 & 5.04 & 0.20 & 8 & 0.00 & 0.00 & rbf & 0.74 & 0.00 & 98 \\
+15.82 & 0.16 & 2.15 & 0.06 & 4 & 5.00 & 0.00 & rbf & 0.73 & 0.01 & 99 \\
+17.37 & 0.63 & 2.10 & 0.09 & 4 & 10.00 & 0.00 & rbf & 0.72 & 0.01 & 100 \\
+17.18 & 0.51 & 1.98 & 0.06 & 4 & 15.00 & 0.00 & rbf & 0.72 & 0.01 & 101 \\
+10.20 & 0.17 & 1.08 & 0.03 & 4 & 5.00 & -10.00 & rbf & 0.71 & 0.01 & 102 \\
+22.02 & 1.38 & 0.93 & 0.08 & 4 & 15.00 & -15.00 & rbf & 0.68 & 0.01 & 103 \\
+10.80 & 0.53 & 1.95 & 0.06 & 4 & 0.00 & -10.00 & rbf & 0.62 & 0.01 & 104 \\
+30.25 & 1.39 & 15.70 & 0.63 & 256 & 10.00 & -5.00 & rbf & 0.62 & 0.01 & 105 \\
+26.77 & 0.36 & 12.15 & 0.34 & 256 & 15.00 & -5.00 & rbf & 0.62 & 0.01 & 105 \\
+30.58 & 1.02 & 15.26 & 0.44 & 256 & 5.00 & -5.00 & rbf & 0.62 & 0.01 & 105 \\
+11.07 & 0.34 & 1.73 & 0.09 & 4 & 10.00 & -15.00 & rbf & 0.62 & 0.01 & 108 \\
+32.02 & 0.63 & 12.66 & 0.56 & 256 & 0.00 & -5.00 & rbf & 0.56 & 0.01 & 109 \\
+12.40 & 0.16 & 5.08 & 0.27 & 4 & -5.00 & 0.00 & rbf & 0.55 & 0.01 & 110 \\
+11.04 & 0.52 & 2.32 & 0.06 & 4 & 5.00 & -15.00 & rbf & 0.48 & 0.01 & 111 \\
+44.42 & 1.45 & 24.44 & 1.18 & 512 & 15.00 & -5.00 & rbf & 0.46 & 0.00 & 112 \\
+37.44 & 0.43 & 22.61 & 0.71 & 512 & 10.00 & -5.00 & rbf & 0.46 & 0.00 & 112 \\
+42.09 & 1.07 & 21.07 & 0.85 & 512 & 5.00 & -5.00 & rbf & 0.46 & 0.00 & 112 \\
+17.35 & 0.23 & 4.71 & 0.11 & 16 & 5.00 & 0.00 & rbf & 0.42 & 0.01 & 115 \\
+17.59 & 0.35 & 4.71 & 0.05 & 16 & 15.00 & 0.00 & rbf & 0.42 & 0.01 & 115 \\
+17.22 & 0.12 & 4.61 & 0.04 & 16 & 10.00 & 0.00 & rbf & 0.42 & 0.01 & 115 \\
+44.66 & 1.22 & 23.29 & 0.56 & 512 & 0.00 & -5.00 & rbf & 0.39 & 0.01 & 118 \\
+19.51 & 0.47 & 5.86 & 0.32 & 16 & 0.00 & 0.00 & rbf & 0.38 & 0.01 & 119 \\
+10.71 & 0.13 & 3.63 & 0.06 & 4 & -5.00 & -10.00 & rbf & 0.37 & 0.01 & 120 \\
+13.53 & 0.42 & 4.00 & 0.35 & 4 & 0.00 & -15.00 & rbf & 0.36 & 0.02 & 121 \\
+17.12 & 0.50 & 4.44 & 0.34 & 4 & 5.00 & 5.00 & rbf & 0.34 & 0.01 & 122 \\
+16.78 & 0.30 & 4.05 & 0.18 & 4 & 10.00 & 5.00 & rbf & 0.34 & 0.01 & 122 \\
+18.46 & 2.10 & 5.13 & 0.75 & 4 & 15.00 & 5.00 & rbf & 0.34 & 0.01 & 122 \\
+16.10 & 0.76 & 4.60 & 0.33 & 4 & 0.00 & 5.00 & rbf & 0.32 & 0.01 & 125 \\
+18.63 & 0.21 & 4.84 & 0.05 & 32 & 10.00 & 0.00 & rbf & 0.19 & 0.00 & 126 \\
+20.68 & 0.70 & 4.92 & 0.07 & 32 & 5.00 & 0.00 & rbf & 0.19 & 0.00 & 126 \\
+22.36 & 0.58 & 5.87 & 0.18 & 32 & 15.00 & 0.00 & rbf & 0.19 & 0.00 & 126 \\
+16.64 & 0.24 & 5.32 & 0.29 & 32 & 0.00 & 0.00 & rbf & 0.18 & 0.00 & 129 \\
+20.19 & 1.12 & 6.95 & 0.70 & 64 & 15.00 & 0.00 & rbf & 0.16 & 0.00 & 130 \\
+19.28 & 0.16 & 6.36 & 0.77 & 64 & 5.00 & 0.00 & rbf & 0.16 & 0.00 & 130 \\
+21.26 & 1.52 & 5.85 & 0.21 & 64 & 10.00 & 0.00 & rbf & 0.16 & 0.00 & 130 \\
+17.34 & 0.63 & 6.00 & 0.17 & 64 & 0.00 & 0.00 & rbf & 0.16 & 0.00 & 133 \\
+21.99 & 1.49 & 8.32 & 0.58 & 128 & 5.00 & 0.00 & rbf & 0.15 & 0.00 & 134 \\
+21.12 & 0.60 & 7.80 & 0.21 & 128 & 10.00 & 0.00 & rbf & 0.15 & 0.00 & 134 \\
+25.10 & 0.71 & 9.52 & 1.36 & 128 & 15.00 & 0.00 & rbf & 0.15 & 0.00 & 134 \\
+11.56 & 0.17 & 4.78 & 0.11 & 16 & -5.00 & -15.00 & rbf & 0.15 & 0.00 & 137 \\
+16.92 & 0.06 & 4.50 & 0.07 & 8 & 15.00 & 5.00 & rbf & 0.15 & 0.00 & 138 \\
+20.18 & 0.78 & 5.25 & 0.82 & 8 & 10.00 & 5.00 & rbf & 0.15 & 0.00 & 138 \\
+16.83 & 0.38 & 4.40 & 0.08 & 8 & 5.00 & 5.00 & rbf & 0.15 & 0.00 & 138 \\
+13.43 & 0.94 & 5.94 & 0.18 & 64 & -5.00 & -15.00 & rbf & 0.15 & 0.00 & 141 \\
+17.33 & 0.83 & 8.54 & 0.77 & 128 & -5.00 & -15.00 & rbf & 0.15 & 0.00 & 142 \\
+13.30 & 0.34 & 5.40 & 0.56 & 32 & -5.00 & -15.00 & rbf & 0.15 & 0.00 & 142 \\
+16.80 & 0.50 & 5.29 & 0.38 & 8 & 0.00 & 5.00 & rbf & 0.15 & 0.00 & 144 \\
+23.54 & 0.92 & 15.98 & 0.91 & 256 & -5.00 & -15.00 & rbf & 0.15 & 0.00 & 145 \\
+11.36 & 0.07 & 4.45 & 0.06 & 8 & -5.00 & -15.00 & rbf & 0.15 & 0.00 & 146 \\
+19.85 & 1.52 & 7.99 & 0.28 & 128 & 0.00 & 0.00 & rbf & 0.15 & 0.00 & 147 \\
+27.08 & 0.77 & 19.92 & 0.43 & 512 & -5.00 & -15.00 & rbf & 0.15 & 0.00 & 148 \\
+11.03 & 0.20 & 4.36 & 0.09 & 4 & -5.00 & -15.00 & rbf & 0.14 & 0.00 & 149 \\
+16.95 & 0.42 & 4.92 & 0.05 & 32 & 10.00 & 5.00 & rbf & 0.14 & 0.00 & 150 \\
+19.52 & 1.29 & 5.37 & 0.27 & 32 & 15.00 & 5.00 & rbf & 0.14 & 0.00 & 150 \\
+21.07 & 0.47 & 8.03 & 0.12 & 128 & 10.00 & 5.00 & rbf & 0.14 & 0.00 & 150 \\
+12.91 & 0.19 & 6.00 & 0.08 & 64 & -5.00 & 5.00 & rbf & 0.14 & 0.00 & 150 \\
+12.93 & 0.15 & 5.88 & 0.16 & 64 & -5.00 & 0.00 & rbf & 0.14 & 0.00 & 150 \\
+17.89 & 0.42 & 5.02 & 0.12 & 32 & 5.00 & 5.00 & rbf & 0.14 & 0.00 & 150 \\
+15.22 & 1.12 & 6.18 & 0.61 & 32 & 0.00 & 5.00 & rbf & 0.14 & 0.00 & 150 \\
+12.13 & 0.03 & 5.16 & 0.08 & 32 & -5.00 & 0.00 & rbf & 0.14 & 0.00 & 150 \\
+20.80 & 0.44 & 7.74 & 0.34 & 64 & 15.00 & 5.00 & rbf & 0.14 & 0.00 & 150 \\
+12.13 & 0.05 & 5.16 & 0.06 & 32 & -5.00 & 5.00 & rbf & 0.14 & 0.00 & 150 \\
+17.84 & 0.55 & 8.08 & 0.55 & 128 & 0.00 & 5.00 & rbf & 0.14 & 0.00 & 150 \\
+38.17 & 2.80 & 21.36 & 0.56 & 512 & 0.00 & 0.00 & rbf & 0.14 & 0.00 & 150 \\
+33.34 & 1.27 & 22.83 & 0.43 & 512 & -5.00 & 5.00 & rbf & 0.14 & 0.00 & 150 \\
+30.86 & 0.80 & 25.89 & 0.73 & 512 & -5.00 & -5.00 & rbf & 0.14 & 0.00 & 150 \\
+34.99 & 2.30 & 23.40 & 1.80 & 512 & -5.00 & 0.00 & rbf & 0.14 & 0.00 & 150 \\
+37.55 & 1.17 & 23.33 & 1.97 & 512 & 5.00 & 0.00 & rbf & 0.14 & 0.00 & 150 \\
+34.88 & 1.47 & 22.61 & 1.22 & 512 & 0.00 & 5.00 & rbf & 0.14 & 0.00 & 150 \\
+40.39 & 1.06 & 21.87 & 0.57 & 512 & 10.00 & 5.00 & rbf & 0.14 & 0.00 & 150 \\
+38.87 & 2.02 & 23.14 & 1.56 & 512 & 10.00 & 0.00 & rbf & 0.14 & 0.00 & 150 \\
+42.60 & 3.30 & 22.25 & 0.58 & 512 & 15.00 & 0.00 & rbf & 0.14 & 0.00 & 150 \\
+40.82 & 1.90 & 23.89 & 0.86 & 512 & 5.00 & 5.00 & rbf & 0.14 & 0.00 & 150 \\
+13.18 & 0.23 & 5.91 & 0.09 & 64 & -5.00 & -5.00 & rbf & 0.14 & 0.00 & 150 \\
+23.83 & 0.54 & 7.85 & 0.12 & 128 & 15.00 & 5.00 & rbf & 0.14 & 0.00 & 150 \\
+23.83 & 0.66 & 9.33 & 0.02 & 128 & 5.00 & 5.00 & rbf & 0.14 & 0.00 & 150 \\
+15.58 & 0.08 & 6.02 & 0.11 & 64 & 0.00 & 5.00 & rbf & 0.14 & 0.00 & 150 \\
+18.70 & 0.26 & 7.46 & 0.30 & 64 & 5.00 & 5.00 & rbf & 0.14 & 0.00 & 150 \\
+19.33 & 0.06 & 5.78 & 0.13 & 64 & 10.00 & 5.00 & rbf & 0.14 & 0.00 & 150 \\
+21.27 & 0.37 & 12.29 & 0.42 & 256 & -5.00 & 0.00 & rbf & 0.14 & 0.00 & 150 \\
+20.72 & 0.16 & 12.10 & 0.61 & 256 & -5.00 & 5.00 & rbf & 0.14 & 0.00 & 150 \\
+39.33 & 1.20 & 22.44 & 1.24 & 512 & 15.00 & 5.00 & rbf & 0.14 & 0.00 & 150 \\
+21.07 & 0.34 & 12.95 & 0.50 & 256 & -5.00 & -5.00 & rbf & 0.14 & 0.00 & 150 \\
+23.94 & 1.20 & 12.06 & 0.47 & 256 & 0.00 & 5.00 & rbf & 0.14 & 0.00 & 150 \\
+25.49 & 1.69 & 12.61 & 0.57 & 256 & 0.00 & 0.00 & rbf & 0.14 & 0.00 & 150 \\
+30.38 & 1.31 & 14.00 & 1.13 & 256 & 5.00 & 0.00 & rbf & 0.14 & 0.00 & 150 \\
+28.18 & 0.53 & 12.44 & 0.57 & 256 & 5.00 & 5.00 & rbf & 0.14 & 0.00 & 150 \\
+30.23 & 0.82 & 12.85 & 0.31 & 256 & 10.00 & 5.00 & rbf & 0.14 & 0.00 & 150 \\
+31.85 & 0.82 & 14.05 & 1.43 & 256 & 10.00 & 0.00 & rbf & 0.14 & 0.00 & 150 \\
+15.27 & 0.74 & 8.05 & 0.35 & 128 & -5.00 & 5.00 & rbf & 0.14 & 0.00 & 150 \\
+27.91 & 1.12 & 13.14 & 1.15 & 256 & 15.00 & 0.00 & rbf & 0.14 & 0.00 & 150 \\
+30.68 & 1.11 & 13.80 & 0.45 & 256 & 15.00 & 5.00 & rbf & 0.14 & 0.00 & 150 \\
+15.13 & 0.36 & 8.07 & 0.33 & 128 & -5.00 & 0.00 & rbf & 0.14 & 0.00 & 150 \\
+15.73 & 0.41 & 8.12 & 0.28 & 128 & -5.00 & -5.00 & rbf & 0.14 & 0.00 & 150 \\
+16.97 & 0.17 & 4.76 & 0.09 & 16 & 5.00 & 5.00 & rbf & 0.14 & 0.00 & 150 \\
+13.94 & 0.71 & 5.44 & 0.14 & 4 & -5.00 & 5.00 & rbf & 0.14 & 0.00 & 150 \\
+11.32 & 0.11 & 4.71 & 0.10 & 16 & -5.00 & 5.00 & rbf & 0.14 & 0.00 & 150 \\
+11.39 & 0.11 & 4.74 & 0.06 & 16 & -5.00 & 0.00 & rbf & 0.14 & 0.00 & 150 \\
+17.03 & 0.51 & 5.33 & 0.58 & 16 & 0.00 & 5.00 & rbf & 0.14 & 0.00 & 150 \\
+17.13 & 0.22 & 4.67 & 0.18 & 16 & 15.00 & 5.00 & rbf & 0.14 & 0.00 & 150 \\
+17.36 & 0.30 & 5.20 & 0.57 & 16 & 10.00 & 5.00 & rbf & 0.14 & 0.00 & 150 \\
+11.03 & 0.10 & 4.49 & 0.14 & 8 & -5.00 & 5.00 & rbf & 0.14 & 0.00 & 150 \\
+11.15 & 0.07 & 4.44 & 0.09 & 8 & -5.00 & 0.00 & rbf & 0.14 & 0.00 & 150 \\
+\end{longtable}
+\end{rlandscape}

latex/appendix/coarse_grid_results_B.tex

@@ -0,0 +1,240 @@
+\begin{rlandscape}
+\centering
+\begin{longtable}{
+    p{0.1\textwidth}
+    p{0.1\textwidth}
+    p{0.1\textwidth}
+    p{0.1\textwidth}
+    p{0.1\textwidth}
+    p{0.1\textwidth}
+    p{0.1\textwidth}
+    p{0.1\textwidth}
+    p{0.1\textwidth}
+    p{0.1\textwidth}
+    p{0.1\textwidth}}
+\caption{Hasil \textit{Coarse Grid-Search} Sensor B diurutkan berdasarkan \textit{rank test score}}
+\label{tab:coarse grid results B}
+\\
+\toprule
+\toprule
+mean fit time & std fit time & mean score time & std score time & param pca  n components & param svc  C & param svc  gamma & param svc  kernel & mean test score & std test score & rank test score \\
+\midrule
+\endfirsthead
+
+\toprule
+\toprule
+mean fit time & std fit time & mean score time & std score time & param pca  n components & param svc  C & param svc  gamma & param svc  kernel & mean test score & std test score & rank test score \\
+\midrule
+\endhead
+
+\midrule
+\multicolumn{11}{r}{\textit{berlanjut di halaman berikutnya}}
+\endfoot
+
+\bottomrule
+\bottomrule
+\endlastfoot
+
+% Start of table content
+39.63 & 1.65 & 2.88 & 0.23 & 512 & 5.00 & -10.00 & rbf & 1.00 & 0.00 & 1 \\
+30.49 & 1.15 & 2.16 & 0.19 & 512 & 10.00 & -10.00 & rbf & 1.00 & 0.00 & 1 \\
+29.69 & 0.62 & 1.86 & 0.16 & 512 & 15.00 & -10.00 & rbf & 1.00 & 0.00 & 1 \\
+20.28 & 1.59 & 1.00 & 0.10 & 256 & 5.00 & -10.00 & rbf & 1.00 & 0.00 & 4 \\
+22.79 & 0.62 & 1.25 & 0.10 & 256 & 10.00 & -10.00 & rbf & 1.00 & 0.00 & 4 \\
+23.17 & 0.46 & 1.06 & 0.07 & 256 & 15.00 & -10.00 & rbf & 1.00 & 0.00 & 4 \\
+11.41 & 0.74 & 0.21 & 0.04 & 64 & 5.00 & -10.00 & rbf & 1.00 & 0.00 & 7 \\
+14.55 & 0.81 & 0.44 & 0.03 & 128 & 5.00 & -10.00 & rbf & 1.00 & 0.00 & 8 \\
+11.39 & 0.82 & 0.22 & 0.04 & 64 & 10.00 & -10.00 & rbf & 1.00 & 0.00 & 9 \\
+12.25 & 0.39 & 0.25 & 0.04 & 64 & 15.00 & -10.00 & rbf & 1.00 & 0.00 & 9 \\
+15.41 & 1.24 & 0.48 & 0.05 & 128 & 10.00 & -10.00 & rbf & 1.00 & 0.00 & 11 \\
+14.47 & 0.53 & 0.44 & 0.04 & 128 & 15.00 & -10.00 & rbf & 1.00 & 0.00 & 11 \\
+41.95 & 1.36 & 3.28 & 0.27 & 512 & 0.00 & -10.00 & rbf & 1.00 & 0.00 & 13 \\
+19.77 & 0.88 & 1.10 & 0.06 & 256 & 0.00 & -10.00 & rbf & 1.00 & 0.00 & 14 \\
+13.43 & 0.24 & 0.22 & 0.04 & 32 & 5.00 & -10.00 & rbf & 1.00 & 0.00 & 15 \\
+11.48 & 1.05 & 0.16 & 0.01 & 32 & 10.00 & -10.00 & rbf & 1.00 & 0.00 & 16 \\
+13.80 & 2.12 & 0.21 & 0.02 & 32 & 15.00 & -10.00 & rbf & 1.00 & 0.00 & 16 \\
+13.82 & 0.43 & 0.58 & 0.09 & 128 & 0.00 & -10.00 & rbf & 1.00 & 0.00 & 18 \\
+32.47 & 4.05 & 1.22 & 0.14 & 512 & 10.00 & -15.00 & rbf & 1.00 & 0.00 & 19 \\
+29.99 & 2.05 & 1.12 & 0.10 & 512 & 15.00 & -15.00 & rbf & 1.00 & 0.00 & 20 \\
+15.26 & 1.09 & 0.16 & 0.03 & 32 & 15.00 & -15.00 & rbf & 0.99 & 0.00 & 21 \\
+10.31 & 0.81 & 0.47 & 0.09 & 16 & 15.00 & -5.00 & rbf & 0.99 & 0.00 & 22 \\
+10.91 & 0.79 & 0.46 & 0.08 & 16 & 5.00 & -5.00 & rbf & 0.99 & 0.00 & 22 \\
+10.91 & 0.32 & 0.41 & 0.02 & 16 & 10.00 & -5.00 & rbf & 0.99 & 0.00 & 22 \\
+12.04 & 1.08 & 0.53 & 0.22 & 16 & 0.00 & -5.00 & rbf & 0.99 & 0.00 & 25 \\
+21.33 & 2.50 & 0.55 & 0.07 & 256 & 15.00 & -15.00 & rbf & 0.99 & 0.00 & 26 \\
+12.21 & 0.68 & 2.08 & 0.24 & 32 & 10.00 & -5.00 & rbf & 0.99 & 0.00 & 27 \\
+13.43 & 1.14 & 1.80 & 0.16 & 32 & 5.00 & -5.00 & rbf & 0.99 & 0.00 & 27 \\
+14.51 & 1.63 & 2.15 & 0.23 & 32 & 15.00 & -5.00 & rbf & 0.99 & 0.00 & 27 \\
+12.05 & 0.86 & 1.90 & 0.21 & 32 & 0.00 & -5.00 & rbf & 0.99 & 0.00 & 30 \\
+21.03 & 1.59 & 0.57 & 0.05 & 256 & 10.00 & -15.00 & rbf & 0.99 & 0.00 & 31 \\
+32.57 & 2.21 & 1.44 & 0.10 & 512 & 5.00 & -15.00 & rbf & 0.99 & 0.00 & 32 \\
+21.09 & 1.19 & 0.72 & 0.06 & 256 & 5.00 & -15.00 & rbf & 0.99 & 0.00 & 33 \\
+11.04 & 0.86 & 0.12 & 0.02 & 16 & 10.00 & -10.00 & rbf & 0.99 & 0.00 & 34 \\
+12.41 & 0.67 & 0.38 & 0.05 & 64 & 0.00 & -10.00 & rbf & 0.99 & 0.00 & 35 \\
+14.88 & 0.46 & 0.30 & 0.03 & 128 & 10.00 & -15.00 & rbf & 0.99 & 0.00 & 36 \\
+13.66 & 0.29 & 0.16 & 0.04 & 64 & 15.00 & -15.00 & rbf & 0.99 & 0.00 & 37 \\
+14.38 & 0.46 & 0.26 & 0.04 & 128 & 15.00 & -15.00 & rbf & 0.99 & 0.00 & 38 \\
+10.82 & 0.53 & 0.18 & 0.03 & 16 & 5.00 & -10.00 & rbf & 0.99 & 0.00 & 39 \\
+12.27 & 1.03 & 0.17 & 0.04 & 16 & 15.00 & -10.00 & rbf & 0.99 & 0.00 & 40 \\
+18.20 & 0.48 & 0.17 & 0.05 & 16 & 15.00 & -15.00 & rbf & 0.99 & 0.00 & 41 \\
+11.42 & 0.55 & 0.32 & 0.06 & 32 & 0.00 & -10.00 & rbf & 0.99 & 0.00 & 42 \\
+16.15 & 0.73 & 0.53 & 0.12 & 128 & 5.00 & -15.00 & rbf & 0.99 & 0.00 & 43 \\
+11.11 & 1.00 & 2.01 & 0.21 & 16 & -5.00 & -5.00 & rbf & 0.99 & 0.00 & 44 \\
+12.20 & 0.69 & 0.19 & 0.04 & 32 & 10.00 & -15.00 & rbf & 0.98 & 0.00 & 45 \\
+12.52 & 0.63 & 0.30 & 0.05 & 8 & 0.00 & -5.00 & rbf & 0.98 & 0.00 & 46 \\
+11.20 & 0.12 & 0.31 & 0.06 & 64 & 5.00 & -15.00 & rbf & 0.98 & 0.00 & 47 \\
+12.93 & 1.15 & 0.22 & 0.03 & 64 & 10.00 & -15.00 & rbf & 0.98 & 0.01 & 48 \\
+35.29 & 5.11 & 0.17 & 0.05 & 8 & 15.00 & -10.00 & rbf & 0.98 & 0.00 & 49 \\
+10.76 & 0.47 & 0.29 & 0.07 & 8 & 5.00 & -5.00 & rbf & 0.98 & 0.01 & 50 \\
+20.97 & 2.37 & 0.24 & 0.09 & 8 & 10.00 & -10.00 & rbf & 0.97 & 0.00 & 51 \\
+21.67 & 1.24 & 0.52 & 0.10 & 8 & 10.00 & -5.00 & rbf & 0.97 & 0.00 & 52 \\
+11.56 & 0.74 & 0.27 & 0.03 & 8 & 15.00 & -5.00 & rbf & 0.97 & 0.00 & 53 \\
+10.98 & 0.41 & 1.36 & 0.17 & 8 & -5.00 & -5.00 & rbf & 0.97 & 0.00 & 54 \\
+10.89 & 1.19 & 0.42 & 0.07 & 16 & 0.00 & -10.00 & rbf & 0.97 & 0.00 & 55 \\
+10.76 & 0.56 & 0.23 & 0.04 & 16 & 10.00 & -15.00 & rbf & 0.96 & 0.00 & 56 \\
+11.71 & 1.25 & 0.39 & 0.13 & 32 & 5.00 & -15.00 & rbf & 0.96 & 0.00 & 57 \\
+9.87 & 0.67 & 0.22 & 0.02 & 8 & 5.00 & -10.00 & rbf & 0.96 & 0.01 & 58 \\
+20.68 & 0.69 & 6.92 & 0.40 & 256 & -5.00 & -10.00 & rbf & 0.96 & 0.00 & 59 \\
+54.74 & 4.07 & 23.94 & 3.67 & 512 & -5.00 & -10.00 & rbf & 0.96 & 0.00 & 60 \\
+18.02 & 0.81 & 5.02 & 0.70 & 128 & -5.00 & -10.00 & rbf & 0.95 & 0.00 & 61 \\
+19.49 & 1.06 & 5.78 & 0.29 & 64 & 5.00 & -5.00 & rbf & 0.95 & 0.01 & 62 \\
+23.89 & 1.21 & 6.69 & 0.32 & 64 & 10.00 & -5.00 & rbf & 0.95 & 0.01 & 62 \\
+23.50 & 0.74 & 6.74 & 0.85 & 64 & 15.00 & -5.00 & rbf & 0.95 & 0.01 & 62 \\
+43.30 & 1.96 & 12.07 & 0.52 & 512 & 0.00 & -15.00 & rbf & 0.95 & 0.00 & 65 \\
+21.28 & 1.21 & 4.60 & 0.07 & 256 & 0.00 & -15.00 & rbf & 0.95 & 0.00 & 66 \\
+13.36 & 0.42 & 2.99 & 0.13 & 64 & -5.00 & -10.00 & rbf & 0.95 & 0.00 & 67 \\
+22.03 & 0.37 & 6.06 & 0.34 & 64 & 0.00 & -5.00 & rbf & 0.95 & 0.01 & 68 \\
+15.26 & 0.59 & 2.88 & 0.15 & 128 & 0.00 & -15.00 & rbf & 0.95 & 0.00 & 69 \\
+19.18 & 2.32 & 0.24 & 0.04 & 8 & 15.00 & -15.00 & rbf & 0.94 & 0.01 & 70 \\
+13.60 & 0.79 & 2.30 & 0.11 & 32 & -5.00 & -10.00 & rbf & 0.94 & 0.00 & 71 \\
+12.06 & 0.47 & 2.24 & 0.19 & 64 & 0.00 & -15.00 & rbf & 0.94 & 0.00 & 72 \\
+10.80 & 0.94 & 0.41 & 0.07 & 16 & 5.00 & -15.00 & rbf & 0.94 & 0.00 & 73 \\
+11.32 & 0.36 & 1.85 & 0.19 & 32 & 0.00 & -15.00 & rbf & 0.93 & 0.00 & 74 \\
+12.67 & 0.51 & 0.75 & 0.12 & 8 & 0.00 & -10.00 & rbf & 0.91 & 0.00 & 75 \\
+11.22 & 0.47 & 2.37 & 0.26 & 16 & -5.00 & -10.00 & rbf & 0.90 & 0.01 & 76 \\
+9.97 & 0.57 & 0.41 & 0.05 & 8 & 10.00 & -15.00 & rbf & 0.89 & 0.02 & 77 \\
+10.36 & 1.08 & 2.16 & 0.34 & 16 & 0.00 & -15.00 & rbf & 0.88 & 0.01 & 78 \\
+13.77 & 0.36 & 0.40 & 0.05 & 4 & 5.00 & -5.00 & rbf & 0.88 & 0.01 & 79 \\
+10.10 & 0.54 & 0.50 & 0.11 & 4 & 0.00 & -5.00 & rbf & 0.87 & 0.01 & 80 \\
+10.38 & 0.95 & 0.58 & 0.09 & 8 & 5.00 & -15.00 & rbf & 0.87 & 0.00 & 81 \\
+16.12 & 0.79 & 2.85 & 0.23 & 4 & 0.00 & 0.00 & rbf & 0.86 & 0.01 & 82 \\
+26.82 & 2.04 & 0.27 & 0.04 & 4 & 10.00 & -5.00 & rbf & 0.86 & 0.02 & 83 \\
+88.21 & 4.01 & 0.32 & 0.03 & 4 & 15.00 & -10.00 & rbf & 0.85 & 0.01 & 84 \\
+287.33 & 21.19 & 0.14 & 0.03 & 4 & 15.00 & -5.00 & rbf & 0.85 & 0.02 & 85 \\
+15.10 & 0.25 & 0.46 & 0.08 & 4 & 10.00 & -10.00 & rbf & 0.84 & 0.01 & 86 \\
+11.62 & 0.69 & 1.85 & 0.11 & 4 & -5.00 & -5.00 & rbf & 0.84 & 0.00 & 87 \\
+13.25 & 1.11 & 4.40 & 0.32 & 32 & -5.00 & -5.00 & rbf & 0.83 & 0.01 & 88 \\
+19.04 & 0.51 & 2.53 & 0.25 & 4 & 5.00 & 0.00 & rbf & 0.82 & 0.00 & 89 \\
+16.86 & 1.29 & 2.60 & 0.23 & 4 & 10.00 & 0.00 & rbf & 0.81 & 0.00 & 90 \\
+15.92 & 1.29 & 2.48 & 0.40 & 4 & 15.00 & 0.00 & rbf & 0.81 & 0.00 & 91 \\
+12.75 & 1.08 & 0.99 & 0.18 & 4 & 5.00 & -10.00 & rbf & 0.79 & 0.01 & 92 \\
+10.57 & 0.60 & 2.52 & 0.23 & 8 & -5.00 & -10.00 & rbf & 0.79 & 0.01 & 93 \\
+11.79 & 1.31 & 2.99 & 0.33 & 8 & 0.00 & -15.00 & rbf & 0.78 & 0.01 & 94 \\
+28.25 & 0.68 & 10.82 & 0.49 & 128 & 10.00 & -5.00 & rbf & 0.78 & 0.01 & 95 \\
+23.91 & 0.24 & 9.31 & 0.32 & 128 & 15.00 & -5.00 & rbf & 0.78 & 0.01 & 95 \\
+22.74 & 1.25 & 8.30 & 0.37 & 128 & 5.00 & -5.00 & rbf & 0.78 & 0.01 & 95 \\
+23.04 & 1.83 & 0.80 & 0.07 & 4 & 15.00 & -15.00 & rbf & 0.76 & 0.01 & 98 \\
+31.40 & 1.74 & 6.17 & 0.29 & 8 & 10.00 & 0.00 & rbf & 0.76 & 0.00 & 99 \\
+18.01 & 0.70 & 4.37 & 0.23 & 8 & 5.00 & 0.00 & rbf & 0.76 & 0.00 & 99 \\
+23.46 & 2.44 & 6.29 & 0.69 & 8 & 15.00 & 0.00 & rbf & 0.76 & 0.00 & 99 \\
+22.90 & 0.83 & 8.79 & 0.48 & 128 & 0.00 & -5.00 & rbf & 0.76 & 0.01 & 102 \\
+18.40 & 0.65 & 4.71 & 0.15 & 8 & 0.00 & 0.00 & rbf & 0.74 & 0.01 & 103 \\
+11.46 & 0.25 & 1.50 & 0.12 & 4 & 0.00 & -10.00 & rbf & 0.72 & 0.00 & 104 \\
+11.15 & 0.41 & 1.16 & 0.05 & 4 & 10.00 & -15.00 & rbf & 0.70 & 0.01 & 105 \\
+31.21 & 0.84 & 12.67 & 0.54 & 256 & 10.00 & -5.00 & rbf & 0.62 & 0.01 & 106 \\
+29.16 & 0.72 & 13.20 & 0.91 & 256 & 5.00 & -5.00 & rbf & 0.62 & 0.01 & 106 \\
+31.63 & 1.84 & 12.80 & 0.43 & 256 & 15.00 & -5.00 & rbf & 0.62 & 0.01 & 106 \\
+11.71 & 0.92 & 2.31 & 0.17 & 4 & 5.00 & -15.00 & rbf & 0.59 & 0.01 & 109 \\
+28.37 & 0.86 & 13.04 & 0.37 & 256 & 0.00 & -5.00 & rbf & 0.58 & 0.01 & 110 \\
+12.91 & 0.17 & 5.06 & 0.26 & 4 & -5.00 & 0.00 & rbf & 0.57 & 0.01 & 111 \\
+38.95 & 1.03 & 22.99 & 0.93 & 512 & 15.00 & -5.00 & rbf & 0.52 & 0.01 & 112 \\
+43.47 & 1.32 & 21.46 & 1.80 & 512 & 10.00 & -5.00 & rbf & 0.52 & 0.01 & 112 \\
+56.13 & 1.93 & 33.40 & 1.80 & 512 & 5.00 & -5.00 & rbf & 0.52 & 0.01 & 112 \\
+12.08 & 0.95 & 3.63 & 0.28 & 4 & -5.00 & -10.00 & rbf & 0.49 & 0.01 & 115 \\
+59.39 & 3.21 & 37.12 & 2.83 & 512 & 0.00 & -5.00 & rbf & 0.48 & 0.01 & 116 \\
+11.15 & 0.54 & 3.39 & 0.30 & 4 & 0.00 & -15.00 & rbf & 0.45 & 0.01 & 117 \\
+18.29 & 1.10 & 5.17 & 0.36 & 16 & 5.00 & 0.00 & rbf & 0.41 & 0.04 & 118 \\
+18.70 & 0.76 & 5.89 & 0.13 & 16 & 10.00 & 0.00 & rbf & 0.41 & 0.04 & 118 \\
+18.46 & 1.11 & 4.63 & 0.34 & 16 & 15.00 & 0.00 & rbf & 0.41 & 0.04 & 118 \\
+21.28 & 0.87 & 6.36 & 0.73 & 16 & 0.00 & 0.00 & rbf & 0.37 & 0.04 & 121 \\
+20.26 & 1.35 & 4.68 & 0.28 & 4 & 5.00 & 5.00 & rbf & 0.35 & 0.01 & 122 \\
+19.26 & 1.28 & 4.61 & 0.50 & 4 & 10.00 & 5.00 & rbf & 0.35 & 0.01 & 122 \\
+17.60 & 1.57 & 3.77 & 0.28 & 4 & 15.00 & 5.00 & rbf & 0.35 & 0.01 & 122 \\
+17.67 & 1.23 & 5.26 & 0.67 & 4 & 0.00 & 5.00 & rbf & 0.33 & 0.01 & 125 \\
+18.94 & 1.56 & 5.17 & 0.14 & 32 & 10.00 & 0.00 & rbf & 0.19 & 0.00 & 126 \\
+19.43 & 0.91 & 5.23 & 0.69 & 32 & 5.00 & 0.00 & rbf & 0.19 & 0.00 & 126 \\
+19.68 & 0.96 & 5.32 & 0.58 & 32 & 15.00 & 0.00 & rbf & 0.19 & 0.00 & 126 \\
+17.64 & 1.11 & 5.61 & 0.50 & 32 & 0.00 & 0.00 & rbf & 0.18 & 0.00 & 129 \\
+23.99 & 1.88 & 6.74 & 0.31 & 64 & 15.00 & 0.00 & rbf & 0.16 & 0.00 & 130 \\
+19.78 & 0.82 & 5.87 & 0.59 & 64 & 5.00 & 0.00 & rbf & 0.16 & 0.00 & 130 \\
+24.28 & 1.97 & 6.50 & 0.72 & 64 & 10.00 & 0.00 & rbf & 0.16 & 0.00 & 130 \\
+19.46 & 0.69 & 6.47 & 0.76 & 64 & 0.00 & 0.00 & rbf & 0.15 & 0.00 & 133 \\
+22.83 & 0.85 & 6.11 & 0.08 & 8 & 15.00 & 5.00 & rbf & 0.14 & 0.00 & 134 \\
+25.67 & 2.30 & 5.26 & 0.62 & 8 & 10.00 & 5.00 & rbf & 0.14 & 0.00 & 134 \\
+18.09 & 1.21 & 4.88 & 0.40 & 8 & 5.00 & 5.00 & rbf & 0.14 & 0.00 & 134 \\
+26.87 & 2.05 & 9.54 & 0.96 & 128 & 10.00 & 0.00 & rbf & 0.14 & 0.00 & 137 \\
+22.82 & 0.80 & 8.18 & 0.34 & 128 & 5.00 & 0.00 & rbf & 0.14 & 0.00 & 137 \\
+25.45 & 2.61 & 9.58 & 0.52 & 128 & 15.00 & 0.00 & rbf & 0.14 & 0.00 & 137 \\
+14.62 & 0.59 & 4.54 & 0.39 & 8 & 0.00 & 5.00 & rbf & 0.14 & 0.00 & 140 \\
+21.15 & 1.40 & 9.55 & 0.28 & 128 & 0.00 & 0.00 & rbf & 0.14 & 0.00 & 141 \\
+18.70 & 0.74 & 5.94 & 0.31 & 64 & 0.00 & 5.00 & rbf & 0.14 & 0.00 & 142 \\
+18.29 & 0.64 & 6.10 & 0.61 & 64 & 5.00 & 5.00 & rbf & 0.14 & 0.00 & 142 \\
+19.14 & 1.33 & 6.94 & 0.48 & 64 & 10.00 & 5.00 & rbf & 0.14 & 0.00 & 142 \\
+19.40 & 1.95 & 5.37 & 0.34 & 32 & 15.00 & 5.00 & rbf & 0.14 & 0.00 & 142 \\
+11.49 & 0.29 & 4.88 & 0.55 & 16 & -5.00 & -15.00 & rbf & 0.14 & 0.00 & 142 \\
+19.08 & 1.05 & 5.64 & 0.93 & 32 & 5.00 & 5.00 & rbf & 0.14 & 0.00 & 142 \\
+18.01 & 1.11 & 5.22 & 0.55 & 32 & 10.00 & 5.00 & rbf & 0.14 & 0.00 & 142 \\
+13.01 & 0.61 & 5.39 & 0.42 & 32 & -5.00 & 0.00 & rbf & 0.14 & 0.00 & 142 \\
+16.10 & 0.62 & 6.27 & 0.71 & 32 & -5.00 & -15.00 & rbf & 0.14 & 0.00 & 142 \\
+12.40 & 0.63 & 5.41 & 0.49 & 32 & -5.00 & 5.00 & rbf & 0.14 & 0.00 & 142 \\
+16.16 & 1.74 & 5.41 & 0.32 & 32 & 0.00 & 5.00 & rbf & 0.14 & 0.00 & 142 \\
+22.09 & 0.67 & 8.40 & 0.34 & 64 & 15.00 & 5.00 & rbf & 0.14 & 0.00 & 142 \\
+14.87 & 0.62 & 6.54 & 0.79 & 64 & -5.00 & 0.00 & rbf & 0.14 & 0.00 & 142 \\
+14.19 & 0.50 & 6.77 & 0.44 & 64 & -5.00 & -5.00 & rbf & 0.14 & 0.00 & 142 \\
+15.11 & 1.67 & 6.90 & 0.78 & 64 & -5.00 & -15.00 & rbf & 0.14 & 0.00 & 142 \\
+28.10 & 1.07 & 9.40 & 0.43 & 128 & 15.00 & 5.00 & rbf & 0.14 & 0.00 & 142 \\
+27.71 & 0.36 & 12.87 & 0.48 & 256 & 15.00 & 5.00 & rbf & 0.14 & 0.00 & 142 \\
+17.81 & 0.82 & 8.55 & 0.44 & 128 & -5.00 & -5.00 & rbf & 0.14 & 0.00 & 142 \\
+21.35 & 1.03 & 10.15 & 0.30 & 128 & 0.00 & 5.00 & rbf & 0.14 & 0.00 & 142 \\
+24.11 & 1.69 & 14.50 & 0.49 & 256 & -5.00 & 0.00 & rbf & 0.14 & 0.00 & 142 \\
+25.28 & 0.52 & 14.40 & 0.46 & 256 & -5.00 & 5.00 & rbf & 0.14 & 0.00 & 142 \\
+24.03 & 1.90 & 13.31 & 0.63 & 256 & -5.00 & -15.00 & rbf & 0.14 & 0.00 & 142 \\
+21.57 & 0.26 & 13.40 & 0.23 & 256 & -5.00 & -5.00 & rbf & 0.14 & 0.00 & 142 \\
+45.39 & 1.01 & 22.44 & 0.21 & 512 & 15.00 & 5.00 & rbf & 0.14 & 0.00 & 142 \\
+39.60 & 1.70 & 21.35 & 0.61 & 512 & 10.00 & 0.00 & rbf & 0.14 & 0.00 & 142 \\
+37.37 & 1.35 & 22.79 & 0.81 & 512 & 10.00 & 5.00 & rbf & 0.14 & 0.00 & 142 \\
+41.59 & 2.41 & 22.59 & 0.84 & 512 & 15.00 & 0.00 & rbf & 0.14 & 0.00 & 142 \\
+51.53 & 1.28 & 34.79 & 2.38 & 512 & -5.00 & 5.00 & rbf & 0.14 & 0.00 & 142 \\
+61.98 & 2.19 & 44.70 & 5.92 & 512 & -5.00 & -15.00 & rbf & 0.14 & 0.00 & 142 \\
+51.97 & 2.36 & 37.98 & 1.31 & 512 & -5.00 & -5.00 & rbf & 0.14 & 0.00 & 142 \\
+54.09 & 1.95 & 34.66 & 1.89 & 512 & -5.00 & 0.00 & rbf & 0.14 & 0.00 & 142 \\
+50.43 & 13.46 & 23.31 & 3.95 & 512 & 0.00 & 0.00 & rbf & 0.14 & 0.00 & 142 \\
+34.60 & 0.87 & 25.44 & 1.06 & 512 & 0.00 & 5.00 & rbf & 0.14 & 0.00 & 142 \\
+59.12 & 1.76 & 31.10 & 1.85 & 512 & 5.00 & 0.00 & rbf & 0.14 & 0.00 & 142 \\
+58.71 & 2.68 & 24.94 & 0.90 & 512 & 5.00 & 5.00 & rbf & 0.14 & 0.00 & 142 \\
+14.93 & 0.19 & 6.10 & 0.33 & 64 & -5.00 & 5.00 & rbf & 0.14 & 0.00 & 142 \\
+23.19 & 0.99 & 8.43 & 0.42 & 128 & 10.00 & 5.00 & rbf & 0.14 & 0.00 & 142 \\
+22.54 & 0.35 & 8.50 & 0.09 & 128 & 5.00 & 5.00 & rbf & 0.14 & 0.00 & 142 \\
+28.93 & 1.50 & 12.57 & 0.59 & 256 & 10.00 & 0.00 & rbf & 0.14 & 0.00 & 142 \\
+27.90 & 0.85 & 16.03 & 0.28 & 256 & 0.00 & 5.00 & rbf & 0.14 & 0.00 & 142 \\
+25.92 & 1.36 & 13.94 & 1.43 & 256 & 0.00 & 0.00 & rbf & 0.14 & 0.00 & 142 \\
+28.25 & 0.66 & 13.30 & 1.44 & 256 & 5.00 & 0.00 & rbf & 0.14 & 0.00 & 142 \\
+28.43 & 1.21 & 14.84 & 0.52 & 256 & 5.00 & 5.00 & rbf & 0.14 & 0.00 & 142 \\
+28.60 & 1.12 & 14.25 & 0.72 & 256 & 10.00 & 5.00 & rbf & 0.14 & 0.00 & 142 \\
+16.56 & 0.55 & 8.44 & 0.26 & 128 & -5.00 & 0.00 & rbf & 0.14 & 0.00 & 142 \\
+16.56 & 0.28 & 8.63 & 0.52 & 128 & -5.00 & 5.00 & rbf & 0.14 & 0.00 & 142 \\
+16.76 & 0.18 & 9.79 & 1.45 & 128 & -5.00 & -15.00 & rbf & 0.14 & 0.00 & 142 \\
+28.98 & 1.34 & 12.71 & 0.38 & 256 & 15.00 & 0.00 & rbf & 0.14 & 0.00 & 142 \\
+12.07 & 0.43 & 4.74 & 0.50 & 8 & -5.00 & 0.00 & rbf & 0.14 & 0.00 & 142 \\
+12.12 & 0.80 & 4.90 & 0.50 & 16 & -5.00 & 5.00 & rbf & 0.14 & 0.00 & 142 \\
+17.73 & 0.90 & 4.94 & 0.44 & 16 & 5.00 & 5.00 & rbf & 0.14 & 0.00 & 142 \\
+12.43 & 0.77 & 4.76 & 0.41 & 4 & -5.00 & 5.00 & rbf & 0.14 & 0.00 & 142 \\
+14.85 & 0.74 & 5.38 & 0.50 & 4 & -5.00 & -15.00 & rbf & 0.14 & 0.00 & 142 \\
+12.12 & 0.91 & 5.04 & 0.45 & 16 & -5.00 & 0.00 & rbf & 0.14 & 0.00 & 142 \\
+20.29 & 1.26 & 5.73 & 0.74 & 16 & 10.00 & 5.00 & rbf & 0.14 & 0.00 & 142 \\
+11.72 & 0.21 & 4.94 & 0.22 & 8 & -5.00 & -15.00 & rbf & 0.14 & 0.00 & 142 \\
+18.29 & 1.29 & 4.66 & 0.41 & 16 & 15.00 & 5.00 & rbf & 0.14 & 0.00 & 142 \\
+12.07 & 0.86 & 4.80 & 0.71 & 8 & -5.00 & 5.00 & rbf & 0.14 & 0.00 & 142 \\
+16.08 & 1.41 & 5.43 & 0.94 & 16 & 0.00 & 5.00 & rbf & 0.14 & 0.00 & 142 \\
+\end{longtable}
+\end{rlandscape}

latex/appendix/fine_grid_results_A_32.tex

@@ -0,0 +1,122 @@
+
+\begin{rlandscape}
+% \section*{Hasil Fine Grid Search}
+\centering
+\begin{longtable}{
+    p{0.1\textwidth}
+    p{0.1\textwidth}
+    p{0.1\textwidth}
+    p{0.1\textwidth}
+    p{0.1\textwidth}
+    p{0.1\textwidth}
+    p{0.1\textwidth}
+    p{0.1\textwidth}
+    p{0.1\textwidth}
+    p{0.1\textwidth}}
+\caption{Hasil \textit{Fine Grid-Search} Sensor A (PCA=32) diurutkan berdasarkan \textit{rank test score}}
+\label{tab:fine grid results A}
+\\
+\toprule
+\toprule
+mean fit time & std fit time & mean score time & std score time & param svc  C & param svc  gamma & param svc  kernel & mean test score & std test score & rank test score \\
+\midrule
+\endfirsthead
+
+\toprule
+\toprule
+mean fit time & std fit time & mean score time & std score time & param svc  C & param svc  gamma & param svc  kernel & mean test score & std test score & rank test score \\
+\midrule
+\endhead
+
+\midrule
+\multicolumn{10}{r}{\textit{berlanjut di halaman berikutnya}}
+\endfoot
+
+\bottomrule
+\bottomrule
+\endlastfoot
+
+% Start of table content
+11.51 & 0.20 & 0.29 & 0.07 & 8.00 & -8.00 & rbf & 1.00 & 0.00 & 1 \\
+11.35 & 0.20 & 0.26 & 0.04 & 8.50 & -8.00 & rbf & 1.00 & 0.00 & 1 \\
+14.04 & 0.73 & 0.35 & 0.08 & 9.00 & -8.00 & rbf & 1.00 & 0.00 & 1 \\
+10.47 & 0.36 & 0.21 & 0.02 & 9.50 & -8.00 & rbf & 1.00 & 0.00 & 1 \\
+11.00 & 0.19 & 0.23 & 0.03 & 10.50 & -8.00 & rbf & 1.00 & 0.00 & 1 \\
+11.13 & 0.50 & 0.25 & 0.05 & 11.00 & -8.00 & rbf & 1.00 & 0.00 & 1 \\
+10.96 & 0.39 & 0.22 & 0.02 & 10.00 & -8.00 & rbf & 1.00 & 0.00 & 1 \\
+11.00 & 0.22 & 0.25 & 0.04 & 11.50 & -8.00 & rbf & 1.00 & 0.00 & 1 \\
+10.05 & 0.68 & 0.15 & 0.04 & 12.00 & -8.00 & rbf & 1.00 & 0.00 & 1 \\
+11.64 & 0.79 & 0.17 & 0.02 & 8.00 & -9.00 & rbf & 0.99 & 0.00 & 10 \\
+11.72 & 0.49 & 0.20 & 0.01 & 8.00 & -8.50 & rbf & 0.99 & 0.00 & 11 \\
+11.91 & 0.37 & 0.17 & 0.03 & 10.00 & -8.50 & rbf & 0.99 & 0.00 & 12 \\
+10.69 & 0.57 & 0.18 & 0.02 & 9.50 & -8.50 & rbf & 0.99 & 0.00 & 12 \\
+12.79 & 0.19 & 0.21 & 0.01 & 9.00 & -8.50 & rbf & 0.99 & 0.00 & 12 \\
+12.04 & 0.21 & 0.21 & 0.05 & 11.00 & -8.50 & rbf & 0.99 & 0.00 & 12 \\
+10.73 & 0.17 & 0.22 & 0.05 & 10.50 & -8.50 & rbf & 0.99 & 0.00 & 12 \\
+11.07 & 0.62 & 0.21 & 0.06 & 11.50 & -8.50 & rbf & 0.99 & 0.00 & 12 \\
+11.90 & 0.40 & 0.18 & 0.04 & 12.00 & -8.50 & rbf & 0.99 & 0.00 & 12 \\
+10.83 & 0.48 & 0.19 & 0.03 & 8.50 & -8.50 & rbf & 0.99 & 0.00 & 12 \\
+10.83 & 0.43 & 0.20 & 0.05 & 8.50 & -9.00 & rbf & 0.99 & 0.00 & 20 \\
+11.66 & 0.29 & 0.22 & 0.02 & 9.00 & -9.00 & rbf & 0.99 & 0.00 & 21 \\
+13.20 & 0.48 & 0.20 & 0.02 & 11.00 & -9.00 & rbf & 0.99 & 0.00 & 21 \\
+12.11 & 0.50 & 0.18 & 0.03 & 10.00 & -9.00 & rbf & 0.99 & 0.00 & 21 \\
+10.78 & 0.48 & 0.16 & 0.01 & 9.50 & -9.00 & rbf & 0.99 & 0.00 & 21 \\
+11.37 & 0.35 & 0.18 & 0.02 & 10.50 & -9.00 & rbf & 0.99 & 0.00 & 21 \\
+13.46 & 0.73 & 0.20 & 0.02 & 12.00 & -9.00 & rbf & 0.99 & 0.00 & 21 \\
+11.13 & 0.50 & 0.18 & 0.03 & 11.50 & -9.00 & rbf & 0.99 & 0.00 & 21 \\
+11.21 & 0.46 & 0.21 & 0.03 & 9.00 & -9.50 & rbf & 0.99 & 0.00 & 28 \\
+10.93 & 1.39 & 0.16 & 0.02 & 8.50 & -9.50 & rbf & 0.99 & 0.00 & 29 \\
+11.35 & 0.22 & 0.16 & 0.02 & 9.50 & -9.50 & rbf & 0.99 & 0.00 & 30 \\
+13.34 & 0.95 & 0.19 & 0.01 & 11.00 & -9.50 & rbf & 0.99 & 0.00 & 31 \\
+11.74 & 0.72 & 0.18 & 0.04 & 10.50 & -9.50 & rbf & 0.99 & 0.00 & 31 \\
+14.65 & 0.45 & 0.21 & 0.04 & 12.00 & -9.50 & rbf & 0.99 & 0.00 & 31 \\
+11.41 & 0.80 & 0.17 & 0.04 & 11.50 & -9.50 & rbf & 0.99 & 0.00 & 31 \\
+12.80 & 0.94 & 0.20 & 0.06 & 8.50 & -11.50 & rbf & 0.99 & 0.00 & 35 \\
+11.17 & 0.33 & 0.17 & 0.04 & 10.00 & -9.50 & rbf & 0.99 & 0.00 & 36 \\
+15.20 & 0.66 & 0.19 & 0.04 & 9.50 & -12.00 & rbf & 0.99 & 0.00 & 37 \\
+11.93 & 0.84 & 0.21 & 0.05 & 10.50 & -10.00 & rbf & 0.99 & 0.00 & 37 \\
+10.62 & 0.21 & 0.14 & 0.01 & 10.00 & -10.00 & rbf & 0.99 & 0.00 & 39 \\
+11.53 & 0.57 & 0.15 & 0.02 & 9.00 & -11.50 & rbf & 0.99 & 0.00 & 40 \\
+11.73 & 0.14 & 0.17 & 0.02 & 11.00 & -10.50 & rbf & 0.99 & 0.00 & 41 \\
+12.91 & 1.20 & 0.15 & 0.03 & 12.00 & -11.00 & rbf & 0.99 & 0.00 & 41 \\
+11.08 & 0.53 & 0.18 & 0.05 & 9.50 & -10.00 & rbf & 0.99 & 0.00 & 43 \\
+11.17 & 0.32 & 0.16 & 0.02 & 8.00 & -10.50 & rbf & 0.99 & 0.00 & 44 \\
+11.45 & 0.62 & 0.17 & 0.03 & 8.00 & -9.50 & rbf & 0.99 & 0.00 & 45 \\
+11.25 & 0.34 & 0.15 & 0.03 & 10.00 & -12.00 & rbf & 0.99 & 0.00 & 46 \\
+11.58 & 0.19 & 0.19 & 0.05 & 11.50 & -10.50 & rbf & 0.99 & 0.00 & 47 \\
+11.53 & 0.28 & 0.15 & 0.02 & 11.50 & -11.00 & rbf & 0.99 & 0.00 & 48 \\
+12.31 & 1.04 & 0.20 & 0.02 & 11.00 & -10.00 & rbf & 0.99 & 0.00 & 49 \\
+11.49 & 0.54 & 0.19 & 0.03 & 10.50 & -10.50 & rbf & 0.99 & 0.00 & 49 \\
+13.31 & 1.17 & 0.19 & 0.01 & 9.50 & -11.50 & rbf & 0.99 & 0.00 & 51 \\
+13.78 & 0.61 & 0.24 & 0.03 & 12.00 & -10.00 & rbf & 0.99 & 0.00 & 52 \\
+10.78 & 0.44 & 0.17 & 0.03 & 11.50 & -10.00 & rbf & 0.99 & 0.00 & 52 \\
+11.03 & 0.14 & 0.15 & 0.02 & 8.00 & -11.50 & rbf & 0.99 & 0.00 & 54 \\
+12.36 & 1.21 & 0.14 & 0.01 & 8.50 & -10.00 & rbf & 0.99 & 0.00 & 55 \\
+11.25 & 0.54 & 0.16 & 0.04 & 10.50 & -12.00 & rbf & 0.99 & 0.00 & 56 \\
+11.56 & 0.84 & 0.17 & 0.03 & 9.00 & -12.00 & rbf & 0.99 & 0.00 & 57 \\
+11.44 & 0.41 & 0.17 & 0.02 & 9.00 & -10.00 & rbf & 0.99 & 0.00 & 58 \\
+11.88 & 0.68 & 0.15 & 0.02 & 9.00 & -11.00 & rbf & 0.99 & 0.00 & 59 \\
+12.35 & 1.43 & 0.18 & 0.03 & 12.00 & -10.50 & rbf & 0.99 & 0.00 & 60 \\
+10.89 & 0.17 & 0.17 & 0.01 & 10.00 & -10.50 & rbf & 0.99 & 0.00 & 61 \\
+10.95 & 0.37 & 0.14 & 0.01 & 10.00 & -11.50 & rbf & 0.99 & 0.00 & 62 \\
+10.82 & 0.49 & 0.19 & 0.04 & 9.50 & -10.50 & rbf & 0.99 & 0.00 & 63 \\
+11.50 & 0.29 & 0.17 & 0.02 & 10.50 & -11.50 & rbf & 0.99 & 0.00 & 64 \\
+11.41 & 0.31 & 0.17 & 0.04 & 9.50 & -11.00 & rbf & 0.99 & 0.00 & 64 \\
+11.56 & 0.38 & 0.15 & 0.02 & 11.50 & -12.00 & rbf & 0.99 & 0.00 & 66 \\
+11.47 & 0.55 & 0.19 & 0.04 & 10.50 & -11.00 & rbf & 0.99 & 0.00 & 66 \\
+13.02 & 0.60 & 0.17 & 0.04 & 8.50 & -10.50 & rbf & 0.99 & 0.00 & 66 \\
+11.64 & 0.06 & 0.16 & 0.03 & 11.50 & -11.50 & rbf & 0.99 & 0.00 & 66 \\
+11.95 & 0.27 & 0.17 & 0.02 & 11.00 & -12.00 & rbf & 0.99 & 0.00 & 70 \\
+11.08 & 0.49 & 0.16 & 0.03 & 8.00 & -10.00 & rbf & 0.99 & 0.00 & 70 \\
+12.28 & 0.59 & 0.15 & 0.01 & 12.00 & -11.50 & rbf & 0.99 & 0.00 & 70 \\
+11.46 & 0.36 & 0.15 & 0.02 & 11.00 & -11.00 & rbf & 0.99 & 0.00 & 73 \\
+11.19 & 0.58 & 0.20 & 0.05 & 9.00 & -10.50 & rbf & 0.99 & 0.00 & 74 \\
+12.88 & 0.29 & 0.16 & 0.02 & 8.50 & -12.00 & rbf & 0.99 & 0.00 & 75 \\
+10.91 & 0.09 & 0.14 & 0.01 & 10.00 & -11.00 & rbf & 0.99 & 0.00 & 76 \\
+11.80 & 0.22 & 0.16 & 0.02 & 11.00 & -11.50 & rbf & 0.99 & 0.00 & 77 \\
+11.41 & 0.18 & 0.18 & 0.02 & 12.00 & -12.00 & rbf & 0.99 & 0.00 & 78 \\
+10.92 & 0.12 & 0.17 & 0.03 & 8.00 & -12.00 & rbf & 0.99 & 0.00 & 79 \\
+14.04 & 0.35 & 0.19 & 0.03 & 8.50 & -11.00 & rbf & 0.99 & 0.01 & 80 \\
+10.82 & 0.20 & 0.18 & 0.03 & 8.00 & -11.00 & rbf & 0.98 & 0.02 & 81 \\
+\end{longtable}
+\end{rlandscape}

latex/appendix/fine_grid_results_B_16.tex

@@ -0,0 +1,121 @@
+
+\begin{rlandscape}
+\centering
+\begin{longtable}{
+    p{0.1\textwidth}
+    p{0.1\textwidth}
+    p{0.1\textwidth}
+    p{0.1\textwidth}
+    p{0.1\textwidth}
+    p{0.1\textwidth}
+    p{0.1\textwidth}
+    p{0.1\textwidth}
+    p{0.1\textwidth}
+    p{0.1\textwidth}}
+\caption{Hasil \textit{Fine Grid-Search} Sensor B (PCA=16) diurutkan berdasarkan \textit{rank test score}}
+\label{tab:fine grid results A}
+\\
+\toprule
+\toprule
+mean fit time & std fit time & mean score time & std score time & param svc  C & param svc  gamma & param svc  kernel & mean test score & std test score & rank test score \\
+\midrule
+\endfirsthead
+
+\toprule
+\toprule
+mean fit time & std fit time & mean score time & std score time & param svc  C & param svc  gamma & param svc  kernel & mean test score & std test score & rank test score \\
+\midrule
+\endhead
+
+\midrule
+\multicolumn{10}{r}{\textit{berlanjut di halaman berikutnya}}
+\endfoot
+
+\bottomrule
+\bottomrule
+\endlastfoot
+
+% Start of table content
+15.05 & 2.17 & 0.51 & 0.10 & 3.00 & -5.50 & rbf & 0.99 & 0.00 & 1 \\
+15.58 & 0.88 & 0.66 & 0.16 & 3.00 & -5.00 & rbf & 0.99 & 0.00 & 1 \\
+17.69 & 1.83 & 0.86 & 0.18 & 3.50 & -5.00 & rbf & 0.99 & 0.00 & 1 \\
+17.31 & 2.43 & 0.81 & 0.27 & 4.00 & -5.00 & rbf & 0.99 & 0.00 & 4 \\
+14.79 & 1.40 & 1.23 & 0.21 & 3.00 & -4.50 & rbf & 0.99 & 0.00 & 5 \\
+16.52 & 1.10 & 0.58 & 0.21 & 3.50 & -5.50 & rbf & 0.99 & 0.00 & 6 \\
+15.97 & 2.50 & 0.42 & 0.12 & 3.00 & -6.00 & rbf & 0.99 & 0.00 & 7 \\
+17.13 & 1.43 & 1.42 & 0.29 & 3.50 & -4.50 & rbf & 0.99 & 0.00 & 8 \\
+15.20 & 1.24 & 0.53 & 0.16 & 4.00 & -5.50 & rbf & 0.99 & 0.00 & 9 \\
+17.55 & 2.71 & 1.51 & 0.44 & 4.00 & -4.50 & rbf & 0.99 & 0.00 & 10 \\
+13.33 & 0.43 & 1.04 & 0.12 & 5.00 & -4.50 & rbf & 0.99 & 0.00 & 10 \\
+14.88 & 0.76 & 1.17 & 0.10 & 4.50 & -4.50 & rbf & 0.99 & 0.00 & 10 \\
+15.24 & 1.19 & 1.12 & 0.22 & 5.50 & -4.50 & rbf & 0.99 & 0.00 & 10 \\
+15.48 & 1.94 & 1.15 & 0.08 & 6.00 & -4.50 & rbf & 0.99 & 0.00 & 10 \\
+15.71 & 1.53 & 1.30 & 0.17 & 7.00 & -4.50 & rbf & 0.99 & 0.00 & 10 \\
+17.31 & 1.39 & 1.49 & 0.16 & 6.50 & -4.50 & rbf & 0.99 & 0.00 & 10 \\
+14.48 & 1.24 & 0.47 & 0.15 & 4.00 & -6.00 & rbf & 0.99 & 0.00 & 17 \\
+13.91 & 1.43 & 0.33 & 0.07 & 4.00 & -6.50 & rbf & 0.99 & 0.00 & 18 \\
+14.88 & 0.72 & 0.45 & 0.08 & 4.50 & -5.50 & rbf & 0.99 & 0.00 & 18 \\
+14.17 & 0.99 & 0.64 & 0.05 & 5.00 & -5.00 & rbf & 0.99 & 0.00 & 20 \\
+14.58 & 0.84 & 0.70 & 0.02 & 4.50 & -5.00 & rbf & 0.99 & 0.00 & 20 \\
+13.31 & 0.80 & 0.68 & 0.14 & 7.00 & -5.00 & rbf & 0.99 & 0.00 & 20 \\
+19.03 & 2.56 & 0.68 & 0.17 & 6.00 & -5.00 & rbf & 0.99 & 0.00 & 20 \\
+14.79 & 1.28 & 0.68 & 0.05 & 5.50 & -5.00 & rbf & 0.99 & 0.00 & 20 \\
+17.23 & 1.01 & 0.77 & 0.09 & 6.50 & -5.00 & rbf & 0.99 & 0.00 & 20 \\
+13.35 & 1.06 & 0.23 & 0.05 & 4.50 & -7.00 & rbf & 0.99 & 0.00 & 26 \\
+15.12 & 1.35 & 0.26 & 0.05 & 5.00 & -7.00 & rbf & 0.99 & 0.00 & 27 \\
+13.77 & 0.96 & 0.40 & 0.07 & 5.00 & -6.00 & rbf & 0.99 & 0.00 & 27 \\
+13.31 & 0.72 & 0.31 & 0.05 & 4.50 & -6.50 & rbf & 0.99 & 0.00 & 29 \\
+14.02 & 0.96 & 0.28 & 0.04 & 3.50 & -7.00 & rbf & 0.99 & 0.00 & 29 \\
+13.48 & 1.41 & 0.39 & 0.10 & 5.00 & -6.50 & rbf & 0.99 & 0.00 & 29 \\
+15.94 & 3.48 & 0.36 & 0.12 & 3.00 & -6.50 & rbf & 0.99 & 0.00 & 29 \\
+14.91 & 0.68 & 0.38 & 0.03 & 3.50 & -6.50 & rbf & 0.99 & 0.00 & 33 \\
+19.28 & 3.10 & 0.30 & 0.07 & 3.00 & -7.00 & rbf & 0.99 & 0.00 & 34 \\
+13.49 & 0.87 & 0.23 & 0.06 & 4.00 & -7.00 & rbf & 0.99 & 0.00 & 35 \\
+13.84 & 0.70 & 0.48 & 0.05 & 5.00 & -5.50 & rbf & 0.99 & 0.00 & 36 \\
+16.10 & 0.82 & 0.50 & 0.13 & 3.50 & -6.00 & rbf & 0.99 & 0.00 & 37 \\
+14.78 & 1.20 & 0.61 & 0.06 & 5.50 & -5.50 & rbf & 0.99 & 0.00 & 38 \\
+16.82 & 2.34 & 0.52 & 0.12 & 6.00 & -5.50 & rbf & 0.99 & 0.00 & 38 \\
+14.90 & 1.36 & 0.46 & 0.06 & 6.50 & -5.50 & rbf & 0.99 & 0.00 & 38 \\
+12.47 & 0.28 & 0.41 & 0.03 & 7.00 & -5.50 & rbf & 0.99 & 0.00 & 38 \\
+14.96 & 0.84 & 0.25 & 0.02 & 6.00 & -7.00 & rbf & 0.99 & 0.00 & 42 \\
+13.57 & 1.58 & 0.38 & 0.11 & 4.50 & -6.00 & rbf & 0.99 & 0.00 & 43 \\
+17.85 & 1.20 & 0.26 & 0.04 & 5.50 & -7.00 & rbf & 0.99 & 0.00 & 44 \\
+17.20 & 0.40 & 0.41 & 0.05 & 5.50 & -6.50 & rbf & 0.99 & 0.00 & 45 \\
+18.66 & 1.06 & 0.58 & 0.06 & 6.00 & -6.00 & rbf & 0.99 & 0.00 & 46 \\
+16.02 & 0.88 & 0.39 & 0.12 & 6.00 & -6.50 & rbf & 0.99 & 0.00 & 47 \\
+14.46 & 1.11 & 0.24 & 0.05 & 6.50 & -7.00 & rbf & 0.99 & 0.00 & 48 \\
+13.45 & 1.56 & 0.39 & 0.05 & 6.50 & -6.50 & rbf & 0.99 & 0.00 & 49 \\
+13.74 & 1.04 & 0.21 & 0.03 & 7.00 & -7.00 & rbf & 0.99 & 0.00 & 50 \\
+15.99 & 1.92 & 1.70 & 0.27 & 3.50 & -4.00 & rbf & 0.99 & 0.00 & 51 \\
+15.82 & 1.46 & 1.69 & 0.19 & 5.50 & -4.00 & rbf & 0.99 & 0.00 & 51 \\
+14.77 & 0.73 & 1.63 & 0.17 & 5.00 & -4.00 & rbf & 0.99 & 0.00 & 51 \\
+16.90 & 0.93 & 1.99 & 0.20 & 4.50 & -4.00 & rbf & 0.99 & 0.00 & 51 \\
+17.19 & 1.39 & 1.73 & 0.16 & 6.50 & -4.00 & rbf & 0.99 & 0.00 & 51 \\
+18.28 & 1.01 & 2.04 & 0.42 & 7.00 & -4.00 & rbf & 0.99 & 0.00 & 51 \\
+14.20 & 1.10 & 1.50 & 0.10 & 6.00 & -4.00 & rbf & 0.99 & 0.00 & 51 \\
+16.36 & 2.05 & 1.91 & 0.40 & 3.00 & -4.00 & rbf & 0.99 & 0.00 & 51 \\
+16.89 & 0.94 & 1.79 & 0.41 & 4.00 & -4.00 & rbf & 0.99 & 0.00 & 51 \\
+12.72 & 0.90 & 0.31 & 0.07 & 7.00 & -6.50 & rbf & 0.99 & 0.00 & 60 \\
+15.35 & 2.01 & 0.43 & 0.07 & 5.50 & -6.00 & rbf & 0.99 & 0.00 & 61 \\
+14.36 & 0.67 & 0.41 & 0.05 & 6.50 & -6.00 & rbf & 0.99 & 0.00 & 62 \\
+13.48 & 0.75 & 0.36 & 0.06 & 7.00 & -6.00 & rbf & 0.99 & 0.00 & 63 \\
+15.55 & 0.98 & 2.57 & 0.25 & 6.00 & -3.50 & rbf & 0.99 & 0.00 & 64 \\
+16.90 & 2.86 & 3.15 & 0.54 & 3.50 & -3.50 & rbf & 0.99 & 0.00 & 64 \\
+20.47 & 0.65 & 3.69 & 0.67 & 4.50 & -3.50 & rbf & 0.99 & 0.00 & 64 \\
+17.26 & 2.11 & 3.20 & 0.25 & 4.00 & -3.50 & rbf & 0.99 & 0.00 & 64 \\
+16.86 & 1.06 & 2.80 & 0.35 & 3.00 & -3.50 & rbf & 0.99 & 0.00 & 64 \\
+16.37 & 0.57 & 2.73 & 0.23 & 5.50 & -3.50 & rbf & 0.99 & 0.00 & 64 \\
+15.84 & 1.13 & 2.65 & 0.22 & 6.50 & -3.50 & rbf & 0.99 & 0.00 & 64 \\
+18.78 & 1.67 & 2.97 & 0.92 & 7.00 & -3.50 & rbf & 0.99 & 0.00 & 64 \\
+16.36 & 0.32 & 3.23 & 0.69 & 5.00 & -3.50 & rbf & 0.99 & 0.00 & 64 \\
+17.62 & 0.96 & 3.91 & 0.46 & 6.00 & -3.00 & rbf & 0.98 & 0.00 & 73 \\
+18.16 & 0.90 & 4.26 & 0.21 & 5.50 & -3.00 & rbf & 0.98 & 0.00 & 73 \\
+21.16 & 1.28 & 4.15 & 0.45 & 4.50 & -3.00 & rbf & 0.98 & 0.00 & 73 \\
+20.53 & 2.31 & 4.70 & 0.50 & 5.00 & -3.00 & rbf & 0.98 & 0.00 & 73 \\
+19.49 & 0.88 & 3.72 & 0.96 & 3.50 & -3.00 & rbf & 0.98 & 0.00 & 73 \\
+18.95 & 0.97 & 4.17 & 0.30 & 3.00 & -3.00 & rbf & 0.98 & 0.00 & 73 \\
+19.88 & 1.32 & 3.57 & 0.35 & 4.00 & -3.00 & rbf & 0.98 & 0.00 & 73 \\
+17.70 & 1.30 & 3.50 & 0.29 & 6.50 & -3.00 & rbf & 0.98 & 0.00 & 73 \\
+17.71 & 2.48 & 2.51 & 0.12 & 7.00 & -3.00 & rbf & 0.98 & 0.00 & 73 \\
+\end{longtable}
+\end{rlandscape}

latex/appendix/important/abdeljaber2017.tex

@@ -1,41 +1,18 @@
-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}
+% No.  
+\thecustomcounter
+& % Judul
+Real-Time Vibration-Based Structural Damage Detection Using One-Dimensional Convolutional Neural Networks
+&
+O. Abdeljaber, et al (2017)
+& % Konteks paper
+\begin{enumerate}
+    \item Data percepatan dari 30 sensor akselerometer
+    \item Menghasilkan 30 model CNN terpisah
+    \item Deteksi kerusakan struktur grid menggunakan 1D-CNN dengan raw data
+\end{enumerate}
+& % Gap research
+\begin{enumerate}
+    \item Data percepatan hanya dari 5 sensor ujung-ujung
+    \item 2 model SVM untuk deteksi multi-lokasi
+    \item SVM + STFT dengan PCA untuk pendekatan ringan dan cepat
+\end{enumerate}

latex/appendix/important/diao2023.tex

@@ -0,0 +1,18 @@
+% No.  
+\thecustomcounter
+& % Judul
+Structural Damage Identification Based on Variational Mode Decomposition–Hilbert Transform and CNN
+&
+Y. Diao, et al (2023)
+& % Konteks paper
+\begin{enumerate}
+    \item Deteksi kerusakan menggunakan kombinasi VMD dan Hilbert Transform
+    \item Fitur hasil ekstraksi digunakan untuk CNN
+    \item Tujuan: efisiensi tinggi dan akurasi deteksi kerusakan
+\end{enumerate}
+& % Gap research
+\begin{enumerate}
+    \item Gunakan STFT sebagai alternatif VMD-HT
+    \item Fokus pada sensor terbatas dan model ringan
+    \item Kombinasi PCA dan SVM untuk efisiensi training
+\end{enumerate}

latex/appendix/important/eraliev2022.tex

@@ -0,0 +1,18 @@
+% No.  
+\thecustomcounter
+& % Judul
+Vibration-Based Loosening Detection of a Multi-Bolt Structure Using Machine Learning Algorithms
+&
+O. Eraliev, et al (2022)
+& % Konteks paper
+\begin{enumerate}
+    \item Deteksi kelonggaran baut pada motor multi-baut
+    \item Data getaran pada berbagai kondisi operasi (800–1200 rpm)
+    \item Ekstraksi fitur menggunakan STFT
+\end{enumerate}
+& % Gap research
+\begin{enumerate}
+    \item Deteksi kerusakan pada struktur grid, bukan motor
+    \item Dataset dengan skenario multi-lokasi (joint)
+    \item Optimasi STFT dan reduksi dimensi PCA untuk efisiensi komputasi
+\end{enumerate}

latex/appendix/important/gui2017.tex

@@ -0,0 +1,18 @@
+% No.  
+\thecustomcounter
+& % Judul
+Data-Driven Support Vector Machine with Optimization Techniques for Structural Health Monitoring and Damage Detection
+&
+G. Gui, et al (2017)
+& % Konteks paper
+\begin{enumerate}
+    \item Deteksi kerusakan struktur sipil berskala besar
+    \item Optimasi SVM menggunakan \textit{grid-search}, PSO, dan GA
+    \item Fitur diperoleh dari model autoregresif (AR)
+\end{enumerate}
+& % Gap research
+\begin{enumerate}
+    \item Optimasi multi-objektif akurasi vs efisiensi komputasi
+    \item Fitur berbasis domain waktu-frekuensi (STFT + PCA)
+    \item SVM-RBF dengan parameter dioptimasi melalui grid-search halus
+\end{enumerate}

latex/appendix/important/jang2023.tex

@@ -0,0 +1,18 @@
+% No.  
+\thecustomcounter
+& % Judul
+Vibration Data Feature Extraction and Deep Learning-Based Preprocessing Method for Highly Accurate Motor Fault Diagnosis
+&
+J. G. Jang, et al (2023)
+& % Konteks paper
+\begin{enumerate}
+    \item Diagnosis kegagalan motor listrik berbasis getaran
+    \item Preprocessing menggunakan \textit{denoising autoencoder}
+    \item Klasifikasi dengan \textit{one-class SVM}
+\end{enumerate}
+& % Gap research
+\begin{enumerate}
+    \item Fokus pada sistem SHM struktural, bukan mesin berputar
+    \item Menggunakan PCA sebagai denoising
+    \item Klasifikasi multi-class SVM dalam kondisi sensor terbatas
+\end{enumerate}

latex/appendix/important/jhpark2015.tex

@@ -0,0 +1,18 @@
+        % No.  
+        \thecustomcounter
+        & % Judul
+        Image-based Bolt-loosening Detection Technique of Bolt Joint in Steel Bridges %2
+        &
+        J. H. Park, et al (2015)
+        & % Konteks paper
+        \begin{enumerate} %7
+            \item Deteksi rotasi baut-baut yang longgar pada joint jembatan baja
+            \item Data citra digital (\textit{computer vision})
+            \item Ekstraksi fitur dengan Hough transform
+        \end{enumerate}
+        & % Gap research yang akan dilakukan berdasarkan konteks tujuan dan kesimpulan penelitian yang di "mention" di atas
+        \begin{enumerate}
+            \item Inspeksi anomali/kerusakan joint % <- mentioning: Deteksi rotasi baut yang longgar pada jembatan baja
+            \item Data \textit{vibration-based} % <- mentioning: citra digital
+            \item Ekstraksi fitur dengan STFT % <- mentioning: Ekstraksi fitur dengan Hough transform
+        \end{enumerate}

latex/appendix/important/katam2025.tex

@@ -0,0 +1,18 @@
+% No.  
+\thecustomcounter
+& % Judul
+Machine Learning-Driven Structural Health Monitoring: STFT-based Feature Extraction for Damage Detection
+&
+R. Katam, et al (2025)
+& % Konteks paper
+\begin{enumerate}
+    \item Deteksi kerusakan pada balok kantilever skala kecil
+    \item Data getaran dianalisis dengan FFT dan STFT
+    \item Reduksi dimensi menggunakan \textit{autoencoder}, klasifikasi SVM
+\end{enumerate}
+& % Gap research
+\begin{enumerate}
+    \item Aplikasi pada struktur grid dengan banyak sambungan
+    \item Reduksi dimensi menggunakan PCA, bukan \textit{autoencoder}
+    \item Evaluasi efisiensi STFT + SVM untuk sensor terbatas
+\end{enumerate}

latex/appendix/important/liu2022.tex

@@ -0,0 +1,18 @@
+% No.  
+\thecustomcounter
+& % Judul
+Hardware Acceleration for 1D-CNN Based Real-Time Edge Computing
+&
+X. Liu, et al (2022)
+& % Konteks paper
+\begin{enumerate}
+    \item Akselerasi perangkat keras untuk CNN 1D di sistem \textit{edge computing}
+    \item Fokus pada pemrosesan data getaran real-time
+    \item Optimasi performa model melalui paralelisasi
+\end{enumerate}
+& % Gap research
+\begin{enumerate}
+    \item Pengurangan kebutuhan komputasi melalui metode klasik
+    \item Fokus pada optimasi perangkat lunak (SVM-RBF + PCA)
+    \item Desain sistem efisien tanpa akselerator khusus
+\end{enumerate}

latex/appendix/important/pham2020.tex

@@ -0,0 +1,18 @@
+% No.  
+\thecustomcounter
+& % Judul
+Bolt-Loosening Monitoring Framework Using an Image-Based Deep Learning and Graphical Model
+&
+H. C. Pham, et al (2020)
+& % Konteks paper
+\begin{enumerate}
+    \item Deteksi kelonggaran baut menggunakan model grafis dan citra sintetis
+    \item Pelatihan model \textit{deep learning} dengan data sintetik
+    \item Aplikasi pada jembatan baja berskala penuh
+\end{enumerate}
+& % Gap research
+\begin{enumerate}
+    \item Penggunaan sinyal getaran untuk pengujian realistik
+    \item Fokus pada deteksi multi-lokasi menggunakan data fisik
+    \item Model efisien tanpa kebutuhan data citra besar
+\end{enumerate}

latex/appendix/important/shahid2022.tex

@@ -0,0 +1,18 @@
+% No.  
+\thecustomcounter
+& % Judul
+Performance Comparison of 1D and 2D Convolutional Neural Networks for Real-Time Classification of Time Series Sensor Data
+&
+S. M. Shahid, et al (2022)
+& % Konteks paper
+\begin{enumerate}
+    \item Perbandingan arsitektur 1D dan 2D CNN untuk klasifikasi data sensor
+    \item Fokus pada kecepatan inferensi dan akurasi real-time
+    \item Data getaran multi-kanal sebagai input
+\end{enumerate}
+& % Gap research
+\begin{enumerate}
+    \item Substitusi CNN dengan SVM untuk efisiensi komputasi
+    \item Integrasi STFT sebagai fitur domain waktu–frekuensi
+    \item Evaluasi trade-off akurasi vs waktu latih
+\end{enumerate}

latex/appendix/important/van2020.tex

@@ -1,68 +1,18 @@
-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}
-
+% No.  
+\thecustomcounter
+& % Judul
+Statistical Feature Extraction in Machine Fault Detection Using Vibration Signal
 &
+B. Van, et al (2020)
+& % Konteks paper
 \begin{enumerate}
-    \item Lorem
-    \item Ipsum
+    \item Deteksi kerusakan \textit{gearbox} menggunakan sinyal getaran
+    \item Ekstraksi fitur statistik dari hasil FFT
+    \item Klasifikasi menggunakan ANN, LR, dan SVM
+\end{enumerate}
+& % Gap research
+\begin{enumerate}
+    \item Fokus pada struktur sipil dengan sambungan multi-joint
+    \item Gunakan STFT untuk representasi waktu–frekuensi
+    \item Evaluasi SVM-RBF dengan optimasi hyperparameter
 \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/important/wang2013.tex

@@ -0,0 +1,18 @@
+% No.  
+\thecustomcounter
+& % Judul
+Review of Bolted Connection Monitoring
+&
+T. Wang, et al (2013)
+& % Konteks paper
+\begin{enumerate}
+    \item Tinjauan metode pemantauan sambungan baut
+    \item Teknik akustoelastik dan piezoelektrik untuk mendeteksi kelonggaran
+    \item Fokus pada metode non-destruktif berbasis sensor aktif
+\end{enumerate}
+& % Gap research
+\begin{enumerate}
+    \item Perluasan ke deteksi anomali berbasis getaran
+    \item Penggunaan sensor pasif untuk efisiensi sistem
+    \item Implementasi pembelajaran mesin untuk klasifikasi kerusakan
+\end{enumerate}

latex/appendix/important/yang2020.tex

@@ -0,0 +1,18 @@
+% No.  
+\thecustomcounter
+& % Judul
+Data-Driven Feature Extraction for Analog Circuit Fault Diagnosis Using 1-D CNN
+&
+H. Yang, et al (2020)
+& % Konteks paper
+\begin{enumerate}
+    \item Ekstraksi fitur otomatis menggunakan CNN 1D
+    \item Data sinyal dari sirkuit analog untuk diagnosis kerusakan
+    \item Model berbasis \textit{data-driven feature learning}
+\end{enumerate}
+& % Gap research
+\begin{enumerate}
+    \item Gunakan fitur terinterpretable (STFT) untuk deteksi kerusakan struktural
+    \item Pendekatan berbasis \textit{feature engineering}, bukan \textit{feature learning}
+    \item Optimasi model klasik (SVM) untuk efisiensi dan akurasi tinggi
+\end{enumerate}

latex/appendix/important/zhang2020.tex

@@ -0,0 +1,18 @@
+% No.  
+\thecustomcounter
+& % Judul
+Autonomous Bolt Loosening Detection Using Deep Learning
+&
+Y. Zhang, et al (2020)
+& % Konteks paper
+\begin{enumerate}
+    \item Deteksi kelonggaran baut menggunakan citra dan \textit{Faster R-CNN}
+    \item Dataset gambar dengan dua kondisi (kencang vs longgar)
+    \item Validasi deteksi real-time berbasis kamera
+\end{enumerate}
+& % Gap research
+\begin{enumerate}
+    \item Pendekatan berbasis sinyal getaran, bukan citra
+    \item Deteksi multi-lokasi pada struktur kompleks
+    \item Integrasi STFT + PCA + SVM untuk efisiensi komputasi
+\end{enumerate}

latex/appendix/important/zhao2019.tex

@@ -0,0 +1,18 @@
+% No.  
+\thecustomcounter
+& % Judul
+Bolt Loosening Angle Detection Technology Using Deep Learning
+&
+X. Zhao, et al (2019)
+& % Konteks paper
+\begin{enumerate}
+    \item Deteksi sudut rotasi kepala baut menggunakan \textit{deep learning}
+    \item Sistem berbasis \textit{convolutional neural network} (CNN)
+    \item Mengandalkan data visual dari orientasi baut
+\end{enumerate}
+& % Gap research
+\begin{enumerate}
+    \item Beralih ke data getaran untuk menghindari keterbatasan visual
+    \item Deteksi kelonggaran multi-sambungan dengan sinyal percepatan
+    \item Penggunaan fitur waktu–frekuensi (STFT) untuk klasifikasi SVM
+\end{enumerate}

latex/appendix/summary_related_paper.tex

@@ -1,54 +1,18 @@
-\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}
+\begin{rlandscape}
+\begin{customcounterenv}
     % 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}a{0.2\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
+            >{\raggedright\arraybackslash}p{0.1\linewidth}    %7
+            >{\raggedright\arraybackslash}a{0.275\linewidth}    %8
+            >{\raggedright\arraybackslash}p{0.275\linewidth}    %9
             }  
 
             \caption{Tinjauan pustaka, topik: pemanfaatan data getaran untuk monitor kesehatan struktur jembatan}
@@ -60,20 +24,12 @@
           No.  %1
           & 
           Judul %2
-          % &
-          % Nama Penulis  %3
-          % &
-          % Nama Jurnal   %4
-          % &
-          % Sumber    %5
-          % &
-          % Tahun %6
           &
-          Tujuan Penelitian %7
+          Penulis
           &
-          Kesimpulan    %8
+          Konteks Penelitian %7
           &
-          Gap Research %9
+          Konteks Penelitian yang akan dilakukan %8
             
             \\\midrule
         \endfirsthead
@@ -82,399 +38,69 @@
           No.  %1
           & 
           Judul %2
-          % &
-          % Nama Penulis  %3
-          % &
-          % Nama Jurnal   %4
-          % &
-          % Sumber    %5
-          % &
-          % Tahun %6
           &
-          Tujuan Penelitian %7
+          Penulis
           &
-          Kesimpulan    %8
+          Konteks Penelitian %7
+          &
+          Konteks Penelitian yang akan dilakukan    %8
             
             \\\midrule
         \endhead
         \midrule
-        \multicolumn{4}{r}{\textit{berlanjut di halaman berikutnya}}
+        \multicolumn{5}{r}{\textit{berlanjut di halaman berikutnya}}
         \endfoot
         \bottomrule
         \bottomrule
         \endlastfoot
-            
+        % %-------------page break----------------
+        \input{appendix/important/jhpark2015.tex}
+        \\
         %-----1
-        \input{important/van2020}
+        \input{appendix/important/van2020}
         \\
         %-----2
-        \input{important/abdeljaber2017}
+        \input{appendix/important/abdeljaber2017}
         \\
-        %------3
+        %-----3
+        \input{appendix/important/diao2023.tex}
         \\
-            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
+        \input{appendix/important/eraliev2022.tex}
         \\
-            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
+        \input{appendix/important/gui2017.tex}
         \\
-            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
+        \input{appendix/important/jang2023.tex}
         \\
-            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}
+        %-----7
+        \input{appendix/important/katam2025.tex}
+        \\
+        %-----8
+        \input{appendix/important/liu2022.tex}
+        \\
+        %-----9
+        \input{appendix/important/pham2020.tex}
+        \\
+        %-----10
+        \input{appendix/important/shahid2022.tex}
+        \\
+        %-----11
+        \input{appendix/important/wang2013.tex}
+        \\
+        %-----12
+        \input{appendix/important/yang2020.tex}
+        \\
+        %-----13
+        \input{appendix/important/zhang2020.tex}
+        \\
+        %-----14
+        \input{appendix/important/zhao2019.tex}
         \end{longtable}
+    \end{customcounterenv}
     % \end{table}
-\end{landscape}
-\clearpage
-\pagenumbering{roman}
-\setcounter{page}{2}
-\thispagestyle{empty}
-\printbibliography
-
-\clearpage
-\begin{titlepage}
-    \
-    \vfill
-	\centering\noindent \Huge{LAMPIRAN}
-    \vfill
-    \
-\end{titlepage}
+\end{rlandscape}
 
 
 %     \clearpage
@@ -506,4 +132,3 @@
 %   \centering
 %   \frame{\includegraphics[page=1,scale=.7]{assets/1-s2.0-S2590198222000379-main.pdf}}
 %   \captionof{figure}{Halaman pertama jurnal kelima}
-\end{document}

latex/bibliography.bib

@@ -14,6 +14,24 @@
   file = {C:\Users\damar\Zotero\storage\5WG6DL7B\Abdeljaber et al. - 2017 - Real-time vibration-based structural damage detect.pdf}
 }
 
+@article{gui2017,
+  title = {Data-Driven Support Vector Machine with Optimization Techniques for Structural Health Monitoring and Damage Detection},
+  author = {Gui, Guoqing and Pan, Hong and Lin, Zhibin and Li, Yonghua and Yuan, Zhijun},
+  date = {2017-02-01},
+  journaltitle = {KSCE Journal of Civil Engineering},
+  shortjournal = {KSCE Journal of Civil Engineering},
+  volume = {21},
+  number = {2},
+  pages = {523--534},
+  issn = {1226-7988},
+  doi = {10.1007/s12205-017-1518-5},
+  url = {https://www.sciencedirect.com/science/article/pii/S1226798824047913},
+  urldate = {2025-09-29},
+  abstract = {Rapid detecting damages/defeats in the large-scale civil engineering structures, assessing their conditions and timely decision making are crucial to ensure their health and ultimately enhance the level of public safety. Advanced sensor network techniques recently allow collecting large amounts of data for structural health monitoring and damage detection, while how to effectively interpret these complex sensor data to technical information posts many challenges. This paper presents three optimization-algorithm based support vector machines for damage detection. The optimization algorithms, including grid-search, partial swarm optimization and genetic algorithm, are used to optimize the penalty parameters and Gaussian kernel function parameters. Two types of feature extraction methods in terms of time-series data are selected to capture effective damage characteristics. A benchmark experimental data with the 17 different scenarios in the literature were used for verifying the proposed data-driven methods. Numerical results revealed that all three optimized machine learning methods exhibited significantly improvement in sensitivity, accuracy and effectiveness over conventional methods. The genetic algorithm based SVM had a better prediction than other methods. Two different feature methods used in this study also demonstrated the appropriate features are crucial to improve the sensitivity in detecting damage and assessing structural health conditions. The findings of this study are expected to help engineers to process big data and effectively detect the damage/defects, and thus enable them to make timely decision for supporting civil infrastructure management practices.},
+  keywords = {data-driven modeling,optimization,structural health monitoring and damage detection,support vector machine learning},
+  file = {C\:\\Users\\damar\\Zotero\\storage\\V8PP7XRS\\Gui et al. - 2017 - Data-driven support vector machine with optimizati.pdf;C\:\\Users\\damar\\Zotero\\storage\\KMM2Q6NT\\S1226798824047913.html}
+}
+
 @book{geron2019,
   title = {Hands-on Machine Learning with {{Scikit-Learn}}, {{Keras}}, and {{TensorFlow}}: Concepts, Tools, and Techniques to Build Intelligent Systems},
   shorttitle = {Hands-on Machine Learning with {{Scikit-Learn}}, {{Keras}}, and {{TensorFlow}}},
@@ -172,6 +190,41 @@
   file = {C\:\\Users\\damar\\Zotero\\storage\\59EASW6K\\Avci et al. - 2021 - A review of vibration-based damage detection in ci.pdf;C\:\\Users\\damar\\Zotero\\storage\\GQZUKPQN\\10.1016@j.ymssp.2020.107077.pdf.pdf}
 }
 
+@inproceedings{van2020,
+  title = {Statistical {{Feature Extraction}} in {{Machine Fault Detection}} Using {{Vibration Signal}}},
+  booktitle = {2020 {{International Conference}} on {{Information}} and {{Communication Technology Convergence}} ({{ICTC}})},
+  author = {Van, Bui and Van Hoa, Nguyen and Nguyen, Huy and Jang, Yeong Min},
+  date = {2020-10},
+  pages = {666--669},
+  issn = {2162-1233},
+  doi = {10.1109/ICTC49870.2020.9289285},
+  url = {https://ieeexplore.ieee.org/document/9289285/figures#figures},
+  urldate = {2024-08-26},
+  abstract = {Gearbox faults are one of the most common types in the industrial factory environment. Early detection of these faults allows fast replacement rather than a costly emergency. Nowadays, early machine fault detection application is improving due to the improvement of the IoT network and real-time analysis. The vibration signal is collected from Spectra Quest's Gearbox Prognostics Simulator and analyzed for fault classification. The preprocessing includes fast Fourier transform and statistical feature extraction. The AI algorithms are Artificial Neural Network, Logistic Regression, and Support Vector Machine. The highest accuracy reached is 100\%.},
+  eventtitle = {2020 {{International Conference}} on {{Information}} and {{Communication Technology Convergence}} ({{ICTC}})},
+  keywords = {ANN,Fault detection,Feature extraction,LR,Machine Learning,Manufacturing,Production facilities,Real-time systems,Support vector machines,SVM,Vibration Signal,Vibrations},
+  file = {C\:\\Users\\damar\\Zotero\\storage\\TW69QG8K\\van2020.pdf.pdf;C\:\\Users\\damar\\Zotero\\storage\\AZM769D7\\figures.html}
+}
+
+@article{katam2025,
+  title = {Machine Learning-Driven Structural Health Monitoring: {{STFT-based}} Feature Extraction for Damage Detection},
+  shorttitle = {Machine Learning-Driven Structural Health Monitoring},
+  author = {Katam, Rakesh and Pasupuleti, Venkata Dilip Kumar and Kalapatapu, Prafulla},
+  date = {2025-08},
+  journaltitle = {Structures},
+  shortjournal = {Structures},
+  volume = {78},
+  pages = {109244},
+  issn = {23520124},
+  doi = {10.1016/j.istruc.2025.109244},
+  url = {https://linkinghub.elsevier.com/retrieve/pii/S2352012425010586},
+  urldate = {2025-06-05},
+  abstract = {Structural health monitoring (SHM) is essential for ensuring the safety and durability of engineering structures by enabling early identification of damage. This research presents a novel approach that integrates experimental testing, signal processing, and machine learning to enhance damage detection in cantilever beams, mainly when working with limited datasets. Vibration-based time-series data (VBTSD) are gathered from damaged and un­ damaged beams, utilizing fast fourier transform (FFT) and short-time fourier transform (STFT) for frequencydomain analysis. While FFT delivers a comprehensive spectral overview, STFT provides a focused timefrequency analysis, effectively capturing transient structural changes that are critical for early damage detec­ tion. To manage the high-dimensional STFT feature space, an autoencoder is utilized to extract compressed yet informative representations while preserving essential frequency-magnitude variations. The resulting encoded features are then used to train a support vector machine (SVM) classifier, achieving an impressive 98 \% accuracy in predicting the presence of structural damage. The proposed framework is designed to function effectively even with limited data availability, ensuring robustness in real-world SHM applications where data collection is often restricted. The high-resolution frequency selectivity offered by STFT surpasses traditional methods such as wavelet transforms and standalone FFT, making it exceptionally suitable for real-time damage detection. This research highlights the combination of vibration-based feature extraction and machine learning, resulting in a scalable, data-efficient, and computationally feasible approach for SHM. The results aid in the progression of automated damage classification, presenting a practical and dependable resource to improve structural resilience and safety within civil engineering applications.},
+  langid = {english},
+  file = {C:\Users\damar\Zotero\storage\U2WHH4SL\Katam et al. - 2025 - Machine learning-driven structural health monitori.pdf}
+}
+
+
 @inproceedings{bulut2005,
   title = {Real-Time Nondestructive Structural Health Monitoring Using Support Vector Machines and Wavelets},
   author = {Bulut, Ahmet and Singh, Ambuj K. and Shin, Peter and Fountain, Tony and Jasso, Hector and Yan, Linjun and Elgamal, Ahmed},
@@ -774,22 +827,20 @@
   file = {C\:\\Users\\damar\\Zotero\\storage\\6XITVIKY\\toh2020.pdf.pdf;C\:\\Users\\damar\\Zotero\\storage\\9L9KXB7V\\Toh and Park - 2020 - Review of Vibration-Based Structural Health Monito.pdf}
 }
 
-@inproceedings{van2020,
-  title = {Statistical {{Feature Extraction}} in {{Machine Fault Detection}} Using {{Vibration Signal}}},
-  booktitle = {2020 {{International Conference}} on {{Information}} and {{Communication Technology Convergence}} ({{ICTC}})},
-  author = {Van, Bui and Van Hoa, Nguyen and Nguyen, Huy and Jang, Yeong Min},
-  date = {2020-10},
-  pages = {666--669},
-  issn = {2162-1233},
-  doi = {10.1109/ICTC49870.2020.9289285},
-  url = {https://ieeexplore.ieee.org/document/9289285/figures#figures},
-  urldate = {2024-08-26},
-  abstract = {Gearbox faults are one of the most common types in the industrial factory environment. Early detection of these faults allows fast replacement rather than a costly emergency. Nowadays, early machine fault detection application is improving due to the improvement of the IoT network and real-time analysis. The vibration signal is collected from Spectra Quest's Gearbox Prognostics Simulator and analyzed for fault classification. The preprocessing includes fast Fourier transform and statistical feature extraction. The AI algorithms are Artificial Neural Network, Logistic Regression, and Support Vector Machine. The highest accuracy reached is 100\%.},
-  eventtitle = {2020 {{International Conference}} on {{Information}} and {{Communication Technology Convergence}} ({{ICTC}})},
-  keywords = {ANN,Fault detection,Feature extraction,LR,Machine Learning,Manufacturing,Production facilities,Real-time systems,Support vector machines,SVM,Vibration Signal,Vibrations},
-  file = {C\:\\Users\\damar\\Zotero\\storage\\TW69QG8K\\van2020.pdf.pdf;C\:\\Users\\damar\\Zotero\\storage\\AZM769D7\\figures.html}
+@book{oppenheim2010,
+  title = {Discrete-Time Signal Processing},
+  editor = {Oppenheim, Alan V. and Schafer, Ronald W.},
+  date = {2010},
+  series = {Prentice {{Hall}} Signal Processing Series},
+  edition = {3. ed},
+  publisher = {Pearson},
+  location = {Upper Saddle River Munich},
+  isbn = {978-0-13-198842-2},
+  langid = {english},
+  pagetotal = {1108}
 }
 
+
 @article{vos2022,
   title = {Vibration-Based Anomaly Detection Using {{LSTM}}/{{SVM}} Approaches},
   author = {Vos, Kilian and Peng, Zhongxiao and Jenkins, Christopher and Shahriar, Md Rifat and Borghesani, Pietro and Wang, Wenyi},

latex/chapters/02_literature_review.tex

@@ -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}

latex/chapters/03_methodology.tex

@@ -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{Queen's 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.

latex/chapters/id/01_introduction.tex

@@ -19,70 +19,62 @@ Semakin tinggi tingkat identifikasi kerusakan, semakin besar pula kebutuhan akan
 % Penelitian ini difokuskan pada lima tahapan identifikasi kerusakan, dengan tujuan untuk mengembangkan pendekatan yang lebih komprehensif terhadap diagnosis kerusakan dan peningkatan akurasi pelokasian (Tingkat 2), sekaligus mengoptimalkan strategi penempatan sensor dan perancangan algoritma guna mencapai efisiensi biaya yang lebih tinggi.
 \par Dalam konteks pengembangan sistem \acrshort{shm} yang efektif, perlu memperhatikan elemen struktural yang rentan terhadap kerusakan namun sering kali terabaikan dalam pemantauan konvensional. % <- Transition sentence
 Salah satu komponen struktural yang umum digunakan dalam penyambungan adalah sambungan baut (\textit{bolt joint}), yang dikenal karena kemudahan dalam perakitan dan penggunaannya. Namun, 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. % <- Target
-Pemantauan kondisi sambungan ini tidak hanya relevan dalam konteks deteksi dini (Tingkat 1), tetapi juga sangat penting untuk diagnosis kerusakan dan penentuan lokasi secara akurat (Tingkat 2), seiring dengan meningkatnya kebutuhan akan sistem \acrshort{shm} yang responsif dan adaptif terhadap dinamika kerusakan struktural. % <- closing sentences
+Pemantauan kondisi sambungan ini tidak hanya relevan dalam konteks deteksi dini (Tingkat 1), tetapi juga sangat penting untuk diagnosis kerusakan dan penentuan lokasi secara akurat (Tingkat 2), seiring dengan meningkatnya kebutuhan akan sistem \gls{shm} yang responsif dan adaptif terhadap dinamika kerusakan struktural. % <- closing sentences
 
-\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 Berbagai pendekatan telah dikembangkan untuk mendeteksi kelonggaran baut, mulai dari inspeksi manual hingga teknik otomatis berbasis sensor. Meskipun setiap metode memiliki keunggulan masing-masing, tantangan tetap ada dalam hal efisiensi, akurasi, dan implementasi praktis. Pendekatan berbasis getaran (\textit{vibration-based}) yang menjadi fokus penelitian ini telah terbukti efektif dalam mendeteksi kelonggaran baut pada tahap awal \parencite{nichols2004,razi2013}, dengan menganalisis data akselerasi struktur yang diperoleh dari sensor pada titik-titik strategis dalam sistem grid.
 
-\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 \gls{deep-learning}, terutama dalam kondisi ruang yang sangat 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 baik 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 Penelitian oleh \textcite{abdeljaber2017} merupakan tonggak penting dalam sistem pemantauan kesehatan struktur (SHM), dengan menerapkan 30 model \acrlong{1d-cnn} pada 30 sensor akselerometer dalam struktur grid QUGS. Pendekatan ini menunjukkan bahwa metode pembelajaran mendalam sangat efektif dalam mendeteksi dan melokalisasi kerusakan dengan presisi tinggi. Namun, metode tersebut memerlukan sumber daya komputasi yang besar karena pemrosesan paralel data mentah berdimensi tinggi dari seluruh sensor \parencite{yang2020, liu2022}. 
-
-\indent Menanggapi tantangan ini, studi lanjutan seperti \parencite{shahid2022, doi:10.1007/s13349-023-00715-3} memperkenalkan pendekatan VMD-HT-CNN yang menggabungkan teknik ekstraksi fitur berbasis Variational Mode Decomposition (VMD) dan Hilbert Transform (HT) sebelum klasifikasi CNN. Metode ini secara signifikan meningkatkan efisiensi pelatihan dan akurasi deteksi meskipun dengan jumlah sensor yang lebih sedikit. 
-
-\indent Berdasarkan celah ini, penelitian ini mengadopsi strategi pengurangan jumlah sensor menjadi dua per jalur kolom (atas dan bawah), merepresentasikan sambungan vertikal seperti susunan baut, untuk menyederhanakan model tanpa kehilangan akurasi deteksi kerusakan. Data diubah melalui transformasi STFT sebelum diklasifikasikan menggunakan berbagai model pembelajaran mesin klasik. Dengan evaluasi antar berbagai pengklasifikasi dan validasi silang antar kolom, studi ini berkontribusi pada pengembangan sistem SHM yang efisien, hemat biaya, dan mudah diimplementasikan.
+\indent Meskipun pendekatan \textit{deep learning} menunjukkan hasil yang menjanjikan dalam SHM, tantangan komputasi dan efisiensi implementasi masih menjadi perhatian utama. Penelitian ini mengusulkan pendekatan alternatif yang menekankan keseimbangan antara akurasi deteksi dan efisiensi komputasi melalui penggunaan sensor terbatas dan algoritma pembelajaran mesin klasik yang telah terbukti efektif.
 
+\indent Penelitian ini mengadopsi strategi pengurangan jumlah sensor dengan tetap mempertahankan kemampuan deteksi yang akurat. Data getaran diproses menggunakan transformasi \gls{stft} untuk ekstraksi fitur domain waktu-frekuensi, yang kemudian diklasifikasikan menggunakan \gls{svm} dengan optimasi \textit{hyperparameter} sistematis. Pendekatan ini diharapkan dapat memberikan solusi praktis untuk implementasi SHM yang efisien dan ekonomis.
 
 
 \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 fitur domain waktu-frekuensi yang diekstraksi melalui transformasi \gls{stft} dari sinyal getaran sensor terbatas (hanya sensor-sensor atas dan bawah) masih mampu merepresentasikan karakteristik kerusakan struktur dengan akurasi yang memadai untuk klasifikasi tujuh kelas kondisi struktur (tanpa kerusakan dan enam lokasi kerusakan berbeda)?
 
-    \item Apakah penggabungan data dari beberapa jalur kolom dapat meningkatkan kemampuan generalisasi model, meskipun jumlah sensor pada tiap jalur dibatasi?
+    \item Bagaimana mengoptimalkan parameter model \gls{svm} dengan kernel \gls{rbf} melalui strategi pencarian \textit{grid} dua tahap untuk mencapai keseimbangan optimal antara akurasi klasifikasi dan efisiensi komputasi, khususnya dalam hal kompleksitas model ditinjau dari ukuran model, waktu pelatihan, dan prediksi?
 
-    \item Apakah algoritma pemelajaran mesin 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?
+    \item Apakah pendekatan reduksi dimensi menggunakan \gls{pca} dapat mempertahankan informasi diskriminatif yang cukup dari fitur \gls{stft} berdimensi tinggi untuk mendukung klasifikasi kerusakan secara akurat dengan model yang lebih efisien?
+
+    \item Seberapa efektif model yang dilatih pada satu dataset dapat digeneralisasi untuk mendeteksi kerusakan pada data uji independen?
 \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.
+Studi ini berfokus pada dataset yang tersedia secara publik didapat dari Qatar University Grandstand Simulator (QUGS), sebuah kerangka besi level laboratorium yang dipasang dengan tiga puluh titik sensor akselerometer dan \textit{white shaker noise}. Dataset yang dipublikasi terdiri dari 31 kondisi struktur: satu kondisi tanpa kerusakan dan 30 kondisi dengan kerusakan tunggal pada masing-masing \textit{joint} yang berbeda, sehingga kerusakan ganda tidak termasuk dalam cakupan penelitian ini.
+
+Parameter STFT yang digunakan tidak dioptimalkan secara menyeluruh, melainkan diadopsi dari studi sebelumnya \parencite{eraliev2022} serta nilai $k$ tetap pada \textit{stratified k-fold} yang diambil berdasarkan \textcite{Kohavi1995ASO}. Selain itu, penelitian ini membatasi penggunaan algoritma pembelajaran mesin pada satu model klasik \gls{svm} dengan kernel RBF tanpa membandingkannya dengan algoritma lain, untuk fokus pada optimasi \textit{hyperparameter} dan efisiensi komputasi berdasarkan waktu latih, waktu prediksi, dan jumlah fitur tanpa menganalisis waktu kompleksitas (\textit{time complexity}) algoritma secara mendalam.
 
 \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 Mengembangkan alur sistem (\textit{pipeline}) pemantauan \gls{shm} yang dilimitasi dengan hanya menggunakan sepasang sensor di ujung-ujung struktur agar mampu mengklasifikasikan tujuh kondisi struktur berbeda dengan akurasi tinggi.
 
-    % \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 Mengimplementasikan dan mengoptimalkan model \gls{svm} dengan kernel \gls{rbf} melalui strategi pencarian \textit{grid} dua tahap (\textit{coarse} dan \textit{fine grid-search}) untuk mencapai konfigurasi optimal parameter regularisasi ($C$), parameter kernel ($\gamma$), dan jumlah komponen PCA ($n_{components}$).
 
-    % \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 Mengevaluasi efektivitas transformasi STFT sebagai metode ekstraksi fitur domain waktu-frekuensi untuk menangkap karakteristik getaran yang relevan dengan kondisi kerusakan struktur, serta menganalisis kontribusi reduksi dimensi PCA terhadap efisiensi waktu komputasi model.
 
-    % \item Menyertakan data dari setiap grup kolom ke dalam data pelatihan untuk membentuk satu model umum yang dapat digunakan untuk seluruh grup kolom.
+    \item Menganalisis trade-off antara akurasi model dan efisiensi komputasi melalui metrik efisiensi yang mempertimbangkan waktu pelatihan, serta mengevaluasi kemampuan generalisasi model melalui validasi silang antar-dataset independen.
 
-    \item Mengeksplorasi kemungkinan generalisasi satu model terhadap berbagai jalur kolom hanya dengan memanfaatkan data dari sensor pada kedua ujung kolom.
+    \item Memvalidasi bahwa pendekatan sensor terbatas dengan algoritma pembelajaran mesin klasik dapat mencapai performa klasifikasi yang kompetitif dibandingkan metode yang menggunakan instrumentasi sensor penuh, sehingga memberikan solusi yang lebih praktis dan ekonomis untuk implementasi SHM.
 \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 Efisiensi Instrumentasi: Penelitian ini membuktikan bahwa pengurangan sensor dari 30 menjadi sepuluh sensor (lima sensor atas dan bawah) dapat mempertahankan akurasi klasifikasi di atas 99\%, sehingga memberikan solusi yang lebih ekonomis untuk implementasi SHM skala besar.
     
-    \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 Optimasi Sistematis: Melalui pendekatan optimasi \textit{hyperparameter} dua tahap dan analisis metrik efisiensi, penelitian ini menyediakan metodologi sistematis untuk mencapai keseimbangan optimal antara akurasi model (>99\%) dan efisiensi komputasi (pengurangan waktu pelatihan hingga 75\%).
     
-    \item Studi ini membuktikan bahwa algoritma pembelajaran mesin klasik seperti \gls{svm}, KNN, dan LDA masih mampu memberikan performa model yang kompetitif dalam klasifikasi kerusakan, apabila dipadukan dengan ekstraksi fitur yang tepat.
+    % \item Efektifitas Ekstraksi Fitur: Penelitian ini mendemonstrasikan bahwa transformasi STFT dengan parameter optimized (window Hanning 1024 sampel, hop size 512) mampu mengekstrak fitur domain waktu-frekuensi yang diskriminatif untuk klasifikasi kerusakan struktur tanpa kehilangan informasi signifikan.
     
-    \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 Validasi Generalisasi: Melalui evaluasi silang antar-dataset independen, penelitian ini memvalidasi kemampuan generalisasi model SVM-RBF yang dapat diterapkan pada kondisi struktur yang belum pernah dilihat sebelumnya, dengan tetap mempertahankan akurasi tinggi.
     
-    \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.
+    % \item Baseline Metodologis: Rangkaian eksperimen komprehensif dan analisis performa yang disajikan dapat dijadikan referensi atau \textit{baseline} untuk studi komparatif selanjutnya, khususnya dalam pengembangan sistem SHM dengan pendekatan sensor terbatas dan algoritma klasik yang efisien.
+    
+    \item Kemudahan Implementasi \textit{Pipeline}: Hasil penelitian ini memberikan panduan untuk implementasi sistem SHM yang dinilai \textit{cost-effective}, dengan menyediakan parameter model optimal dan strategi deployment yang telah tervalidasi untuk struktur \textit{grid} skala kecil yang diharapkan dapat diadaptasi untuk aplikasi struktur di lapangan.
+    
+    \item Kontribusi Akademis: Penelitian ini menambah khazanah ilmu pengetahuan dalam bidang teknik sipil khususnya pada \gls{shm} dan \textit{computer science} dengan fokus pada deteksi kerusakan sambungan baut menggunakan pendekatan sensor terbatas dan algoritma \gls{ml} klasik.
 \end{enumerate}

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

@@ -1,26 +1,84 @@
 \chapter{Tinjauan Pustaka dan Landasan Teori}
 \section{Tinjauan Pustaka}
-% \input{chapters/id/02_literature_review/index}
-Metode monitor kesehatan struktur (SHM) tradisional sering kali mengandalkan fitur yang dibuat secara manual dan pengklasifikasi (\textit{classifier}) yang diatur secara manual, yang menimbulkan tantangan dalam hal generalisasi, keandalan, dan efisiensi komputasi. Seperti yang disorot oleh \textcite{abdeljaber2017}, pendekatan-pendekatan ini umumnya memerlukan proses \textit{trial-and-error} dalam pemilihan fitur dan pengklasifikasi yang tidak hanya mengurangi ketangguhan metode tersebut di berbagai jenis struktur, tetapi juga menghambat penerapannya dalam aplikasi \textit{real-time} karena beban komputasi pada fase ekstraksi fitur.
 
-\textcite{abdeljaber2017} memperkenalkan pendekatan deteksi kerusakan struktur berbasis CNN yang divalidasi melalui \textit{large-scale grandstand simulator} di Qatar University. Struktur tersebut dirancang untuk mereplikasi stadion modern, dilengkapi dengan 30 akselerometer, dan dikenai kerusakan terkontrol melalui pelonggaran baut sambungan antara balok dan gelagar. Data percepatan yang dikumpulkan di bawah eksitasi \textit{band-limited white noise} dan disampel pada 1024 Hz, kemudian dibagi menjadi bingkai berukuran 128 sampel untuk melatih 1-D CNN yang dilokalkan—satu untuk setiap sambungan (\textit{joint})—menciptakan sistem deteksi terdesentralisasi. Dalam dua fase (skenario) eksperimen, yang melibatkan pemantauan sebagian dan seluruh struktur, metode ini menunjukkan akurasi tinggi dalam pelokalisasian kerusakan, dengan kesalahan klasifikasi saat pelatihan hanya sebesar 0.54\%. Meskipun performa tetap andal bahkan dalam skenario kerusakan ganda, beberapa salah klasifikasi terjadi pada kasus kerusakan yang simetris atau berdekatan. Secara keseluruhan, metode yang diusulkan ini menawarkan solusi yang sangat efisien dan akurat untuk aplikasi SHM secara \textit{real-time}.
+\subsection{Kerangka Kerja Structural Health Monitoring}
 
-\textcite{eraliev2022} memperkenalkan teknik baru untuk mendeteksi dan mengidentifikasi tahap awal kelonggaran pada sambungan baut ganda menggunakan algoritma pembelajaran mesin. Studi ini difokuskan pada sebuah motor yang dikencangkan dengan empat baut dan dioperasikan dalam tiga kondisi putaran berbeda (800 rpm, 1000 rpm, dan 1200 rpm) guna mengumpulkan data getaran yang cukup untuk dianalisis. Studi ini menyoroti keterbatasan metode inspeksi tradisional, seperti inspeksi visual dan teknik pukulan palu, yang dinilai memakan waktu dan rentan terhadap gangguan kebisingan lingkungan \parencite{j.h.park2015, kong2018}.
+\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.
 
-Untuk meningkatkan akurasi deteksi, \textcite{eraliev2022} menggunakan transformasi Fourier waktu-singkat (STFT) sebagai metode ekstraksi fitur, yang menghasilkan 513 fitur frekuensidari sinyal getaran. Berbagai pengklasifikasi model pemelajaran mesin dilatih dan dievaluasi, dengan hasil menunjukkan performa yang memuaskan dalam mendeteksi baut longgar serta mengidentifikasi baut spesifik yang mulai kehilangan tegangan awal (preload). Studi ini juga menekankan pentingnya penempatan sensor, karena posisi sensor sangat memengaruhi akurasi dari pengklasifikasi yang digunakan \parencite{pham2020}. Temuan penelitian ini menunjukkan bahwa pengklasifikasi pada studi ini dapat digunakan untuk sistem pemantauan baut yang longgar secara daring (\textit{online monitoring}) pada pengaplikasian di masa depan, sehingga berkontribusi dalam pengembangan sistem pemantauan kesehatan struktur yang lebih baik.
+\subsection{Metode Deteksi Kelonggaran Baut}
 
-STFT diidentifikasi sebagai metode peningkatan sinyal yang efektif, bersanding dengan \textit{wavelet transform} dan \textit{fractional fourier transform}. Keunggulan STFT terletak pada kemampuannya dalam menganalisis sinyal non-stasioner secara lokal, yang dapat meningkatkan kualitas fitur dalam mengenali pola, termasuk dalam tugas-tugas klasifikasi berbasis respon getaran struktur \parencite{zhang2023}.
+\subsubsection{Metode Inspeksi Tradisional}
 
-Lebih lanjut, pendekatan yang dikembangkan oleh \textcite{garrido2016} menunjukkan potensi untuk menjembatani efektivitas fitur domain waktu-frekuensi dengan efisiensi pemrosesan model \textit{end-to-end}. Model ini mengintegrasikan proses STFT langsung ke dalam arsitektur jaringan \textit{feedforward}, memungkinkan sistem untuk tetap menggunakan representasi waktu-frekuensi namun tanpa biaya komputasi berat dari transformasi eksplisit di luar jaringan. Dengan demikian, pendekatan ini menawarkan jalan tengah yang menjanjikan antara kompleksitas 1-D CNN berbasis \textit{real-time raw signal} dan keunggulan struktural dari representasi domain frekuensi. Dalam konteks penelitian ini, meskipun transformasi dilakukan secara eksplisit, gagasan ini mendukung hipotesis bahwa representasi STFT dapat menjadi alternatif yang efisien dan kompetitif dibanding pemrosesan sinyal mentah dalam skenario pembelajaran mesin dengan sensor terbatas.
+Deteksi kelonggaran baut telah dilakukan melalui berbagai pendekatan konvensional. Inspeksi visual dan penggunaan alat mekanis seperti kunci torsi dan palu merupakan metode yang paling sederhana dan ekonomis. Meskipun mudah diimplementasikan, metode ini memiliki keterbatasan signifikan dalam mendeteksi kerusakan pada tahap awal dan sangat bergantung pada pengalaman operator \parencite{j.h.park2015}. 
 
+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.
 
-% \indent Metode berbasis getaran merupakan salah satu teknik paling umum dalam sistem pemantauan kesehatan struktur (SHM) karena kemampuannya dalam mendeteksi perubahan kondisi struktur secara non-destruktif. Pendekatan ini bergantung pada prinsip bahwa kerusakan pada suatu struktur, seperti kelonggaran sambungan atau penurunan kekakuan elemen, akan mengubah karakteristik dinamikanya, seperti frekuensi alami, bentuk mode, dan respons getaran terhadap eksitasi tertentu.
+\subsubsection{Pendekatan Berbasis \textit{Computer Vision}}
 
-% \indent Salah satu jenis kerusakan struktural yang umum dijumpai dalam sambungan mekanis adalah baut yang longgar akibat beban dinamis berulang, seperti getaran atau kejutan. Kondisi ini dapat menyebabkan penurunan integritas struktur dan berujung pada kegagalan sistem jika tidak terdeteksi sejak dini. Oleh karena itu, deteksi baut yang longgar secara dini telah menjadi perhatian utama dalam bidang teknik sipil, mesin, maupun dirgantara [1, 11].
+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.
 
-\indent Teknik deteksi berbasis getaran terbukti efektif dalam mengidentifikasi tanda-tanda awal anomali pada sambungan. Hal ini dilakukan dengan menganalisis perubahan spektrum frekuensi atau energi getaran antar kondisi sehat dan rusak. Dalam praktiknya, data getaran biasanya dikumpulkan melalui akselerometer yang dipasang pada titik-titik tertentu dalam struktur. Perubahan karakteristik getaran, seperti penurunan amplitudo, pergeseran frekuensi dominan, atau pola spektral lainnya, menjadi indikator keberadaan dan lokasi kerusakan. Misalnya, studi oleh \textcite{zhao2019, eraliev2022} menunjukkan bahwa perubahan rotasi kepala baut akibat kelonggaran dapat dikaitkan dengan pola getaran tertentu. Sementara itu, pendekatan yang lebih umum dalam domain teknik sipil adalah memanfaatkan sinyal akselerasi dari sambungan kolom atau balok sebagai masukan untuk sistem klasifikasi kerusakan berbasis pembelajaran mesin.
+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.
 
-\indent Kelebihan utama dari pendekatan berbasis getaran dibanding metode visual atau inspeksi manual adalah kemampuannya dalam mendeteksi kerusakan mikro secara lebih dini, bahkan sebelum tampak secara fisik. Namun, tantangan tetap ada, terutama dalam penempatan sensor yang optimal, pemrosesan sinyal, dan interpretasi pola dinamik yang kompleks dalam struktur grid. Oleh karena itu, kombinasi antara teknik transformasi sinyal seperti Short-Time Fourier Transform (STFT) dan algoritma pembelajaran mesin menjadi arah baru yang menjanjikan dalam riset SHM masa kini.
+\subsection{Perkembangan Teknik SHM Berbasis Getaran}
+
+\subsubsection{Pendekatan Deep Learning dalam SHM}
+
+\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 \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 \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{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}.
+
+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}
+
+% \subsubsection{Identifikasi Gap dalam Literatur}
+
+% Berdasarkan tinjauan literatur yang komprehensif, beberapa gap penelitian teridentifikasi dalam bidang SHM:
+
+% \begin{enumerate}
+%     \item \textbf{Trade-off Akurasi vs Efisiensi}: Meskipun pendekatan \textit{deep learning} menunjukkan akurasi tinggi, kebutuhan sumber daya komputasi yang besar membatasi implementasi praktis, terutama untuk sistem \textit{real-time} atau \textit{edge computing}.
+    
+%     \item \textbf{Optimasi Jumlah Sensor}: Sebagian besar penelitian menggunakan instrumentasi penuh atau mengurangi sensor secara acak tanpa strategi sistematis untuk mempertahankan informasi kritis.
+    
+%     \item \textbf{Validasi Generalisasi}: Kurangnya evaluasi kemampuan generalisasi model antar dataset independen, yang penting untuk implementasi praktis di lapangan.
+    
+%     \item \textbf{Metrik Evaluasi Holistik}: Sebagian besar penelitian hanya fokus pada akurasi klasifikasi tanpa mempertimbangkan efisiensi komputasi, waktu pelatihan, dan praktikalitas implementasi.
+% \end{enumerate}
+
+% \subsubsection{Posisi dan Kontribusi Penelitian Ini}
+
+% Penelitian ini memposisikan diri untuk mengisi gap yang teridentifikasi melalui pendekatan inovatif yang menggabungkan:
+
+% \begin{itemize}
+%     \item \textbf{Strategi Sensor Terbatas Sistematis}: Penggunaan hanya sensor atas dan bawah per kolom (10 dari 30 sensor) berdasarkan analisis propagasi energi getaran dalam struktur grid.
+    
+%     \item \textbf{Optimasi Multi-Objektif}: Keseimbangan antara akurasi klasifikasi dan efisiensi komputasi melalui optimasi \textit{hyperparameter} sistematis dan reduksi dimensi PCA.
+    
+%     \item \textbf{Validasi Komprehensif}: Evaluasi kemampuan generalisasi melalui validasi silang antar dataset independen dan analisis metrik efisiensi yang komprehensif.
+    
+%     \item \textbf{Pendekatan Praktis}: Fokus pada implementabilitas dengan menggunakan algoritma pembelajaran mesin klasik yang memerlukan sumber daya komputasi minimal namun tetap efektif.
+% \end{itemize}
+
+% Pendekatan ini menjembatani gap antara akurasi tinggi dari metode canggih dengan praktikalitas implementasi yang diperlukan untuk aplikasi SHM real-world.
+
+% % Previous content continues...
+% \indent Teknik deteksi berbasis getaran terbukti efektif dalam mengidentifikasi tanda-tanda awal anomali pada sambungan dengan menganalisis perubahan spektrum frekuensi atau energi getaran. Perubahan karakteristik getaran seperti penurunan amplitudo, pergeseran frekuensi dominan, atau pola spektral lainnya menjadi indikator keberadaan dan lokasi kerusakan. Kombinasi teknik transformasi sinyal seperti STFT dan algoritma pembelajaran mesin klasik menawarkan solusi yang efisien untuk implementasi SHM praktis.
 
 \section{Dasar Teori}
 \input{chapters/id/02_literature_review/theoritical_foundation/stft}
@@ -28,4 +86,6 @@ Lebih lanjut, pendekatan yang dikembangkan oleh \textcite{garrido2016} menunjukk
 \input{chapters/id/02_literature_review/theoritical_foundation/hann}
 \input{chapters/id/02_literature_review/theoritical_foundation/machine_learning}
 
-Dasar teori ini memberikan kerangka metodologi untuk mengimplementasi dan mengevaluasi usulan sistem lokalisasi kerusakan pada penelitian ini. Kokmbinasi dari analisis waktu-frekuensi menggunakan STFT dan klasifikasi pemelajaran mesin klasik memungkinkan ketercapaian monitor kesehatan struktur yang efisien dan mudah diterapkan.
+Dasar teori ini memberikan kerangka metodologi komprehensif untuk mengimplementasi dan mengevaluasi sistem lokalisasi kerusakan yang diusulkan. Kombinasi analisis waktu-frekuensi menggunakan STFT dengan parameter optimal, reduksi dimensi PCA yang sistematis, dan klasifikasi SVM-RBF yang dioptimalkan secara multi-objektif memungkinkan tercapainya sistem monitor kesehatan struktur yang efisien, akurat, dan praktis untuk implementasi. 
+
+Integrasi metrik evaluasi holistik yang mempertimbangkan akurasi dan efisiensi komputasi memberikan framework evaluasi yang komprehensif untuk validasi pendekatan yang diusulkan. Landasan teori ini mendukung hipotesis bahwa pendekatan sensor terbatas dengan algoritma pembelajaran mesin klasik dapat mencapai performa yang kompetitif dengan metode yang lebih kompleks, sambil memberikan keunggulan dalam hal praktikalitas implementasi.

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

@@ -1,45 +1,133 @@
-\subsection{Algoritma Klasifikasi}
+% \subsection{Algoritma Klasifikasi}
 
-Penelitian ini mengevaluasi lima algoritma pemelajaran mesin klasik untuk melakukan tugas pengklasifikasian terhadap lokalisasi kerusakan. Setiap algoritma memiliki keunggulan dan limitasi masing-masing, dan performa untuk setiap algoritma dijadikan tolok ukur untuk mengidentifikasi manakah algoritma yang paling sesuai untuk setiap \textit{dataset} yang diberikan.
+% Penelitian ini mengevaluasi lima algoritma pemelajaran mesin klasik untuk melakukan tugas pengklasifikasian terhadap lokalisasi kerusakan. Setiap algoritma memiliki keunggulan dan limitasi masing-masing, dan performa untuk setiap algoritma dijadikan tolok ukur untuk mengidentifikasi manakah algoritma yang paling sesuai untuk setiap \textit{dataset} yang diberikan.
 
-\subsubsection{Support Vector Machine (SVM)}
+\subsection{Support Vector Machine (SVM)}
 
-Mesin vektor pendukung (SVM) adalah sebuah algoritma pemelajaran mesin terarah yang mencari \textit{hyperplane} optimal dengan cara memisahkan data ke dalam kelas-kelas dengan margin maksimum. SVM bekerja dengan baik pada ruang dimensi tinggi dan cukup kokoh terhadap \textit{overfitting}, terutama pada kasus yang membutuhkan batasan margin secara jelas \parencite{cortes1995}.
+\subsubsection{Formulasi Matematis SVM}
 
-SVM sesuai untuk klasifikasi sinyal getaran karena kemampuannya untuk mengatasi keputusan batasan-batasan non-linier apabila dilengkapi dengan fungsi kernel, seperti fungsi kernel berbasis radial (RBF).
+Mesin vektor pendukung (SVM) adalah algoritma pemelajaran mesin terarah yang bertujuan menemukan \textit{hyperplane} optimal untuk memisahkan data ke dalam kelas-kelas yang berbeda. Untuk dataset yang dapat dipisahkan secara linear, SVM mencari \textit{hyperplane} yang memaksimalkan margin antara kelas-kelas tersebut.
 
-\subsubsection{K-Nearest Neighbors (KNN)}
+Diberikan dataset pelatihan $\{(\mathbf{x}_i, y_i)\}_{i=1}^{n}$ dimana $\mathbf{x}_i \in \mathbb{R}^d$ adalah vektor fitur dan $y_i \in \{-1, +1\}$ adalah label kelas, masalah optimasi SVM dapat diformulasikan sebagai:
 
-KNN merupakan sebuah algoritma pemelajaran non-parametrik, berbasis contoh. Algoritma ini mengklasifikasi titik data yang berbasis pada pungutan suara terbanyak dari tetangga terdekat $k$ pada ruang fitur. Meskipun dinilai sederhana, KNN dapat dinilai efektif ketika datanya terdistribusi dengan baik dan batasan-batasan pada kelasnya merata.
+\begin{align}
+\min_{\mathbf{w}, b} &\quad \frac{1}{2} \|\mathbf{w}\|^2 \\
+\text{subject to} &\quad y_i(\mathbf{w}^T \mathbf{x}_i + b) \geq 1, \quad i = 1, 2, \ldots, n
+\end{align}
 
-Performa algoritma ini sensitif pada pemilihan $k$ dan jarak metriknya. Untuk data dengan dimensi tinggi seperti fitur STFT, mungkin diperlukan optimalisasi atau penskalaan dimensi.
+dimana $\mathbf{w}$ adalah vektor bobot dan $b$ adalah bias. Untuk data yang tidak dapat dipisahkan secara linear sempurna, digunakan \textit{soft margin} dengan menambahkan variabel slack $\xi_i$:
 
-\subsubsection{Decision Tree (DT)}
+\begin{align}
+\min_{\mathbf{w}, b, \xi} &\quad \frac{1}{2} \|\mathbf{w}\|^2 + C \sum_{i=1}^{n} \xi_i \\
+\text{subject to} &\quad y_i(\mathbf{w}^T \mathbf{x}_i + b) \geq 1 - \xi_i, \quad \xi_i \geq 0
+\end{align}
 
-Decision Tree adalah algoritma pemelajaran terarah (\textit{supervised learning}) berbasis struktur pohon, di mana setiap \textit{node} internal mewakili suatu keputusan berdasarkan atribut tertentu, setiap cabang mewakili hasil dari keputusan tersebut, dan setiap daun (leaf node) mewakili label kelas. Algoritma ini secara rekursif membagi data ke dalam subset berdasarkan fitur yang memberikan informasi paling tinggi, seperti diukur dengan Gini index atau entropi (information gain).
+Parameter $C$ mengontrol trade-off antara maksimalisasi margin dan minimisasi kesalahan klasifikasi.
 
-Kelebihan dari Decision Tree adalah interpretabilitasnya yang tinggi dan kemampuannya menangani data numerik maupun kategorikal. Namun, pohon keputusan rentan terhadap \textit{overfitting}, terutama jika kedalaman pohon tidak dikontrol.
+\subsubsection{Kernel RBF (Radial Basis Function)}
 
-\subsubsection{Random Forest (RF)}
+Untuk menangani data non-linear, SVM menggunakan \textit{kernel trick} yang memetakan data ke ruang berdimensi lebih tinggi tanpa komputasi eksplisit. Kernel RBF yang digunakan dalam penelitian ini didefinisikan sebagai:
 
-Random Forest adalah metode ensemble yang terdiri dari banyak Decision Tree yang dilatih pada subset data dan subset fitur yang diacak. Setiap pohon dalam hutan memberikan prediksi, dan hasil akhir ditentukan melalui agregasi (misalnya, voting mayoritas untuk klasifikasi).
+\begin{equation}
+K(\mathbf{x}_i, \mathbf{x}_j) = \exp\left(-\gamma \|\mathbf{x}_i - \mathbf{x}_j\|^2\right)
+\end{equation}
 
-Dengan menggabungkan banyak pohon, Random Forest mengurangi varian model dan meningkatkan generalisasi. Teknik ini efektif untuk dataset yang kompleks dan sangat cocok untuk menghindari \textit{overfitting} yang umum terjadi pada satu pohon keputusan tunggal.
+dimana $\gamma > 0$ adalah parameter yang mengontrol \textit{bandwidth} kernel. Parameter ini memengaruhi kompleksitas model: nilai $\gamma$ yang kecil menghasilkan batas keputusan yang halus (model sederhana), sementara nilai besar menghasilkan batas yang lebih kompleks namun rentan terhadap \textit{overfitting}.
 
-\subsubsection{Bagged Trees (BT)}
+Fungsi keputusan SVM dengan kernel RBF menjadi:
+\begin{equation}
+f(\mathbf{x}) = \text{sign}\left(\sum_{i=1}^{n} \alpha_i y_i K(\mathbf{x}_i, \mathbf{x}) + b\right)
+\end{equation}
 
-\textit{Bagged Trees} atau \textit{Bootstrap Aggregated Trees} adalah pendekatan \textit{ensemble} yang mirip dengan Random Forest, namun perbedaannya terletak pada pemilihan fitur. Dalam \textit{Bagged Trees}, pohon-pohon dibangun dari sampel acak \textit{bootstrap} dari dataset pelatihan, tetapi tanpa pengacakan subset fitur seperti pada Random Forest.
+dimana $\alpha_i$ adalah pengali Lagrange yang diperoleh dari optimasi dual.
 
-\subsubsection{XGBoost (Extreme Gradient Boosting)}
+\subsubsection{Optimasi Hyperparameter}
 
-XGBoost adalah algoritma pemelajaran mesin berbasis \textit{gradient boosting} yang dirancang untuk efisiensi dan performa tinggi. Algoritma ini bekerja dengan membangun model secara bertahap, di mana setiap pohon selanjutnya mencoba memperbaiki kesalahan dari pohon sebelumnya dengan mengoptimasi fungsi kerugian (\textit{loss function}) menggunakan metode gradien.
+Performa SVM sangat bergantung pada pemilihan parameter $C$ dan $\gamma$ yang optimal. Penelitian ini menggunakan strategi pencarian grid dua tahap:
 
-XGBoost menggabungkan beberapa teknik seperti regularisasi $L1$ dan $L2$, pemangkasan pohon (\textit{pruning}), dan pemrosesan paralel, sehingga menghindari terjadinya \textit{overfitting} dan unggul dalam akurasi prediksi dibanding metode pohon lainnya. Algoritma ini sangat populer dalam kompetisi data karena kemampuannya menangani data besar, fitur multivariat, dan klasifikasi multi-kelas secara efisien.
+\begin{enumerate}
+    \item \textbf{Coarse Grid Search}: Pencarian kasar pada rentang parameter yang luas dengan langkah eksponensial untuk mengidentifikasi region optimal.
+    \item \textbf{Fine Grid Search}: Pencarian halus di sekitar region optimal yang ditemukan pada tahap pertama dengan resolusi yang lebih tinggi.
+\end{enumerate}
 
-\subsubsection{Linear Discriminant Analysis (LDA)}
+Validasi silang stratified k-fold digunakan untuk mengevaluasi setiap kombinasi parameter dan menghindari \textit{overfitting} pada data pelatihan.
 
-Linear Discriminant Analysis (LDA) adalah teknik klasifikasi dan reduksi dimensi yang mengasumsikan bahwa data berasal dari distribusi normal multivariat dan memiliki kovarians yang seragam untuk setiap kelas. LDA bertujuan untuk memproyeksikan data ke ruang berdimensi lebih rendah yang memaksimalkan pemisahan antar kelas (rasio varians antar kelas terhadap varians dalam kelas).
+\subsection{Principal Component Analysis (PCA)}
 
-LDA sangat cocok ketika distribusi data mendekati normal dan jumlah fitur tidak terlalu besar dibanding jumlah sampel. Selain sebagai klasifikator, LDA juga sering digunakan sebagai teknik prapemrosesan untuk ekstraksi fitur sebelum digunakan dalam algoritma lain.
+\subsubsection{Formulasi Matematis PCA}
 
-\bigskip
+PCA adalah teknik reduksi dimensi yang mentransformasi data ke ruang berdimensi lebih rendah sambil mempertahankan varians maksimal. Diberikan matriks data $\mathbf{X} \in \mathbb{R}^{n \times d}$ dengan $n$ sampel dan $d$ fitur, PCA mencari proyeksi linear $\mathbf{Y} = \mathbf{X}\mathbf{W}$ dimana $\mathbf{W} \in \mathbb{R}^{d \times k}$ adalah matriks transformasi dan $k < d$ adalah dimensi target.
+
+Langkah-langkah PCA:
+\begin{enumerate}
+    \item Sentralisasi data: $\mathbf{X}_{centered} = \mathbf{X} - \boldsymbol{\mu}$
+    \item Hitung matriks kovarians: $\mathbf{C} = \frac{1}{n-1}\mathbf{X}_{centered}^T\mathbf{X}_{centered}$
+    \item Dekomposisi eigen: $\mathbf{C} = \mathbf{V}\mathbf{\Lambda}\mathbf{V}^T$
+    \item Pilih $k$ eigenvector dengan eigenvalue terbesar sebagai komponen utama
+\end{enumerate}
+
+\subsubsection{Kriteria Pemilihan Komponen}
+
+Jumlah komponen PCA optimal dipilih berdasarkan:
+\begin{itemize}
+    \item \textbf{Explained Variance Ratio}: Mempertahankan minimal 95\% varians total
+    \item \textbf{Elbow Method}: Mengidentifikasi titik diminishing returns dalam explained variance
+    \item \textbf{Cross-validation Performance}: Evaluasi performa klasifikasi pada berbagai jumlah komponen
+\end{itemize}
+
+\subsection{Metrik Evaluasi}
+
+\subsubsection{Metrik Klasifikasi}
+
+Evaluasi performa model menggunakan metrik standar:
+\begin{itemize}
+    \item \textbf{Akurasi}: $\text{Accuracy} = \frac{TP + TN}{TP + TN + FP + FN}$
+    \item \textbf{Precision}: $\text{Precision} = \frac{TP}{TP + FP}$  
+    \item \textbf{Recall}: $\text{Recall} = \frac{TP}{TP + FN}$
+    \item \textbf{F1-Score}: $\text{F1} = 2 \cdot \frac{\text{Precision} \times \text{Recall}}{\text{Precision} + \text{Recall}}$
+\end{itemize}
+
+\subsubsection{Metrik Efisiensi}
+
+Penelitian ini memperkenalkan metrik efisiensi yang mempertimbangkan trade-off antara akurasi dan waktu komputasi:
+\begin{equation}
+\text{Efficiency Score} = \frac{\text{Accuracy}^2}{\text{Training Time (normalized)}}
+\end{equation}
+
+Metrik ini memberikan skor tinggi untuk model yang mencapai akurasi tinggi dengan waktu pelatihan minimal.
+
+% \subsubsection{K-Nearest Neighbors (KNN)}
+
+% KNN merupakan sebuah algoritma pemelajaran non-parametrik, berbasis contoh. Algoritma ini mengklasifikasi titik data yang berbasis pada pungutan suara terbanyak dari tetangga terdekat $k$ pada ruang fitur. Meskipun dinilai sederhana, KNN dapat dinilai efektif ketika datanya terdistribusi dengan baik dan batasan-batasan pada kelasnya merata.
+
+% Performa algoritma ini sensitif pada pemilihan $k$ dan jarak metriknya. Untuk data dengan dimensi tinggi seperti fitur STFT, mungkin diperlukan optimalisasi atau penskalaan dimensi.
+
+% \subsubsection{Decision Tree (DT)}
+
+% Decision Tree adalah algoritma pemelajaran terarah (\textit{supervised learning}) berbasis struktur pohon, di mana setiap \textit{node} internal mewakili suatu keputusan berdasarkan atribut tertentu, setiap cabang mewakili hasil dari keputusan tersebut, dan setiap daun (leaf node) mewakili label kelas. Algoritma ini secara rekursif membagi data ke dalam subset berdasarkan fitur yang memberikan informasi paling tinggi, seperti diukur dengan Gini index atau entropi (information gain).
+
+% Kelebihan dari Decision Tree adalah interpretabilitasnya yang tinggi dan kemampuannya menangani data numerik maupun kategorikal. Namun, pohon keputusan rentan terhadap \textit{overfitting}, terutama jika kedalaman pohon tidak dikontrol.
+
+% \subsubsection{Random Forest (RF)}
+
+% Random Forest adalah metode ensemble yang terdiri dari banyak Decision Tree yang dilatih pada subset data dan subset fitur yang diacak. Setiap pohon dalam hutan memberikan prediksi, dan hasil akhir ditentukan melalui agregasi (misalnya, voting mayoritas untuk klasifikasi).
+
+% Dengan menggabungkan banyak pohon, Random Forest mengurangi varian model dan meningkatkan generalisasi. Teknik ini efektif untuk dataset yang kompleks dan sangat cocok untuk menghindari \textit{overfitting} yang umum terjadi pada satu pohon keputusan tunggal.
+
+% \subsubsection{Bagged Trees (BT)}
+
+% \textit{Bagged Trees} atau \textit{Bootstrap Aggregated Trees} adalah pendekatan \textit{ensemble} yang mirip dengan Random Forest, namun perbedaannya terletak pada pemilihan fitur. Dalam \textit{Bagged Trees}, pohon-pohon dibangun dari sampel acak \textit{bootstrap} dari dataset pelatihan, tetapi tanpa pengacakan subset fitur seperti pada Random Forest.
+
+% \subsubsection{XGBoost (Extreme Gradient Boosting)}
+
+% XGBoost adalah algoritma pemelajaran mesin berbasis \textit{gradient boosting} yang dirancang untuk efisiensi dan performa tinggi. Algoritma ini bekerja dengan membangun model secara bertahap, di mana setiap pohon selanjutnya mencoba memperbaiki kesalahan dari pohon sebelumnya dengan mengoptimasi fungsi kerugian (\textit{loss function}) menggunakan metode gradien.
+
+% XGBoost menggabungkan beberapa teknik seperti regularisasi $L1$ dan $L2$, pemangkasan pohon (\textit{pruning}), dan pemrosesan paralel, sehingga menghindari terjadinya \textit{overfitting} dan unggul dalam akurasi prediksi dibanding metode pohon lainnya. Algoritma ini sangat populer dalam kompetisi data karena kemampuannya menangani data besar, fitur multivariat, dan klasifikasi multi-kelas secara efisien.
+
+% \subsubsection{Linear Discriminant Analysis (LDA)}
+
+% Linear Discriminant Analysis (LDA) adalah teknik klasifikasi dan reduksi dimensi yang mengasumsikan bahwa data berasal dari distribusi normal multivariat dan memiliki kovarians yang seragam untuk setiap kelas. LDA bertujuan untuk memproyeksikan data ke ruang berdimensi lebih rendah yang memaksimalkan pemisahan antar kelas (rasio varians antar kelas terhadap varians dalam kelas).
+
+% LDA sangat cocok ketika distribusi data mendekati normal dan jumlah fitur tidak terlalu besar dibanding jumlah sampel. Selain sebagai klasifikator, LDA juga sering digunakan sebagai teknik prapemrosesan untuk ekstraksi fitur sebelum digunakan dalam algoritma lain.
+
+% \bigskip

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

@@ -1,13 +1,73 @@
 \subsection{Short-Time Fourier Transform (STFT)}
 
-Short-Time Fourier Transform (STFT) adalah teknik fundamental yang digunakan untuk menganalisis sinyal non-stasioner, seperti yang diperoleh dari struktur dalam keadaan menerima beban dinamik atau eksitasi derau putih. Meskipun tradisional transformasi fourier memberikan informasi domain frekuensi, teknik ini tidak memiliki resolusi waktu. STFT mengatasi limitasi tersebut dengan menerapkan transformasi fourier segment-segment sinyal pendek yang tumpang tindih, dengan demikian diperoleh representasi waktu-frekuensi.
+\subsubsection{Formulasi Matematis STFT}
 
-Secara matematis, STFT dari sinyal $x(t)$ diberikan sebagai berikut:
+Short-Time Fourier Transform (STFT) adalah teknik fundamental untuk menganalisis sinyal non-stasioner dengan menyediakan representasi waktu-frekuensi yang simultan. Berbeda dengan transformasi Fourier konvensional yang hanya memberikan informasi domain frekuensi global, STFT menerapkan transformasi Fourier pada segmen-segmen sinyal pendek yang bertumpang tindih.
+
+Secara matematis, STFT dari sinyal diskrit $x[n]$ didefinisikan \textcite{oppenheim2010} sebagai:
 \begin{equation}
 X(m, \omega) = \sum_{n=-\infty}^{\infty} x[n] \cdot w[n - m] \cdot e^{-j \omega n}
 \end{equation}
 
+dimana:
+\begin{itemize}
+    \item $x[n]$ adalah sinyal input diskrit
+    \item $w[n]$ adalah fungsi windowing
+    \item $m$ adalah indeks waktu (hop)
+    \item $\omega$ adalah frekuensi angular diskrit
+    \item $X(m, \omega)$ adalah koefisien STFT kompleks
+\end{itemize}
 
-dengan $w(\tau - t)$ adalah sebuah fungsi \textit{windowing} berpusat pada waktu $t$ dan $\omega$ adalah frekuensi angular.
+\subsubsection{Parameter STFT dan Trade-off Resolusi}
 
-Pada studi ini, STFT digunakan untuk mengekstrak domain waktu-frekuensi dari sinyal getaran yang diperoleh dari dari respon struktur terhadap getaran yang diberikan oleh mesin \textit{shaker}. Fitur-fitur ini kemudian digunakan sebagai input pada klasifikasi pemelajaran mesin. Proces ini merekap frekuensi lokal setiap waktu, yang dinilai krusial pada pengidentifikasian perubahan struktur akibat kerusakan.
+Kualitas representasi waktu-frekuensi STFT ditentukan oleh pemilihan parameter window dan hop size:
+
+\begin{itemize}
+    \item \textbf{Window Size ($N$)}: Menentukan resolusi frekuensi. Window yang lebih panjang memberikan resolusi frekuensi yang lebih baik namun resolusi waktu yang lebih buruk.
+    \item \textbf{Hop Size ($H$)}: Jarak antar window yang berurutan. Hop size yang lebih kecil memberikan resolusi waktu yang lebih baik namun meningkatkan redundansi dan beban komputasi.
+    \item \textbf{Overlap}: Biasanya dipilih 50-75\% untuk mencegah kehilangan informasi di transisi antar window.
+\end{itemize}
+
+\subsubsection{Spektrogram dan Ekstraksi Fitur}
+
+Spektrogram adalah representasi visual STFT yang menunjukkan distribusi energi sinyal dalam domain waktu-frekuensi:
+\begin{equation}
+S(m, \omega) = |X(m, \omega)|^2
+\end{equation}
+
+Untuk aplikasi pembelajaran mesin, spektrogram dapat digunakan langsung sebagai fitur 2D atau dikonversi menjadi vektor fitur 1D melalui:
+\begin{itemize}
+    \item \textbf{Flattening}: Mengubah matriks spektrogram menjadi vektor fitur
+    \item \textbf{Statistical Features}: Ekstraksi statistik seperti mean, variance, skewness, kurtosis per bin frekuensi
+    \item \textbf{Magnitude Spectrum}: Menggunakan hanya magnitudo tanpa informasi fase
+\end{itemize}
+
+\subsubsection{Keunggulan STFT untuk Deteksi Kerusakan}
+
+STFT sangat sesuai untuk deteksi kerusakan struktur karena:
+
+\begin{enumerate}
+    \item \textbf{Analisis Transien}: Mampu menangkap perubahan frekuensi lokal yang disebabkan oleh kerusakan
+    \item \textbf{Deteksi Harmonik}: Mengidentifikasi komponen harmonik baru yang muncul akibat kelonggaran baut
+    \item \textbf{Temporal Resolution}: Mempertahankan informasi waktu terjadinya perubahan spektral
+    \item \textbf{Robustness}: Relatif tahan terhadap noise dibanding analisis time-domain murni
+\end{enumerate}
+
+Dalam konteks kelonggaran baut, STFT dapat mendeteksi:
+\begin{itemize}
+    \item Pergeseran frekuensi natural akibat perubahan kekakuan sambungan
+    \item Munculnya frekuensi beat akibat coupling yang berubah
+    \item Modulasi amplitudo yang mengindikasikan kontak intermiten
+\end{itemize}
+
+\subsubsection{Implementasi STFT untuk Dataset QUGS}
+
+Dalam penelitian ini, parameter STFT dioptimalkan untuk karakteristik data QUGS:
+\begin{itemize}
+    \item \textbf{Window Function}: Hann window untuk meminimalkan spectral leakage
+    \item \textbf{Window Size}: 1024 sampel (≈1 detik pada 1024 Hz sampling rate)
+    \item \textbf{Hop Size}: 512 sampel (50\% overlap)
+    \item \textbf{Frequency Bins}: 513 bin frekuensi (0 - 512 Hz)
+\end{itemize}
+
+Konfigurasi ini menghasilkan spektrogram berukuran 513×513 yang kemudian di-flatten menjadi vektor fitur 263,169 dimensi untuk input ke algoritma pembelajaran mesin.

latex/chapters/id/03_methodology/index.tex

@@ -33,12 +33,12 @@ Dalam penelitian ini, optimasi \textit{hyperparameter} dilakukan melalui pencari
 
 Reduksi dimensi ditambahkan sebagai parameter ketiga dalam pencarian \textit{grid} untuk menentukan jumlah komponen utama \gls{pca} guna mengoptimasi waktu komputasi, performa \textit{inference}, kompleksitas model, dan ukuran model \parencite{geron2019}. Nilai-nilai komponen yang diuji adalah $n_{components} \in \{512, 256, 128, 64, 32, 16, 8, 4, 2\}$.  Rentang nilai tetap ini dipilih dibandingkan rentang \textit{fractional threshold} $(0 < x < 1)$ variansi kumulatif untuk memastikan konsistensi, meningkatkan reprodusibilitas, dan memudahkan interpretasi jumlah komponen utama yang dipilih di setiap iterasi pencarian \textit{grid}.
 
-Kemudian, \textit{cross-validation} dengan skema \textit{stratified k-fold} digunakan untuk menilai kinerja model pada setiap kombinasi \textit{hyperparameter}. Skema ini memastikan bahwa setiap lipatan memiliki proporsi kelas yang seimbang, sehingga mengurangi bias dalam penilaian model \parencite{Kohavi1995ASO}. Nilai $k$ yang digunakan pada penelitian ini adalah 5 yang berarti data pelatihan dibagi menjadi 5 bagian: 4 bagian digunakan untuk pelatihan dan 1 bagian untuk validasi secara bergantian. Proses ini diulang untuk seluruh kombinasi \textit{hyperparameter} yang berjumlah 324 kombinasi, sehingga total pelatihan model yang dilakukan adalah 675 kali.
+Kemudian, \textit{cross-validation} dengan skema \textit{stratified k-fold} digunakan untuk menilai kinerja model pada setiap kombinasi \textit{hyperparameter}. Skema ini memastikan bahwa setiap lipatan memiliki proporsi kelas yang seimbang, sehingga mengurangi bias dalam penilaian model \parencite{Kohavi1995ASO}. Nilai $k$ yang digunakan pada penelitian ini adalah 5 yang berarti data pelatihan dibagi menjadi 5 bagian: 4 bagian digunakan untuk pelatihan dan 1 bagian untuk validasi secara bergantian. Nilai ini dianggap sudah cukup untuk memastikan validitas hasil melihat jumlah sampel yang digunakan \parencite{JMLR:v18:16-174}. Proses ini diulang untuk seluruh kombinasi \textit{hyperparameter} yang berjumlah 200 kombinasi pada tahap \textit{coarse grid-search}, sehingga total pelatihan model yang dilakukan adalah 1000 kali.
 % table showing the grid search parameters
-Tabel \ref{tab:grid_search_parameters} merangkum parameter-parameter yang digunakan dalam pencarian \textit{grid}.
+Tabel \ref{tab:grid_search_parameters} merangkum parameter-parameter yang digunakan dalam pencarian \textit{grid} tahap pertama (\textit{coarse grid-search}).
 \begin{table}[H]
     \centering
-    \caption{Parameter-parameter dalam pencarian \textit{grid} untuk optimasi \textit{hyperparameter} model \gls{svm}.}
+    \caption{Parameter-parameter dalam pencarian \textit{grid} tahap pertama (\textit{coarse grid-search}) untuk optimasi \textit{hyperparameter} model \gls{svm}.}
     \label{tab:grid_search_parameters}
     \begin{tabular}{lll}
         \toprule
@@ -47,16 +47,82 @@ Tabel \ref{tab:grid_search_parameters} merangkum parameter-parameter yang diguna
         % kernel
         kernel & \gls{rbf} & 1 \\
         % regularization parameter
-        $C$ & $\left\{ 2^{\,x} \,\middle|\, x \in \{-5, 0, \dots, 15\} \right\}$ & 5 \\
-        $\gamma$ & $\left\{ 2^{\,x} \,\middle|\, x \in \{-15, -10, \dots, 5\} \right\}$ & 5 \\
-        $n_{components}$ & $\{512, 256, 128, 64, 32, 16, 8, 4, 2\}$ & 9 \\
+        $C$ & $\left\{ 2^{\,x} \,\middle|\, x \in \{-5, 0, 5, 10, 15\} \right\}$ & 5 \\
+        $\gamma$ & $\left\{ 2^{\,x} \,\middle|\, x \in \{-15, -10, -5, 0, 5\} \right\}$ & 5 \\
+        $n_{components}$ & $\{512, 256, 128, 64, 32, 16, 8, 4\}$ & 8 \\
         \midrule
-        Total Kombinasi & & 135 \\
+        Total Kombinasi & & 200 \\
         \bottomrule
     \end{tabular}
 \end{table}
 
-\section{Evaluasi Model}
+% \section{Strategi Pembagian Data}
+% Dataset yang telah diekstraksi fitur dan diberi label kemudian dibagi menjadi dua bagian untuk menilai kemampuan generalisasi model:
+% \begin{enumerate}
+%     \item \textbf{Dataset A}: Digunakan untuk pelatihan model dan validasi silang selama optimasi \textit{hyperparameter}
+%     \item \textbf{Dataset B}: Disimpan sebagai data uji independen untuk evaluasi akhir model yang telah dioptimalkan
+% \end{enumerate}
+
+% Pembagian ini dilakukan secara \textit{stratified} untuk memastikan proporsi setiap kelas kerusakan ($d_0$ hingga $d_6$) terjaga pada kedua dataset. Pendekatan ini memungkinkan evaluasi yang lebih objektif terhadap kemampuan model dalam mengklasifikasikan kondisi struktur yang belum pernah dilihat sebelumnya.
+
+\section{Strategi Optimasi \textit{Hyperparameter} Dua Tahap}
+Untuk meningkatkan efisiensi pencarian parameter optimal, optimasi dilakukan dalam dua tahap:
+
+\subsection{\textit{Coarse Grid-Search}}
+Tahap pertama menggunakan rentang parameter yang luas dengan interval yang lebih besar untuk mengidentifikasi wilayah parameter yang menjanjikan. Parameter yang dioptimalkan telah dijelaskan pada Tabel~\ref{tab:grid_search_parameters}.
+
+\subsection{\textit{Fine Grid-Search}}
+Berdasarkan hasil \textit{coarse grid-search}, dilakukan pencarian lebih detail di sekitar parameter terbaik dengan interval yang lebih kecil. Rentang parameter pada tahap ini disesuaikan dengan:
+\begin{itemize}
+    \item Nilai $C$ dan $\gamma$ terbaik dari tahap pertama menjadi pusat pencarian
+    \item Interval dikurangi menjadi 0.5 dalam skala logaritma basis 2
+    \item Jumlah komponen PCA tetap menggunakan nilai optimal dari tahap pertama
+\end{itemize}
+
+\section{Metrik Evaluasi}
+\subsection{Metrik Klasifikasi Standar}
+Kinerja model dievaluasi menggunakan beberapa metrik standar:
+\begin{enumerate}
+    \item \textbf{Akurasi}: Proporsi prediksi yang benar dari total prediksi
+    \item \textbf{Precision}: Proporsi prediksi positif yang benar untuk setiap kelas
+    \item \textbf{Recall}: Proporsi sampel positif yang berhasil diidentifikasi untuk setiap kelas  
+    \item \textbf{F1-score}: Rata-rata harmonik antara precision dan recall
+    \item \textbf{Confusion Matrix}: Matriks yang menunjukkan distribusi prediksi vs label sebenarnya
+\end{enumerate}
+
+\subsection{Metrik Efisiensi}
+Untuk menilai trade-off antara akurasi dan kompleksitas komputasi, didefinisikan metrik efisiensi:
+\begin{equation}
+E_i = \frac{S_i}{T_i},
+\end{equation}
+dengan:
+\begin{itemize}
+    \item $S_i$ = rata-rata skor akurasi hasil 5-\textit{fold cross-validation})
+    \item $T_i$ = rata-rata waktu pelatihan per iterasi (dalam detik)
+\end{itemize}
+
+Metrik ini memungkinkan identifikasi konfigurasi model yang memberikan keseimbangan optimal antara performa dan efisiensi komputasi.
+
+\section{Pemilihan Model \textit{Baseline}}
+Dari hasil \textit{coarse grid-search}, dipilih konfigurasi model \textit{baseline} berdasarkan kriteria gabungan:
+\begin{enumerate}
+    \item Akurasi validasi silang yang tinggi
+    \item Metrik efisiensi ($E_i$) yang optimal 
+    \item Waktu pelatihan yang reasonable untuk implementasi praktis
+\end{enumerate}
+
+Model \textit{baseline} ini kemudian dievaluasi pada data uji independen untuk mengukur performa awal sebelum optimasi lanjutan melalui \textit{fine grid-search}.
+
+\section{Proses \textit{Inference} dan Visualisasi}
+Setelah model dilatih dan dioptimalkan, dilakukan proses \textit{inference} pada data uji untuk:
+\begin{enumerate}
+    \item Menghasilkan prediksi probabilitas untuk setiap kelas kerusakan
+    \item Memvisualisasikan distribusi probabilitas dalam bentuk \textit{heatmap} struktur
+    \item Menganalisis pola kesalahan klasifikasi melalui \textit{confusion matrix}
+    \item Menilai kemampuan deteksi kerusakan pada lokasi spesifik
+\end{enumerate}
+
+Visualisasi \textit{heatmap} dilakukan dengan memetakan probabilitas prediksi kembali ke struktur grid asli, sehingga memberikan interpretasi spasial terhadap hasil klasifikasi.
 
 
 

latex/chapters/id/03_methodology/materials.tex

@@ -1,4 +1,4 @@
-Penelitian ini menggunakan data sekunder dari \textcite{abdeljaber2017}, yang tersedia secara publik dan diperoleh melalui eksperimen menggunakan \textit{Queen's University Grandstand Simulator}. Adapun rincian data yang digunakan adalah sebagai berikut:
+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.

latex/chapters/id/03_methodology/steps/feature_extraction.tex

@@ -1,40 +1,40 @@
-Sebelum melakukan ekstraksi fitur menggunakan \gls{stft}, persiapan data dilakukan agar tujuan penelitian dapat tercapai.
+Sebelum melakukan ekstraksi fitur menggunakan \gls{not:calT}, persiapan data dilakukan agar tujuan penelitian dapat tercapai.
 
 \subsection{Grid, Kode \textit{Joint}, dan Nama File}
 
 Setiap berkas pada \textit{dataset} merekam respons getaran dari seluruh tiga puluh \textit{joint} yang dipasangi sensor akselerometer. 
-Berkas tanpa kerusakan direpresentasikan dengan matriks $\mathbf{U} \in \mathbb{R}^{262144 \times 30}$, sedangkan berkas dengan kerusakan pada \textit{joint} ke-$n$ dinotasikan sebagai $\mathbf{D}^{(n)} \in \mathbb{R}^{262144 \times 30}$ untuk $n = 1, \dots, 30$.
+Berkas tanpa kerusakan direpresentasikan dengan matriks \gls{not:U}, sedangkan berkas dengan kerusakan pada \textit{joint} ke-$n$ dinotasikan sebagai \gls{not:Dn} untuk $n = 1, \dots, 30$.
 
-Setiap kolom pada matriks $\mathbf{U}$ maupun $\mathbf{D}^{(n)}$ merepresentasikan sinyal percepatan dari satu sensor (satu \textit{joint}), sehingga kolom ke-$j$ dapat ditulis sebagai vektor:
+Setiap kolom pada matriks \gls{not:U} maupun \gls{not:Dn} merepresentasikan sinyal percepatan dari satu sensor (satu \textit{joint}), sehingga kolom ke-$j$ dapat ditulis sebagai vektor:
 \begin{equation}
-    \mathbf{a}_{j}^{(n)} =
+    \gls{not:aj} =
     \begin{bmatrix}
-        a_{1}^{(n,j)} \\[2pt]
-        a_{2}^{(n,j)} \\[2pt]
-        \vdots \\[2pt]
+        a_{1}^{(n,j)} \\
+        a_{2}^{(n,j)} \\
+        \vdots \\
         a_{262144}^{(n,j)}
     \end{bmatrix}
-    \in \mathbb{R}^{262144},
+    \in \gls{not:R}^{262144},
     \quad
     j = 1, \dots, 30,
     \quad
     n = 0, \dots, 30.
 \end{equation}
 
-Vektor $\mathbf{a}_{j}^{(n)}$ menunjukkan deret waktu percepatan yang diukur oleh sensor pada \textit{joint} ke-$j$ untuk kasus ke-$n$. 
-Dengan demikian, satu berkas $\mathbf{D}^{(n)}$ dapat ditulis sebagai himpunan dari seluruh vektor kolomnya:
+Vektor \gls{not:aj} menunjukkan deret waktu percepatan yang diukur oleh sensor pada \textit{joint} ke-$j$ untuk kasus ke-$n$. 
+Dengan demikian, satu berkas \gls{not:Dn} dapat ditulis sebagai himpunan dari seluruh vektor kolomnya:
 \begin{equation}
-    \mathbf{D}^{(n)} = \bigl\{\,\mathbf{a}_{1}^{(n)}, \mathbf{a}_{2}^{(n)}, \dots, \mathbf{a}_{30}^{(n)}\,\bigr\}.
+    \gls{not:Dn} = \bigl\{\,\gls{not:aj}\,\bigr\}.
 \end{equation}
 
-Untuk kasus tanpa kerusakan, $\mathbf{U}$ dapat dinotasikan secara serupa dengan $n=0$ secara tunggal:
+Untuk kasus tanpa kerusakan, \gls{not:U} dapat dinotasikan secara serupa dengan $n=0$ secara tunggal:
 \begin{equation}
-    \mathbf{U} = \bigl\{\,\mathbf{a}_{1}^{(0)}, \mathbf{a}_{2}^{(0)}, \dots, \mathbf{a}_{30}^{(0)}\,\bigr\}.
+    \gls{not:U} = \bigl\{\,\gls{not:aj}\,\bigr\}.
 \end{equation}
 
 Pada setiap kasus kerusakan, \textit{joint} yang rusak berkorespondensi langsung dengan indeks berkas, yaitu:
 \begin{equation}
-    \text{Kerusakan pada } \mathbf{D}^{(n)} \text{ terjadi di } \mathbf{a}_{n}^{(n)},
+    \text{Kerusakan pada } \gls{not:Dn} \text{ terjadi di } \gls{not:aj},
     \quad n = 1, \dots, 30.
 \end{equation}
 
@@ -56,20 +56,20 @@ Pada setiap kasus kerusakan, \textit{joint} yang rusak berkorespondensi langsung
 \subsection{Kelas Kerusakan}
 \label{sec:kelas-kerusakan}
 
-Enam kelas pertama ($d_1$–$d_6$) merepresentasikan kondisi struktur dengan kerusakan pada lima \textit{joint} berturut-turut. 
-Setiap kelas $d_i$ berisi lima sinyal percepatan satu dimensi $\mathbf{a}_{n}^{(n)} \in \mathbb{R}^{262144}$, 
-masing-masing berasal dari berkas $\mathbf{D}^{(n)}$ yang merekam kondisi kerusakan pada \textit{joint} ke-$n$.
+Enam kelas pertama (\gls{not:di}–\gls{not:di}) merepresentasikan kondisi struktur dengan kerusakan pada lima \textit{joint} berturut-turut. 
+Setiap kelas \gls{not:di} berisi lima sinyal percepatan satu dimensi \gls{not:aj}, 
+masing-masing berasal dari berkas \gls{not:Dn} yang merekam kondisi kerusakan pada \textit{joint} ke-$n$.
 
-Secara umum, setiap kelas $d_i$ ($i = 1, \dots, 6$) terdiri atas lima sinyal percepatan 
-$\mathbf{a}_{n}^{(n)} \in \mathbb{R}^{262144}$ yang diambil dari lima berkas berturut-turut 
+Secara umum, setiap kelas \gls{not:di} ($i = 1, \dots, 6$) terdiri atas lima sinyal percepatan 
+\gls{not:aj} yang diambil dari lima berkas berturut-turut 
 pada rentang indeks $n = 5(i-1)+1$ hingga $5i$:
 \begin{equation}\label{eq:d_i}
-d_i = \bigl\{\,\mathbf{a}_{n}^{(n)}\,\bigr\}_{n = 5(i-1)+1}^{5i}\ ,
+\gls{not:di} = \bigl\{\,\gls{not:aj}\,\bigr\}_{n = 5(i-1)+1}^{5i}\ ,
 \quad i = 1, \dots, 6.
 \end{equation}
 
-Masing-masing $\mathbf{a}_{n}^{(n)}$ merupakan vektor berukuran $262144 \times 1$ yang memuat deret waktu percepatan dari 
-sensor akselerometer pada \textit{joint} ke-$n$ di berkas $\mathbf{D}^{(n)}$.
+Masing-masing \gls{not:aj} merupakan vektor berukuran $262144 \times 1$ yang memuat deret waktu percepatan dari 
+sensor akselerometer pada \textit{joint} ke-$n$ di berkas \gls{not:Dn}.
 
 Sebagai contoh konkret:
 \begin{align*}
@@ -136,7 +136,7 @@ d_6 &= \{(\mathbf{a}_{1}^{(26)}, \mathbf{a}_{26}^{(26)}),\,
 \subsection{Konstruksi Kelas Tanpa Kerusakan}
 \label{sec:konstruksi-d0}
 
-Untuk membentuk kelas tanpa kerusakan ($d_0$), pada setiap berkas kerusakan $\mathbf{D}^{(n)}$ 
+Untuk membentuk kelas tanpa kerusakan ($d_0$), pada setiap berkas kerusakan \gls{not:Dn} 
 ditentukan indeks kolom yang rusak
 \begin{equation}
     r_n = ((n - 1) \bmod 5) + 1, \qquad n=1,\dots,30.
@@ -147,7 +147,7 @@ Selanjutnya, himpunan indeks kolom komplemen (sehat) didefinisikan sebagai
 \end{equation}
 
 
-Empat \textit{pasangan komplemen sehat} pada berkas $\mathbf{D}^{(n)}$ kemudian dibentuk sebagai
+Empat \textit{pasangan komplemen sehat} pada berkas \gls{not:Dn} kemudian dibentuk sebagai
 \begin{equation}
 \mathcal{C}(n) =
 \Bigl\{
@@ -279,7 +279,7 @@ Untuk setiap pasangan \((\mathbf{a}_{r}^{(n)},\mathbf{a}_{r+25}^{(n)})\) hasil S
 dengan indeks waktu \(t=0,\dots,512\) dan frekuensi \(p=0,\dots,512\).
 Setiap baris \(\widetilde{\mathbf{a}}_{r}^{(n)}[t]\) adalah vektor frekuensi berdimensi \(513\).
 
-Untuk kelas kerusakan \(d_i\) ($i\ge1$) seluruh \(513\) \textit{frame} dari kelima pasangan diambil, sehingga setiap $d_i$ menghasilkan
+Untuk kelas kerusakan $d_i$ ($i\ge1$) seluruh \(513\) \textit{frame} dari kelima pasangan diambil, sehingga setiap $d_i$ menghasilkan
 \begin{equation}\label{eq:concat_stft_di}
 \operatorname{concat}_{\text{time}}\bigl(\{\widetilde{\mathbf{a}}_{r}^{(n)}\}_{n=5(i-1)+1}^{5i}\bigr)\in\mathbb{R}^{5\cdot513\times513}=\mathbb{R}^{2565\times513}.
 \end{equation}

latex/chapters/id/03_methodology/tools.tex

@@ -1,4 +1,5 @@
 \subsection{Alat Perangkat Keras}
+\label{sec:hardware}
 Data getaran struktur yang digunakan dalam penelitian ini diperoleh dari penelitian oleh \textcite{abdeljaber2017}, yang dilakukan menggunakan simulator struktur baja Grandstand di Queen’s University. Dalam eksperimen tersebut, struktur baja dipasang dengan akselerometer pada setiap sambungan-sambungan (\textit{joints}). Rangkaian perangkat keras yang digunakan untuk pengambilan data meliputi:
 
 \begin{itemize}

latex/chapters/id/04_results.tex

@@ -1,149 +1,610 @@
 \chapter{Hasil Penelitian dan Pembahasan}
+Bab ini menyajikan hasil dari proses ekstraksi fitur, analisis eksplorasi data,
+pengembangan model klasifikasi, serta evaluasi kinerja model.
+Hasil yang diperoleh selanjutnya dianalisis untuk menilai kemampuan model dengan fitur yang telah diekstraksi
+dalam mendeteksi dan mengklasifikasikan lokasi kerusakan struktur \textit{grid}.
+% \section{Pendahuluan Singkat}
+% Bab ini menyajikan hasil evaluasi model untuk prediksi lokasi kerusakan berbasis fitur domain waktu dan frekuensi yang diekstrak dari STFT. Tujuan utama evaluasi adalah menguji apakah kombinasi fitur waktu--frekuensi dapat meningkatkan kinerja klasifikasi dibandingkan masing-masing domain secara terpisah, serta menilai kelayakan pendekatan sensor terbatas untuk penerapan di lapangan.
 
-\section{Pendahuluan Singkat}
-Bab ini menyajikan hasil evaluasi model untuk prediksi lokasi kerusakan berbasis fitur domain waktu dan frekuensi yang diekstrak dari STFT. Tujuan utama evaluasi adalah menguji apakah kombinasi fitur waktu--frekuensi dapat meningkatkan kinerja klasifikasi dibandingkan masing-masing domain secara terpisah, serta menilai kelayakan pendekatan sensor terbatas untuk penerapan di lapangan.
+% Secara ringkas, kami menampilkan: (i) performa utama pada data uji, (ii) analisis per-kelas dan pola kesalahan, (iii) studi ablation dan sensitivitas mencakup fitur, parameter STFT, serta jumlah/posisi sensor, dan (iv) uji robustness serta implikasi implementasi. Detail metodologi eksperimen telah diuraikan pada Bab Metodologi; bagian ini berfokus pada temuan empiris dan interpretasinya.
 
-Secara ringkas, kami menampilkan: (i) performa utama pada data uji, (ii) analisis per-kelas dan pola kesalahan, (iii) studi ablation dan sensitivitas mencakup fitur, parameter STFT, serta jumlah/posisi sensor, dan (iv) uji robustness serta implikasi implementasi. Detail metodologi eksperimen telah diuraikan pada Bab Metodologi; bagian ini berfokus pada temuan empiris dan interpretasinya.
+\section{Hasil Ekstraksi Fitur STFT}
+Bagian ini menyajikan contoh hasil transformasi \gls{stft} yang diterapkan
+pada sinyal percepatan dari sensor atas dan bawah.
+Analisis dilakukan untuk memastikan konsistensi pola spektral
+dan kesetaraan ukuran data antar kelas sebelum proses pelatihan model.
 
-\section{Rancangan Evaluasi}
-\subsection{Dataset dan Pembagian Data}
-Evaluasi dilakukan pada himpunan data berlabel yang terdiri dari \textit{[N\_total]} sampel dengan \textit{[K]} kelas lokasi kerusakan. Data dibagi menjadi \textit{[N\_train]} sampel pelatihan, \textit{[N\_val]} validasi, dan \textit{[N\_test]} pengujian, atau menggunakan skema \textit{k}-fold dengan \textit{[k]} lipatan (rincian skema dipertahankan konsisten dengan Bab Metodologi). Potensi ketidakseimbangan kelas dicatat dengan rasio maksimum/minimum sekitar \textit{[imbalance\_ratio:1]}.
-
-\subsection{Pra-pemrosesan dan Ekstraksi Fitur}
-Sinyal diproses dengan normalisasi \textit{[jenis normalisasi/standarisasi]}, dan augmentasi \textit{[jenis augmentasi, jika ada]}. Fitur domain waktu dan frekuensi diekstraksi; komponen frekuensi diperoleh dari STFT dengan window Hann, ukuran jendela \textit{[win\_size]} sampel, overlap
-
-\subsection{Model dan Metrik Evaluasi}
-Model utama adalah SVM dengan kernel \textit{[RBF/Linear]} dan pemilihan hyperparameter (\textit{C}, \textit{gamma}) melalui \textit{[grid/random/bayes] search} pada data validasi. Metrik evaluasi meliputi Akurasi, Macro-F1, Macro-Precision, Macro-Recall, Balanced Accuracy, serta Cohen's Kappa. Untuk analisis multi-kelas yang lebih tajam, kami juga melaporkan metrik per-kelas dan Confusion Matrix.
-
-\section{Hasil Utama}
-\begin{table}[htbp]
-    \centering
-    \caption{Hasil utama pada data uji untuk beberapa konfigurasi fitur dan model. Nilai diisi dari eksperimen akhir.}
-    \label{tab:main-results}
-    \begin{tabular}{lccc}
-        \hline
-        Konfigurasi & Akurasi & Macro-F1 & Kappa \\
-        \hline
-        Time-domain + SVM-RBF & -- & -- & -- \\
-        Freq-domain + SVM-RBF & -- & -- & -- \\
-        Kombinasi (Time+Freq) + SVM-RBF & \textbf{--} & \textbf{--} & \textbf{--} \\
-        \hline
-    \end{tabular}
-\end{table}
-
-Konfigurasi terbaik diperoleh pada kombinasi fitur waktu--frekuensi dengan SVM-\textit{[kernel]}, menghasilkan Akurasi sebesar \textit{[acc\_best]}\%, Macro-F1 sebesar \textit{[f1\_best]}\%, dan Kappa sebesar \textit{[kappa\_best]} pada data uji (Tabel~\ref{tab:main-results}). Dibandingkan baseline domain waktu saja, Macro-F1 meningkat sekitar \textit{[delta\_f1\_time]} poin persentase; dibandingkan domain frekuensi saja, peningkatan mencapai \textit{[delta\_f1\_freq]} poin persentase. Hasil ini mengindikasikan bahwa informasi pelengkap antara dinamika temporal dan spektral berkontribusi nyata terhadap separabilitas kelas.
-
-Performa pada metrik Balanced Accuracy dan Macro-Recall juga konsisten, menandakan model tidak terlalu bias pada kelas mayoritas. Nilai Kappa \textit{[kappa\_best]} mengindikasikan tingkat kesepakatan yang \textit{[moderat/tinggi]} melampaui kebetulan.
-
-\section{Analisis Per-Kelas dan Kesalahan}
+Gambar~\ref{fig:stft-undamaged} memperlihatkan hasil \gls{stft} gabungan (\textit{aggregated}) untuk seluruh titik join tanpa kerusakan (kelas 0).
 \begin{figure}[htbp]
     \centering
-    % \includegraphics[width=0.8\textwidth]{img/confusion_matrix.pdf}
-    \fbox{\begin{minipage}[c][0.30\textheight][c]{0.80\textwidth}\centering
-    Placeholder Confusion Matrix
-    \end{minipage}}
-    \caption{Confusion matrix pada data uji. Isikan gambar aktual dari pipeline evaluasi.}
-    \label{fig:cm}
+    \begin{minipage}{0.48\textwidth}
+        \centering
+        \includesvg[width=\textwidth, pretex=\tiny]{chapters/img/sensor1/stft-undamaged-1}
+        % \caption{Caption for the first image.}
+        % \label{fig:image1}
+    \end{minipage}\hfill
+    \begin{minipage}{0.48\textwidth}
+        \centering
+        \includesvg[width=\textwidth, pretex=\tiny]{chapters/img/sensor2/stft-undamaged-2}
+        % \caption{Caption for the second image.}
+        % \label{fig:image2}
+    \end{minipage}
+    \caption{\gls{stft} tanpa kerusakan (undamaged). Sensor A (kiri) dan Sensor B (kanan)}
+    \label{fig:stft-undamaged}
 \end{figure}
 
-\begin{table}[htbp]
-    \centering
-    \caption{Metrik per-kelas pada data uji. Gunakan bila diperlukan untuk melengkapi Confusion Matrix.}
-    \label{tab:per-class}
-    \begin{tabular}{lccc}
-        \hline
-        Kelas & Precision & Recall & F1 \\
-        \hline
-        A & -- & -- & -- \\
-        B & -- & -- & -- \\
-        C & -- & -- & -- \\
-        % ... tambah baris sesuai jumlah kelas
-        \hline
-    \end{tabular}
-\end{table}
-
-Confusion Matrix pada Gambar~\ref{fig:cm} menunjukkan pola salah klasifikasi yang dominan antara kelas \textit{[kelas\_A]} dan \textit{[kelas\_B]}. Dua kelas ini memiliki respons spektral yang mirip pada rentang \textit{[f\_low--f\_high]} Hz, sehingga kesalahan terutama terjadi ketika amplitudo sinyal rendah atau \textit{signal-to-noise ratio} menurun. Sebaliknya, kelas \textit{[kelas\_C]} memperlihatkan separasi yang baik dengan Recall \textit{[recall\_C]}\% dan F1 \textit{[f1\_C]}\% (Tabel~\ref{tab:per-class}).
-
-Analisis kesalahan kasus-per-kasus menunjukkan bahwa \textit{[proporsi\_\%]}\% prediksi keliru terjadi pada sampel dengan \textit{[ciri sinyal/condisi uji]} dan \textit{[konfigurasi sensor]}. Hal ini menyarankan perlunya \textit{[strategi perbaikan, mis. penambahan fitur bandpass tertentu atau penyeimbangan kelas]}.
-
-\section{Ablasi dan Sensitivitas}
-\subsection{Ablasi Fitur}
+Gambar~\ref{fig:stft-damaged-multiple-a} dan Gambar~\ref{fig:stft-damaged-multiple-b} memperlihatkan hasil \gls{stft} gabungan (\textit{aggregated}) untuk seluruh titik join dengan kerusakan (kelas 1--6). Setiap 513 segmen waktu merepresentasikan kolom sensor yang ditinjau. 
 \begin{figure}[htbp]
     \centering
-    \includegraphics[width=0.75\textwidth]{example-image-a}
-    \fbox{\begin{minipage}[c][0.22\textheight][c]{0.70\textwidth}\centering
-    Placeholder Bar Chart: Time vs Freq vs Kombinasi
-    \end{minipage}}
-    \caption{Perbandingan performa berdasarkan jenis fitur.}
-    \label{fig:ablation-features}
+    \includesvg[width=\textwidth, pretex=\tiny, inkscapelatex=true]{chapters/img/sensor1/stft-damaged-multiple-1.svg}
+    \caption{\gls{stft} sensor A dengan kerusakan (damaged $d_1$\textemdash $d_6$).}
+    \label{fig:stft-damaged-multiple-a}
 \end{figure}
-
-Studi ablation pada Gambar~\ref{fig:ablation-features} menegaskan bahwa kombinasi fitur memberikan peningkatan \textit{[delta\_ablation]} poin persentase pada Macro-F1 dibandingkan fitur domain waktu saja. Hal ini mengindikasikan bahwa karakteristik harmonik dan komponen frekuensi transien yang ditangkap STFT berkontribusi pada pemisahan kelas yang lebih baik.
-
-\subsection{Parameter STFT dan Windowing}
-\begin{table}[htbp]
-    \centering
-    \caption{Sensitivitas terhadap parameter STFT pada data validasi.}
-    \label{tab:stft-sensitivity}
-    \begin{tabular}{lcccc}
-        \hline
-        Window & n\_fft & Overlap & Akurasi & Macro-F1 \\
-        \hline
-        Hann & -- & -- & -- & -- \\
-        Hann & -- & -- & -- & -- \\
-        (Tanpa window) & -- & -- & -- & -- \\
-        \hline
-    \end{tabular}
-\end{table}
-
-Eksperimen sensitivitas pada Tabel~\ref{tab:stft-sensitivity} memperlihatkan adanya \textit{trade-off} antara resolusi waktu dan frekuensi. Peningkatan \textit{n\_fft} cenderung memperhalus resolusi frekuensi namun mengurangi ketelitian temporal, sedangkan overlap yang lebih besar \textit{[overlap\_\% range]}\% membantu stabilitas estimasi fitur pada sinyal bising. Penggunaan window Hann memberikan kenaikan Macro-F1 sekitar \textit{[delta\_hann]} poin dibanding tanpa window, menegaskan peran pengurangan \textit{spectral leakage}.
-
-\subsection{Pendekatan Sensor Terbatas}
 \begin{figure}[htbp]
     \centering
-    % placeholder
-    \includegraphics[width=0.75\textwidth]{example-image-a}
-    \fbox{\begin{minipage}[c][0.22\textheight][c]{0.70\textwidth}\centering
-    Placeholder: Performa vs Jumlah/Posisi Sensor
-    \end{minipage}}
-    \caption{Dampak jumlah/konfigurasi sensor terhadap performa.}
-    \label{fig:sensor-limited}
+    \includesvg[width=1\textwidth, pretex=\tiny, inkscapelatex=true]{chapters/img/sensor2/stft-damaged-multiple-2.svg}
+    \caption{\gls{stft} sensor B dengan kerusakan (damaged $d_1$\textemdash $d_6$).}
+    \label{fig:stft-damaged-multiple-b}
 \end{figure}
 
-Hasil pada Gambar~\ref{fig:sensor-limited} menunjukkan bahwa pengurangan dari \textit{[n\_sensors\_full]} menjadi \textit{[n\_sensors\_min]} sensor hanya menurunkan Macro-F1 sekitar \textit{[delta\_perf\_sensors]} poin, khususnya ketika sensor ditempatkan pada \textit{[posisi sensor terbaik]}. Ini mengindikasikan bahwa pendekatan sensor terbatas tetap layak untuk implementasi dengan biaya perangkat keras yang lebih rendah, selama pemilihan posisi sensor dioptimalkan.
 
-\section{Robustness dan Generalisasi}
-\begin{table}[htbp]
+\section{Analisis Eksplorasi Data}
+\label{sec:eda}
+
+Sebelum tahap pelatihan model dilakukan, diperlukan analisis eksplorasi
+untuk memahami distribusi dan karakteristik data fitur hasil ekstraksi
+\gls{stft} pada himpunan $\mathcal{D}_A$ dan $\mathcal{D}_B$.
+Analisis ini bertujuan untuk menilai sejauh mana fitur yang diperoleh
+mampu merepresentasikan perbedaan kondisi struktur
+serta menentukan parameter reduksi dimensi yang sesuai
+pada tahap pemodelan berikutnya.
+
+\subsection{Analisis Komponen Utama (PCA)}
+Transformasi \gls{pca} diterapkan terhadap data fitur berdimensi
+$513$ untuk mengevaluasi proporsi variansi yang dapat dijelaskan
+oleh setiap komponen utama. 
+Dengan menghitung \textit{\gls{explained-variance-ratio}}, diperoleh
+diagram \textit{scree} seperti pada Gambar~\ref{fig:scree_plot},
+yang menunjukkan kontribusi masing-masing komponen terhadap
+total variansi data.
+
+\begin{figure}[H]
     \centering
-    \caption{Ringkasan kinerja antar-fold (jika menggunakan k-fold).}
-    \label{tab:kfold}
-    \begin{tabular}{lcc}
-        \hline
-        Metrik & Rata-rata & Deviasi Standar \\
-        \hline
-        Macro-F1 & -- & -- \\
-        Akurasi & -- & -- \\
-        \hline
-    \end{tabular}
+    \includegraphics[width=.75\textwidth]{chapters/img/scree_plot.png}
+    \caption{Diagram \textit{scree} hasil analisis \gls{pca} pada dataset $\mathcal{D}_A$ dan $\mathcal{D}_B$.}
+    \label{fig:scree_plot}
+\end{figure}
+
+Dari Gambar~\ref{fig:scree_plot} terlihat bahwa \textit{explained ratio cumulative} 0.95 dicapai pada sekitar 300 komponen utama,
+% Sebagai contoh, sepuluh komponen pertama menjelaskan sekitar
+% $\alpha\%$ variansi kumulatif pada kanal sensor~A
+% dan $\beta\%$ pada kanal sensor~B.
+% Hasil ini menunjukkan bahwa terdapat redundansi di antara fitur-fitur
+% frekuensi yang diekstraksi, sehingga reduksi dimensi
+% dapat dilakukan tanpa kehilangan informasi signifikan.
+
+\subsection{Reduksi Dimensi Sebelum Visualisasi}
+Sebelum diterapkan metode reduksi dimensi non-linear seperti \gls{tsne}
+dan \gls{pacmap}, \text{\gls{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 \gls{stft} yang berdimensi tinggi ($513$ dimensi).
+Langkah ini umum digunakan untuk meningkatkan stabilitas dan efisiensi
+proses embedding \parencite{JMLR:v9:vandermaaten08a}.
+
+Pada penelitian ini, beberapa nilai komponen \gls{pca} digunakan \\
+($n_\text{components}\in\{512,128,32,8\}$)
+untuk menilai pengaruh tingkat reduksi terhadap hasil proyeksi \gls{tsne}
+dan \gls{pacmap}. 
+Gambar~\ref{fig:pca_tsne_pacmap_A} dan~\ref{fig:pca_tsne_pacmap_B} memperlihatkan contoh visualisasi 
+dua dimensi hasil reduksi berurutan \gls{pca} $\rightarrow$ \gls{tsne} dan 
+\gls{pca} $\rightarrow$ \gls{pacmap} pada Sensor A dan B
+% $\mathcal{D}_A$.
+
+\begin{figure}[H]
+    \centering
+    \subfloat[PCA=512]{\includegraphics[width=.24\textwidth]{chapters/img/sensor1/tsne_original.png}}
+    \subfloat[PCA=16]{\includegraphics[width=.24\textwidth]{chapters/img/sensor1/tsne_pca16.png}}
+    \subfloat[PCA=8]{\includegraphics[width=.24\textwidth]{chapters/img/sensor1/tsne_pca8.png}}
+    \subfloat[PCA=4]{\includegraphics[width=.24\textwidth]{chapters/img/sensor1/tsne_pca4.png}} \\[1ex]
+    \subfloat[PCA=512]{\includegraphics[width=.24\textwidth]{chapters/img/sensor1/pacmap_original.png}}
+    \subfloat[PCA=16]{\includegraphics[width=.24\textwidth]{chapters/img/sensor1/pacmap_pca16.png}}
+    \subfloat[PCA=8]{\includegraphics[width=.24\textwidth]{chapters/img/sensor1/pacmap_pca8.png}}
+    \subfloat[PCA=4]{\includegraphics[width=.24\textwidth]{chapters/img/sensor1/pacmap_pca4.png}}
+    \caption{Visualisasi hasil reduksi bertahap pada $\mathcal{D}_A$ dengan \gls{pca} $\rightarrow$ \gls{tsne} (baris atas) dan \gls{pca} $\rightarrow$ \gls{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}}
+    \subfloat[PCA=16]{\includegraphics[width=.24\textwidth]{chapters/img/sensor2/tsne_pca16.png}}
+    \subfloat[PCA=8]{\includegraphics[width=.24\textwidth]{chapters/img/sensor2/tsne_pca8.png}}
+    \subfloat[PCA=4]{\includegraphics[width=.24\textwidth]{chapters/img/sensor2/tsne_pca4.png}} \\[1ex]
+    \subfloat[PCA=512]{\includegraphics[width=.24\textwidth]{chapters/img/sensor2/pacmap_original.png}}
+    \subfloat[PCA=16]{\includegraphics[width=.24\textwidth]{chapters/img/sensor2/pacmap_pca16.png}}
+    \subfloat[PCA=8]{\includegraphics[width=.24\textwidth]{chapters/img/sensor2/pacmap_pca8.png}}
+    \subfloat[PCA=4]{\includegraphics[width=.24\textwidth]{chapters/img/sensor2/pacmap_pca4.png}}
+    \caption{Visualisasi hasil reduksi bertahap pada $\mathcal{D}_B$ dengan \gls{pca} $\rightarrow$ \gls{tsne} (baris atas) 
+    dan \gls{pca} $\rightarrow$ \gls{pacmap} (baris bawah).}
+    \label{fig:pca_tsne_pacmap_B}
+\end{figure}
+
+Hasil pada Gambar~\ref{fig:pca_tsne_pacmap_A} dan~\ref{fig:pca_tsne_pacmap_B} menunjukkan bahwa
+pengurangan jumlah komponen \gls{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}).
+
+Eksplorasi data ini mendukung pemilihan nilai $n_\text{components}$
+sebagai salah satu parameter penting yang diuji dalam
+\textit{\gls{grid-search}} pada tahap optimasi model untuk mengurangi kompleksitas model dan efisiensi komputasi.
+
+% \subsection{Visualisasi Ruang Fitur Non-Linear}
+% Selain PCA, digunakan dua metode reduksi dimensi non-linear,
+% yaitu \gls{tsne} dan \gls{pacmap},
+% untuk memvisualisasikan struktur data dalam ruang dua dimensi.
+% Kedua metode ini memproyeksikan vektor fitur berukuran $513$
+% ke bidang dua dimensi dengan mempertahankan hubungan jarak
+% antar sampel secara lokal.
+
+% \begin{figure}[H]
+%     \centering
+%     % \subfloat[t-SNE pada $\mathcal{D}_A$]{%
+%     %     \includegraphics[width=.48\textwidth]{chapters/img/sensor1/tsne_A.png}
+%     % }\hfill
+%     \subfloat[t-SNE pada $\mathcal{D}_B$]{%
+%         \includegraphics[width=.48\textwidth]{chapters/img/sensor1/tsne_B.png}
+%     }\\[1ex]
+%     \subfloat[PaCMAP pada $\mathcal{D}_A$]{%
+%         \includegraphics[width=.48\textwidth]{chapters/img/sensor1/pacmap_A.png}
+%     }\hfill
+%     \subfloat[PaCMAP pada $\mathcal{D}_B$]{%
+%         \includegraphics[width=.48\textwidth]{chapters/img/sensor1/pacmap_B.png}
+%     }
+%     \caption{Visualisasi dua dimensi hasil reduksi dimensi non-linear
+%     menggunakan t-SNE dan PaCMAP pada fitur STFT sensor A dan B.
+% .}
+%     \label{fig:tsne_pacmap}
+% \end{figure}
+
+% Pada Gambar~\ref{fig:tsne_pacmap} tampak bahwa setiap kelas
+% ($d_0$--$d_6$) membentuk klaster yang relatif terpisah,
+% menandakan bahwa fitur hasil STFT memiliki kemampuan diskriminatif
+% terhadap kondisi struktur. 
+% Beberapa tumpang tindih antar klaster (khususnya antara $d_i$ yang berdekatan)
+% masih muncul akibat kemiripan respons getaran pada lokasi
+% yang berdekatan, namun pola pemisahan antar kelompok
+% masih terlihat jelas.
+
+\subsection{Interpretasi dan Implikasi}
+Hasil eksplorasi ini menunjukkan bahwa:
+\begin{enumerate}
+    \item Variansi utama data dapat dijelaskan oleh sejumlah kecil komponen \gls{pca}, sehingga reduksi dimensi berpotensi meningkatkan efisiensi komputasi tanpa kehilangan informasi penting.
+    \item Visualisasi \gls{tsne} dan \gls{pacmap} memperlihatkan bahwa fitur \gls{stft} mampu mengelompokkan kondisi struktur yang cukup baik sesuai label kerusakan, mendukung validitas pemilihan \gls{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 potensi jumlah komponen \gls{pca} yang akan digunakan pada \textit{grid search} saat optimasi \textit{hyperparameter} model \gls{svm}.
+
+\section{Hasil \textit{Coarse Grid-Search}}
+\label{sec:grid-results}
+
+Setelah proses ekstraksi fitur dan pembentukan dataset berlabel,
+tahap berikutnya adalah melakukan \textit{\gls{grid-search}}
+untuk mengoptimalkan \textit{hyperparameter} model \gls{svm} 
+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{\gls{stratified-k-fold} \gls{cross-validation}} $k=5$ menghasilkan total 1000 kali \textit{fitting}.
+Setiap kombinasi dievaluasi menggunakan metrik akurasi rata-rata
+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
+\caption{Hasil ringkasan \textit{coarse grid-search} pada Sensor A ($\mathcal{D}_A$).}
+\label{tab:coarse_summary_A}
+\input{chapters/id/tables/coarse_summary_A}
 \end{table}
 
-Pada skema validasi silang \textit{k}-fold, variasi performa relatif rendah dengan simpangan baku Macro-F1 sebesar \textit{[std\_f1]} (Tabel~\ref{tab:kfold}), menandakan stabilitas model terhadap variasi subset data. Penambahan noise sintetis pada tingkat SNR \textit{[snr levels]} menunjukkan penurunan performa yang \textit{[ringan/sedang/bermakna]} sekitar \textit{[delta\_snr]} poin; augmentasi \textit{[jenis augmentasi]} membantu mengkompensasi sebagian penurunan tersebut.
+\begin{table}[H]
+\centering
+\caption{Hasil ringkasan \textit{coarse grid-search} pada Sensor B ($\mathcal{D}_B$).}
+\label{tab:coarse_summary_B}
+\input{chapters/id/tables/coarse_summary_B}
+\end{table}
 
-Pada skenario \textit{domain shift} \textit{[nama skenario]}, model mempertahankan Macro-F1 sebesar \textit{[f1\_shift]}\%, yang menunjukkan \textit{[derajat generalisasi]} terhadap kondisi yang berbeda dari data pelatihan.
+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 \gls{not:S_i} menunjukkan akurasi tertinggi yang dicapai, sedangkan kolom \gls{not:T_i} mencatat waktu rata-rata (dalam detik) yang dibutuhkan untuk melatih model (\textit{mean fit time}) pada setiap kombinasi parameter.
 
-\section{Perbandingan dengan Pustaka/Baseline}
-Temuan kami selaras dengan tren yang dilaporkan oleh \textcite{abdeljaber2017}, khususnya mengenai pentingnya informasi frekuensi untuk mendeteksi lokasi kerusakan. Meskipun demikian, perbedaan \textit{setup} eksperimen (\textit{[jenis struktur/skenario uji]}, konfigurasi sensor, dan definisi kelas) membuat angka metrik tidak dapat dibandingkan secara langsung. Oleh karena itu, perbandingan difokuskan pada pola dan arah peningkatan, bukan nilai absolut.
+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.
 
-\section{Kompleksitas dan Implementasi}
-Model SVM dengan fitur \textit{[jenis fitur terbaik]} menawarkan waktu inferensi sekitar \textit{[t\_infer\_ms]} ms per sampel pada \textit{[perangkat/CPU/GPU]}. Tahap ekstraksi STFT memerlukan \textit{[t\_stft\_ms]} ms per segmen dengan parameter \textit{[n\_fft]}, overlap \textit{[overlap\_\%]}\%, dan window Hann. Secara keseluruhan, latensi ujung-ke-ujung diperkirakan \textit{[t\_end2end\_ms]} ms, yang \textit{[memadai/belum memadai]} untuk aplikasi \textit{[real-time/near real-time]}.
+% \subsection{Evaluasi Keseluruhan}
+% Distribusi akurasi seluruh kandidat model ditunjukkan pada
+% Gambar~\ref{fig:grid_hist}.
+% Sebagian besar kombinasi menghasilkan akurasi di atas~95\%,
+% menunjukkan bahwa fitur STFT memiliki daya klasifikasi yang kuat
+% terhadap kondisi struktur.
 
-Dengan \textit{[n\_sensors\_min]} sensor, kebutuhan komputasi dan bandwidth data berkurang \textit{[proporsi pengurangan]} dibanding konfigurasi penuh, yang memperbaiki kelayakan implementasi lapangan tanpa mengorbankan akurasi secara signifikan.
+% \begin{figure}[H]
+%     \centering
+%     % \includegraphics[width=.65\textwidth]{figures/grid_hist.pdf}
+%     \caption{Distribusi akurasi validasi silang dari 225 kombinasi parameter $(C,\gamma,n_{\text{components}})$.}
+%     \label{fig:grid_hist}
+% \end{figure}
 
-\section{Ringkasan Bab}
-\begin{itemize}
-    \item Konfigurasi terbaik (\textit{[konfigurasi terbaik]}) mencapai Akurasi \textit{[acc\_best]}\%, Macro-F1 \textit{[f1\_best]}\%, dan Kappa \textit{[kappa\_best]} pada data uji.
-    \item Kesalahan dominan terjadi antara kelas \textit{[kelas\_A]} dan \textit{[kelas\_B]} karena kemiripan respons pada \textit{[f\_low--f\_high]} Hz; strategi \textit{[strategi perbaikan]} direkomendasikan.
-    \item Ablasi menegaskan manfaat kombinasi fitur; window Hann dan parameter STFT \textit{[n\_fft, overlap]} memberi keseimbangan resolusi yang baik.
-    \item Pendekatan sensor terbatas dengan \textit{[n\_sensors\_min]} sensor tetap layak dengan penurunan performa \textit{[delta\_perf\_sensors]} poin.
-    \item Model menunjukkan stabilitas antar-fold (\textit{[std\_f1]}) dan ketahanan \textit{[terhadap noise/domain shift]} dengan penyesuaian \textit{[augmentasi/penalaan]}. 
-\end{itemize}
+% \subsection{Pengaruh Jumlah Komponen PCA}
+% Rata-rata akurasi tertinggi untuk setiap nilai $n_{\text{components}}$
+% ditampilkan pada Gambar~\ref{fig:pca_acc_overall}.
+% Terlihat bahwa akurasi meningkat hingga mencapai puncak pada rentang
+% $n_{\text{components}} = 64$--$128$, kemudian menurun ketika jumlah komponen
+% dikurangi secara agresif.
+% Hal ini menunjukkan bahwa sekitar 10–25\% komponen utama sudah cukup
+% merepresentasikan informasi penting dari fitur STFT.
+
+% \begin{figure}[H]
+%     \centering
+%     % \includegraphics[width=.7\textwidth]{figures/pca_acc_overall.pdf}
+%     \caption{Rata-rata akurasi terhadap jumlah komponen PCA berdasarkan hasil pencarian \textit{grid}.}
+%     \label{fig:pca_acc_overall}
+% \end{figure}
+
+\subsection{Peta Akurasi terhadap Parameter SVM}
+Untuk setiap kanal sensor, peta akurasi terhadap parameter \gls{not:C}dan~\gls{not:gamma}
+pada konfigurasi \gls{pca} terbaik ($n_{\text{components}}=128$)
+ditunjukkan pada Gambar~\ref{fig:svm_heatmap_A} dan~\ref{fig:svm_heatmap_B}. Terlihat bahwa area akurasi tinggi terbentuk pada 
+nilai \gls{not:C} menengah dan \gls{not:gamma} kecil,
+yang menandakan keseimbangan antara margin yang cukup lebar
+dan kompleksitas model yang moderat.
+
+\begin{figure}
+    \centering
+    \subfloat[Baseline]{\includegraphics[width=.48\textwidth]{chapters/img/sensor1/grid_original.png}}\hfill
+    \subfloat[PCA=256]{\includegraphics[width=.48\textwidth]{chapters/img/sensor1/grid_pca256.png}}\hfill \\[1ex]
+    \subfloat[PCA=128]{\includegraphics[width=.48\textwidth]{chapters/img/sensor1/grid_pca128.png}}\hfill
+    \subfloat[PCA=64]{\includegraphics[width=.48\textwidth]{chapters/img/sensor1/grid_pca64.png}}\hfill \\[1ex]
+    \subfloat[PCA=32]{\includegraphics[width=.48\textwidth]{chapters/img/sensor1/grid_pca32.png}}\hfill
+    \subfloat[PCA=16]{\includegraphics[width=.48\textwidth]{chapters/img/sensor1/grid_pca16.png}}\hfill \\[1ex]
+    \subfloat[PCA=8]{\includegraphics[width=.48\textwidth]{chapters/img/sensor1/grid_pca8.png}}\hfill
+    \subfloat[PCA=4]{\includegraphics[width=.48\textwidth]{chapters/img/sensor1/grid_pca4.png}}\hfill
+    \caption{\textit{Heatmap mean test score} terhadap parameter \gls{not:C}dan~\gls{not:gamma} untuk setiap komponen utama PCA pada Sensor A ($\mathcal{D}_A$).}
+    \label{fig:svm_heatmap_A}
+\end{figure}
+
+\begin{figure}
+    \centering
+    \subfloat[Baseline]{\includegraphics[width=.48\textwidth]{chapters/img/sensor2/grid_original.png}}\hfill
+    \subfloat[PCA=256]{\includegraphics[width=.48\textwidth]{chapters/img/sensor2/grid_pca256.png}}\hfill \\[1ex]
+    \subfloat[PCA=128]{\includegraphics[width=.48\textwidth]{chapters/img/sensor2/grid_pca128.png}}\hfill
+    \subfloat[PCA=64]{\includegraphics[width=.48\textwidth]{chapters/img/sensor2/grid_pca64.png}}\hfill \\[1ex]
+    \subfloat[PCA=32]{\includegraphics[width=.48\textwidth]{chapters/img/sensor2/grid_pca32.png}}\hfill
+    \subfloat[PCA=16]{\includegraphics[width=.48\textwidth]{chapters/img/sensor2/grid_pca16.png}}\hfill \\[1ex]
+    \subfloat[PCA=8]{\includegraphics[width=.48\textwidth]{chapters/img/sensor2/grid_pca8.png}}\hfill
+    \subfloat[PCA=4]{\includegraphics[width=.48\textwidth]{chapters/img/sensor2/grid_pca4.png}}\hfill
+    \caption{\textit{Heatmap mean test score} terhadap parameter \gls{not:C}dan~\gls{not:gamma} untuk setiap komponen utama PCA pada Sensor B ($\mathcal{D}_B$).}
+    \label{fig:svm_heatmap_B}
+\end{figure}
+
+\subsection{Analisis Efisiensi Model pada \textit{Coarse Grid-Search}}
+\label{sec:efficiency_analysis}
+Selain mempertimbangkan akurasi rata-rata (\textit{mean test score}) 
+sebagai satu-satunya metrik evaluasi, penelitian ini juga memperhitungkan
+waktu pelatihan rata-rata (\textit{mean fit time}) untuk menilai efisiensi komputasi.
+Hal ini penting karena peningkatan akurasi sering kali diikuti dengan 
+kenaikan waktu pelatihan yang tidak proporsional.
+
+Metrik \gls{not:E_i} menggambarkan rasio akurasi terhadap biaya waktu pelatihan.
+Semakin besar nilai \gls{not:E_i}, semakin efisien model tersebut atau
+model mampu mencapai akurasi tinggi dengan waktu pelatihan yang relatif singkat.
+
+% \begin{figure}[H]
+%     \centering
+%     % \includegraphics[width=.7\textwidth]{figures/efficiency_score.pdf}
+%     \caption{Perbandingan metrik efisiensi (\gls{not:E_i}$$) dan akurasi rata-rata (\gls{not:S_i})
+%     terhadap jumlah komponen PCA.}
+%     \label{fig:efficiency_score}
+% \end{figure}
+
+\begin{table}[H]
+\centering
+\caption{Hasil ringkasan nilai maksimum \textit{mean test score} untuk setiap konfigurasi $n_{\text{components}}$ pada Sensor A ($\mathcal{D}_A$).}
+\label{tab:efficiency_summary_A}
+\input{chapters/id/tables/efficiency_summary_A}
+\end{table}
+
+\begin{table}[H]
+\centering
+\caption{Hasil ringkasan nilai maksimum \textit{mean test score} untuk setiap konfigurasi $n_{\text{components}}$ pada Sensor B ($\mathcal{D}_B$).}
+\label{tab:efficiency_summary_B}
+\input{chapters/id/tables/efficiency_summary_B}
+\end{table}
+
+Hasil pada Tabel~\ref{tab:efficiency_summary_A} dan Tabel~\ref{tab:efficiency_summary_B} menunjukkan bahwa,
+meskipun nilai akurasi tertinggi dicapai pada 
+$n_{\text{components}} = 512$ untuk kedua kanal sensor,
+puncak nilai metrik efisiensi dicapai pada 
+$n_{\text{components}} = 32$ dengan $E = 0.9504$ untuk Sensor A ($\mathcal{D}_A$) dan $n_{\text{components}} = 16$ dengan $E = 0.9116$ untuk Sensor B ($\mathcal{D}_B$).
+Artinya, pengurangan dimensi hingga 32 komponen untuk Sensor A dan 16 komponen untuk Sensor B
+menghasilkan model yang hampir seakurat konfigurasi berdimensi penuh,
+namun dengan waktu pelatihan yang berkurang lebih dari 75\%.
+% Kompromi ini dianggap sebagai titik optimum antara performa dan efisiensi.
+
+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 subbab berikutnya.
+
+
+\section{Evaluasi Model \textit{Baseline}}
+\label{sec:baseline_performance}
+Model \textit{baseline} yang digunakan diperoleh dari \textit{coarse \gls{grid-search}} pada Subbab~\ref{sec:efficiency_analysis} adalah \gls{svm} dengan kernel \gls{rbf}, 32 komponen \gls{pca}, dan \textit{hyperparameter} $C=2^{10}$, $\gamma=2^{-10}$ untuk Sensor A, sedangkan untuk Sensor B adalah SVM dengan kernel RBF, 16 komponen PCA, dan \textit{hyperparameter} $C=2^{5}$, $\gamma=2^{-5}$. Pada bagian ini, dilakukan evaluasi performa model \textit{baseline} dengan data uji yang berbeda (\textit{Dataset} B).
+
+
+\subsection{Metrik Klasifikasi}
+Metrik klasifikasi model \textit{baseline} pada dataset pengujian disajikan pada Tabel~\ref{tab:metrics-baseline_A} dan~\ref{tab:metrics-baseline_B}.
+
+\begin{table}[htbp]
+    \centering
+    \caption{\textit{Classification report} model \textit{baseline} pada Sensor A}
+    \label{tab:metrics-baseline_A}
+    \input{chapters/id/tables/metrics-baseline_A.tex}
+\end{table}
+
+\begin{table}[htbp]
+    \centering
+    \caption{\textit{Classification report} model \textit{baseline} pada Sensor B}
+    \label{tab:metrics-baseline_B}
+    \input{chapters/id/tables/metrics-baseline_B.tex}
+\end{table}
+
+Hasil ini menunjukkan bahwa model \textit{baseline} kedua sensor mencapai akurasi 99\%. Nilai \textit{recall} yang relatif tinggi (99.0\%) menunjukkan bahwa model lebih sensitif untuk mendeteksi kelas kerusakan, meskipun nilai \textit{precision} yang sedikit lebih rendah, menunjukkan bahwa ada beberapa \textit{false-positive} yang dihasilkan.
+
+\subsection{\textit{Confusion Matrix}}
+\begin{figure}[H]
+    \centering
+    \includegraphics[width=0.8\textwidth]{chapters/img/sensor1/cm_baseline_s1a_eval.png}
+    \caption{\textit{Confusion matrix} model \textit{baseline} SVM (RBF) pada Sensor A}
+    \label{fig:confusion-matrix-baseline_A}
+\end{figure}
+
+\begin{figure}[H]
+    \centering
+    \includegraphics[width=0.8\textwidth]{chapters/img/sensor2/cm_baseline_s2a_eval.png}
+    \caption{\textit{Confusion matrix} model \textit{baseline} SVM (RBF) pada Sensor B}
+    \label{fig:confusion-matrix-baseline_B}
+\end{figure}
+
+Dari Gambar~\ref{fig:confusion-matrix-baseline_A} dan~\ref{fig:confusion-matrix-baseline_B}, terlihat bahwa kedua model minim kesalahan klasifikasi, dengan sebagian besar prediksi berada di diagonal utama. Beberapa kesalahan klasifikasi minor terjadi paling banyak antara kelas 0 dengan kelas 1 dan kelas 6.
+
+
+\section{\textit{Fine Grid-Search}}
+Optimasi model yang dilakukan yaitu dengan melakukan \textit{fine \gls{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 \textit{hyperparameter} yang dicari adalah
+\begin{align*}
+    C &= \{\, 2^8,\, 2^{8.5},\, \ldots,\, 2^{12} \,\} \\
+    \gamma &= \{\, 2^{-12},\, 2^{-11.5},\, \ldots ,\, 2^{-8} \,\},
+\end{align*}sedangkan Sensor B dengan $n_{\text{components}} = 16$ rentang \textit{hyperparameter} yang dicari adalah
+\begin{align*}
+    C &= \{\, 2^3,\, 2^{3.5},\, \ldots,\, 2^{7} \,\} \\
+    \gamma &= \{\, 2^{-7},\, 2^{-6.5},\, \ldots ,\, 2^{-3} \,\}.
+\end{align*}. Pada proses ini, \textit{\gls{standard-scaler}} dan \textit{\gls{stratified-k-fold} \gls{cross-validation}} dengan $k=5$ tetap digunakan untuk menjaga konsistensi evaluasi model, sehingga total kombinasi parameter yang diuji adalah \(9\times9 = 81\) kandidat model dengan total 405 kali \textit{fitting}.
+
+\subsection{Diagram \textit{Fine Grid-Search Heatmap}}
+Gambar~\ref{fig:svm_fine_heatmap} menunjukkan diagram \textit{heatmap} terhadap parameter \textit{fine grid-search} \gls{not:C}dan~\gls{not:gamma} untuk masing-masing sensor. Akurasi tertinggi pada Sensor A diperoleh pada $C= \{\,2^{8}, \,2^{8.5}, \,2^{9}, \,2^{9.5}, \,2^{10}, \,2^{10.5},\,2^{11}, \,2^{11.5}, \,2^{12} \,\}$ dan $\gamma=2^{-8}$ dengan akurasi meningkat 0.15\% menjadi 99.54\%, sedangkan pada Sensor B diperoleh pada $\gamma = \{\,2^{-5},\,2^{-5.5} \,\}$ dan $C= \{\, 2^{3},\, 2^{3.5},\, 2^{4}\,\}$ dengan akurasi meningkat 0.05\% menjadi 99.49\%. Hasil ini menunjukkan bahwa optimasi \textit{hyperparameter} lebih lanjut dapat meningkatkan performa model meskipun peningkatannya relatif kecil dibandingkan dengan model \textit{baseline}.
+\begin{figure}[H]
+    \centering
+    \subfloat[Sensor A (PCA 32)]{\includegraphics[width=.48\textwidth]{chapters/img/sensor1/grid_fine_pca32.png}}
+    \centering
+    \subfloat[Sensor B (PCA 16)]{\includegraphics[width=.48\textwidth]{chapters/img/sensor2/grid_fine_pca16.png}}
+    \caption{\textit{Heatmap mean test score} terhadap \textit{fine grid-search parameter} \gls{not:C}dan~\gls{not:gamma}}
+    \label{fig:svm_fine_heatmap}
+\end{figure}
+
+\section{Evaluasi Model \textit{Fine Grid-Search}}
+Model \textit{fine \gls{grid-search}} dilatih pada \textit{dataset} A dan perlu dievaluasi performanya dengan data uji yang berbeda (\textit{dataset} B) untuk mengukur peningkatan performa dibandingkan model \textit{baseline}.
+\subsection{Metrik Klasifikasi}
+Hasil performa model \textit{fine \gls{grid-search}} pada data uji disajikan pada Tabel~\ref{tab:metrics-fine-a} dan~\ref{tab:metrics-fine-b}.
+
+\begin{table}
+\centering
+\caption{\textit{Classification report} model Sensor A}
+\label{tab:metrics-fine-a}
+\input{chapters/id/tables/metrics-fine-a.tex}
+\end{table}
+
+\begin{table}
+\centering
+\caption{\textit{Classification report} model Sensor B}
+\label{tab:metrics-fine-b}
+\input{chapters/id/tables/metrics-fine-b.tex}
+\end{table}
+
+\subsection{\textit{Confusion Matrix}}
+\begin{figure}[H]
+    \centering
+    \includegraphics[width=.8\textwidth]{chapters/img/sensor1/cm_fine_s1a_eval.png}
+    \caption{\textit{Confusion matrix} model \textit{fine \gls{grid-search}} pada Sensor A}
+    \label{fig:cm_fine_s1a_eval}
+\end{figure}
+\begin{figure}[H]
+    \centering
+    \includegraphics[width=.8\textwidth]{chapters/img/sensor2/cm_fine_s2a_eval.png}
+    \caption{\textit{Confusion matrix} model \textit{fine \gls{grid-search}} pada Sensor B}
+    \label{fig:cm_fine_s2a_eval}
+\end{figure}
+
+\section{Model \textit{Inference} dan Visualisasi Prediksi}
+Setelah model \textit{fine \gls{grid-search}} dievaluasi, dilakukan proses \textit{inference} pada data uji untuk memvisualisasikan prediksi model. Gambar~\ref{fig:inference_undamaged}, \ref{fig:inference_damaged_17}, dan~\ref{fig:inference_damaged_30} menunjukkan beberapa hasil prediksi model pada Sensor A dan Sensor B dalam \textit{heatmap} dan grafik probabilitasnya.
+
+Pada kasus struktur tanpa kerusakan (Gambar~\ref{fig:inference_undamaged}), model memberikan prediksi \textit{false-positive}, sehingga beberapa titik pada \textit{heatmap} menunjukkan probabilitas kerusakan hingga 50\% meskipun struktur sebenarnya dalam kondisi baik, sedangkan pada kasus kerusakan \textit{joint} 17 (Gambar~\ref{fig:inference_damaged_17}) dan \textit{joint} 30 (Gambar~\ref{fig:inference_damaged_30}), model berhasil mengidentifikasi lokasi kerusakan dengan probabilitas tinggi ($\approx 100\%$) pada area yang sesuai. Hal ini menunjukkan bahwa model memiliki kemampuan deteksi kerusakan yang baik, meskipun masih terdapat beberapa \textit{false-positive} pada kondisi tanpa kerusakan.
+
+\begin{figure}[H]
+    \centering
+    \subfloat[Grafik probabilitas prediksi model pada Sensor A]{\includegraphics[width=.48\textwidth]{chapters/img/sensor1/pod_fine_s1a_undamaged.png}}\hfill 
+    \subfloat[\textit{Heatmap} prediksi model pada Sensor A]{\includegraphics[width=.48\textwidth]{chapters/img/sensor1/inference_fine_s1a_undamaged.png}} \\[1ex]
+    \centering
+    \subfloat[Grafik probabilitas prediksi model pada Sensor B]{\includegraphics[width=.48\textwidth]{chapters/img/sensor2/pod_fine_s2a_undamaged.png}}\hfill 
+    \subfloat[\textit{Heatmap} prediksi model pada Sensor B]{\includegraphics[width=.48\textwidth]{chapters/img/sensor2/inference_fine_s2a_undamaged.png}}
+    \caption{Hasil \textit{inference} model \textit{fine \gls{grid-search}} pada data uji (\textit{Dataset} B) kasus struktur tidak rusak.}
+    \label{fig:inference_undamaged}
+\end{figure}
+\begin{figure}[H]
+    \centering
+    \subfloat[Grafik probabilitas prediksi model pada Sensor A]{\includegraphics[width=.48\textwidth]{chapters/img/sensor1/pod_fine_s1a_damaged17.png}}\hfill 
+    \subfloat[\textit{Heatmap} prediksi model pada Sensor A]{\includegraphics[width=.48\textwidth]{chapters/img/sensor1/inference_fine_s1a_damaged17.png}} \\[1ex]
+    \centering
+    \subfloat[Grafik probabilitas prediksi model pada Sensor B]{\includegraphics[width=.48\textwidth]{chapters/img/sensor2/pod_fine_s2a_damaged17.png}}\hfill 
+    \subfloat[\textit{Heatmap} prediksi model pada Sensor B]{\includegraphics[width=.48\textwidth]{chapters/img/sensor2/inference_fine_s2a_damaged17.png}}
+    \caption{Hasil \textit{inference} model \textit{fine \gls{grid-search}} pada data uji (\textit{Dataset} B) kasus kerusakan \textit{joint} 17.}
+    \label{fig:inference_damaged_17}
+\end{figure}
+\begin{figure}[H]
+    \centering
+    \subfloat[Grafik probabilitas prediksi model pada Sensor A]{\includegraphics[width=.48\textwidth]{chapters/img/sensor1/pod_fine_s1a_damaged30.png}}\hfill 
+    \subfloat[\textit{Heatmap} prediksi model pada Sensor A]{\includegraphics[width=.48\textwidth]{chapters/img/sensor1/inference_fine_s1a_damaged30.png}} \\[1ex]
+    \centering
+    \subfloat[Grafik probabilitas prediksi model pada Sensor B]{\includegraphics[width=.48\textwidth]{chapters/img/sensor2/pod_fine_s2a_damaged30.png}}\hfill 
+    \subfloat[\textit{Heatmap} prediksi model pada Sensor B]{\includegraphics[width=.48\textwidth]{chapters/img/sensor2/inference_fine_s2a_damaged30.png}}
+    \caption{Hasil \textit{inference} model \textit{fine \gls{grid-search}} pada data uji (\textit{Dataset} B) kasus kerusakan \textit{joint} 30.}
+    \label{fig:inference_damaged_30}
+\end{figure}
+% \section{Efisiensi Komputasi}
+
+% \subsection{Perbandingan Waktu Latih}
+% \subsection{Perbandingan Waktu \textit{Inference}}
+% \begin{table}[htbp]
+%     \centering
+%     \caption{Perbandingan waktu inference model \textit{baseline} dan \textit{preprocessing pipeline}}
+%     \label{tab:training-time}
+%     \begin{tabular}{lrr}
+%         \hline
+%         Iterasi & \textit{Baseline} (detik) & \textit{preprocessing pipeline} (detik)\\
+%         1 & & 6.53 \\
+%         2 & & 6.08 \\
+%         3 & & 6.08 \\
+%         4 & & 6.10 \\
+%         5 & & 6.20 \\
+%         Rata-rata & & 6.20 \\
+%         \hline
+%     \end{tabular}
+% \end{table}
+
+% \section{}
+% Model \textit{baseline} yang dilakukan dengan \textit{preprocessing pipeline} mengurangi waktu latih sekitar x \%, sedangkan waktu \textit{inference} tiap sampel berkurang sekitar x \%. Hal ini menunjukkan keefektifan PCA dalam mereduksi dimensi fitur dan \textit{standard scaler}, dengan begitu dapat mengurangi beban komputasi tanpa mengorbankan akurasi.
+
+% Konfigurasi terbaik diperoleh pada kombinasi fitur waktu--frekuensi dengan SVM-\textit{[kernel]}, menghasilkan Akurasi sebesar \textit{[acc\_best]}\%, Macro-F1 sebesar \textit{[f1\_best]}\%, dan Kappa sebesar \textit{[kappa\_best]} pada data uji (Tabel~\ref{tab:main-results}). Dibandingkan baseline domain waktu saja, Macro-F1 meningkat sekitar \textit{[delta\_f1\_time]} poin persentase; dibandingkan domain frekuensi saja, peningkatan mencapai \textit{[delta\_f1\_freq]} poin persentase. Hasil ini mengindikasikan bahwa informasi pelengkap antara dinamika temporal dan spektral berkontribusi nyata terhadap separabilitas kelas.
+
+% Performa pada metrik Balanced Accuracy dan Macro-Recall juga konsisten, menandakan model tidak terlalu bias pada kelas mayoritas. Nilai Kappa \textit{[kappa\_best]} mengindikasikan tingkat kesepakatan yang \textit{[moderat/tinggi]} melampaui kebetulan.
+
+% \section{Analisis Per-Kelas dan Kesalahan}
+% \begin{figure}[htbp]
+%     \centering
+%     % \includegraphics[width=0.8\textwidth]{img/confusion_matrix.pdf}
+%     \fbox{\begin{minipage}[c][0.30\textheight][c]{0.80\textwidth}\centering
+%     Placeholder Confusion Matrix
+%     \end{minipage}}
+%     \caption{Confusion matrix pada data uji. Isikan gambar aktual dari pipeline evaluasi.}
+%     \label{fig:cm}
+% \end{figure}
+
+% \begin{table}[htbp]
+%     \centering
+%     \caption{Metrik per-kelas pada data uji. Gunakan bila diperlukan untuk melengkapi Confusion Matrix.}
+%     \label{tab:per-class}
+%     \begin{tabular}{lccc}
+%         \hline
+%         Kelas & Precision & Recall & F1 \\
+%         \hline
+%         A & -- & -- & -- \\
+%         B & -- & -- & -- \\
+%         C & -- & -- & -- \\
+%         % ... tambah baris sesuai jumlah kelas
+%         \hline
+%     \end{tabular}
+% \end{table}
+
+% Confusion Matrix pada Gambar~\ref{fig:cm} menunjukkan pola salah klasifikasi yang dominan antara kelas \textit{[kelas\_A]} dan \textit{[kelas\_B]}. Dua kelas ini memiliki respons spektral yang mirip pada rentang \textit{[f\_low--f\_high]} Hz, sehingga kesalahan terutama terjadi ketika amplitudo sinyal rendah atau \textit{signal-to-noise ratio} menurun. Sebaliknya, kelas \textit{[kelas\_C]} memperlihatkan separasi yang baik dengan Recall \textit{[recall\_C]}\% dan F1 \textit{[f1\_C]}\% (Tabel~\ref{tab:per-class}).
+
+% Analisis kesalahan kasus-per-kasus menunjukkan bahwa \textit{[proporsi\_\%]}\% prediksi keliru terjadi pada sampel dengan \textit{[ciri sinyal/condisi uji]} dan \textit{[konfigurasi sensor]}. Hal ini menyarankan perlunya \textit{[strategi perbaikan, mis. penambahan fitur bandpass tertentu atau penyeimbangan kelas]}.
+
+% \section{Ablasi dan Sensitivitas}
+% \subsection{Ablasi Fitur}
+% \begin{figure}[htbp]
+%     \centering
+%     \includegraphics[width=0.75\textwidth]{example-image-a}
+%     \fbox{\begin{minipage}[c][0.22\textheight][c]{0.70\textwidth}\centering
+%     Placeholder Bar Chart: Time vs Freq vs Kombinasi
+%     \end{minipage}}
+%     \caption{Perbandingan performa berdasarkan jenis fitur.}
+%     \label{fig:ablation-features}
+% \end{figure}
+
+% Studi ablation pada Gambar~\ref{fig:ablation-features} menegaskan bahwa kombinasi fitur memberikan peningkatan \textit{[delta\_ablation]} poin persentase pada Macro-F1 dibandingkan fitur domain waktu saja. Hal ini mengindikasikan bahwa karakteristik harmonik dan komponen frekuensi transien yang ditangkap STFT berkontribusi pada pemisahan kelas yang lebih baik.
+
+% \subsection{Parameter STFT dan Windowing}
+% \begin{table}[htbp]
+%     \centering
+%     \caption{Sensitivitas terhadap parameter STFT pada data validasi.}
+%     \label{tab:stft-sensitivity}
+%     \begin{tabular}{lcccc}
+%         \hline
+%         Window & n\_fft & Overlap & Akurasi & Macro-F1 \\
+%         \hline
+%         Hann & -- & -- & -- & -- \\
+%         Hann & -- & -- & -- & -- \\
+%         (Tanpa window) & -- & -- & -- & -- \\
+%         \hline
+%     \end{tabular}
+% \end{table}
+
+% Eksperimen sensitivitas pada Tabel~\ref{tab:stft-sensitivity} memperlihatkan adanya \textit{trade-off} antara resolusi waktu dan frekuensi. Peningkatan \textit{n\_fft} cenderung memperhalus resolusi frekuensi namun mengurangi ketelitian temporal, sedangkan overlap yang lebih besar \textit{[overlap\_\% range]}\% membantu stabilitas estimasi fitur pada sinyal bising. Penggunaan window Hann memberikan kenaikan Macro-F1 sekitar \textit{[delta\_hann]} poin dibanding tanpa window, menegaskan peran pengurangan \textit{spectral leakage}.
+
+% \subsection{Pendekatan Sensor Terbatas}
+% \begin{figure}[htbp]
+%     \centering
+%     % placeholder
+%     \includegraphics[width=0.75\textwidth]{example-image-a}
+%     \fbox{\begin{minipage}[c][0.22\textheight][c]{0.70\textwidth}\centering
+%     Placeholder: Performa vs Jumlah/Posisi Sensor
+%     \end{minipage}}
+%     \caption{Dampak jumlah/konfigurasi sensor terhadap performa.}
+%     \label{fig:sensor-limited}
+% \end{figure}
+
+% Hasil pada Gambar~\ref{fig:sensor-limited} menunjukkan bahwa pengurangan dari \textit{[n\_sensors\_full]} menjadi \textit{[n\_sensors\_min]} sensor hanya menurunkan Macro-F1 sekitar \textit{[delta\_perf\_sensors]} poin, khususnya ketika sensor ditempatkan pada \textit{[posisi sensor terbaik]}. Ini mengindikasikan bahwa pendekatan sensor terbatas tetap layak untuk implementasi dengan biaya perangkat keras yang lebih rendah, selama pemilihan posisi sensor dioptimalkan.
+
+% \section{Robustness dan Generalisasi}
+% \begin{table}[htbp]
+%     \centering
+%     \caption{Ringkasan kinerja antar-fold (jika menggunakan k-fold).}
+%     \label{tab:kfold}
+%     \begin{tabular}{lcc}
+%         \hline
+%         Metrik & Rata-rata & Deviasi Standar \\
+%         \hline
+%         Macro-F1 & -- & -- \\
+%         Akurasi & -- & -- \\
+%         \hline
+%     \end{tabular}
+% \end{table}
+
+% Pada skema validasi silang \textit{k}-fold, variasi performa relatif rendah dengan simpangan baku Macro-F1 sebesar \textit{[std\_f1]} (Tabel~\ref{tab:kfold}), menandakan stabilitas model terhadap variasi subset data. Penambahan noise sintetis pada tingkat SNR \textit{[snr levels]} menunjukkan penurunan performa yang \textit{[ringan/sedang/bermakna]} sekitar \textit{[delta\_snr]} poin; augmentasi \textit{[jenis augmentasi]} membantu mengkompensasi sebagian penurunan tersebut.
+
+% Pada skenario \textit{domain shift} \textit{[nama skenario]}, model mempertahankan Macro-F1 sebesar \textit{[f1\_shift]}\%, yang menunjukkan \textit{[derajat generalisasi]} terhadap kondisi yang berbeda dari data pelatihan.
+
+% \section{Perbandingan dengan Pustaka/Baseline}
+% Temuan kami selaras dengan tren yang dilaporkan oleh \textcite{abdeljaber2017}, khususnya mengenai pentingnya informasi frekuensi untuk mendeteksi lokasi kerusakan. Meskipun demikian, perbedaan \textit{setup} eksperimen (\textit{[jenis struktur/skenario uji]}, konfigurasi sensor, dan definisi kelas) membuat angka metrik tidak dapat dibandingkan secara langsung. Oleh karena itu, perbandingan difokuskan pada pola dan arah peningkatan, bukan nilai absolut.
+
+% \section{Kompleksitas dan Implementasi}
+% Model SVM dengan fitur \textit{[jenis fitur terbaik]} menawarkan waktu inferensi sekitar \textit{[t\_infer\_ms]} ms per sampel pada \textit{[perangkat/CPU/GPU]}. Tahap ekstraksi STFT memerlukan \textit{[t\_stft\_ms]} ms per segmen dengan parameter \textit{[n\_fft]}, overlap \textit{[overlap\_\%]}\%, dan window Hann. Secara keseluruhan, latensi ujung-ke-ujung diperkirakan \textit{[t\_end2end\_ms]} ms, yang \textit{[memadai/belum memadai]} untuk aplikasi \textit{[real-time/near real-time]}.
+
+% Dengan \textit{[n\_sensors\_min]} sensor, kebutuhan komputasi dan bandwidth data berkurang \textit{[proporsi pengurangan]} dibanding konfigurasi penuh, yang memperbaiki kelayakan implementasi lapangan tanpa mengorbankan akurasi secara signifikan.
+
+% \section{Ringkasan Bab}
+% \begin{itemize}
+%     \item Konfigurasi terbaik (\textit{[konfigurasi terbaik]}) mencapai Akurasi \textit{[acc\_best]}\%, Macro-F1 \textit{[f1\_best]}\%, dan Kappa \textit{[kappa\_best]} pada data uji.
+%     \item Kesalahan dominan terjadi antara kelas \textit{[kelas\_A]} dan \textit{[kelas\_B]} karena kemiripan respons pada \textit{[f\_low--f\_high]} Hz; strategi \textit{[strategi perbaikan]} direkomendasikan.
+%     \item Ablasi menegaskan manfaat kombinasi fitur; window Hann dan parameter STFT \textit{[n\_fft, overlap]} memberi keseimbangan resolusi yang baik.
+%     \item Pendekatan sensor terbatas dengan \textit{[n\_sensors\_min]} sensor tetap layak dengan penurunan performa \textit{[delta\_perf\_sensors]} poin.
+%     \item Model menunjukkan stabilitas antar-fold (\textit{[std\_f1]}) dan ketahanan \textit{[terhadap noise/domain shift]} dengan penyesuaian \textit{[augmentasi/penalaan]}. 
+% \end{itemize}

latex/chapters/id/05_conclusion.tex

@@ -0,0 +1,20 @@
+\chapter{Kesimpulan dan Saran}
+
+\section{Kesimpulan}
+\begin{enumerate}
+    \item Sistem \gls{shm} berbasis sensor terbatas dengan ekstraksi fitur \gls{stft} dan algoritma \gls{svm} kernel \gls{rbf} mampu mendeteksi tujuh kondisi struktur dengan akurasi di atas 99\%.
+    
+    \item Strategi \textit{grid-search} untuk optimasi \textit{hyperparameter} model \gls{svm} hanya memberikan peningkatan paling besar sekitar 0,001\% pada model Sensor A.
+    
+    \item Reduksi dimensi \gls{pca} pada fitur-fitur \gls{stft} hingga 16 komponen utama mengurangi waktu pelatihan model secara signifikan hingga 75\% dan ukuran model hingga 99\% dengan pengurangan akurasi hanya 0,003\%.
+    
+    \item Model Sensor A dan Sensor B dengan reduksi dimensi hingga enam belas komponen utama \gls{pca} memiliki metrik efisiensi terbaik hingga 91\% dengan waktu latih hanya 10 detik dan pengurangan akurasi 0,003\% dibandingkan model dengan fitur penuh yang memerlukan waktu latih 40 detik.
+
+    \item Hasil visualisasi pada \textit{inference} menunjukkan bahwa pendekatan ini hampir sama efektifnya dengan penelitian sebelumnya yang dapat mengidentifikasi lokalisasi 30 kerusakan meskipun jumlah sensor terbatas.
+\end{enumerate}
+
+% \section{Keterbatasan Penelitian}
+% Penelitian ini dibatasi oleh ruang lingkup dataset QUGS yang hanya mencakup kerusakan tunggal, serta belum mencakup variasi kondisi lingkungan dan algoritma pembanding lainnya.
+
+\section{Saran}
+Penelitian lanjutan disarankan untuk memperluas variasi kondisi kerusakan, menguji performa model di lapangan, serta mengembangkan versi \textit{real-time} berbasis perangkat tepi.

latex/chapters/id/tables/coarse_summary_A.tex

@@ -0,0 +1,15 @@
+\centering
+\begin{tabular}{rrrrr}
+\toprule
+$n_{\text{components}}$ & $C (\log_2)$ & $\gamma (\log_2)$ & \gls{not:S_i} & \gls{not: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}

latex/chapters/id/tables/coarse_summary_B.tex

@@ -0,0 +1,15 @@
+\centering
+\begin{tabular}{rrrrr}
+\toprule
+$n_{\text{components}}$ & $C (\log_2)$ & $\gamma (\log_2)$ & \gls{not:S_i} & \gls{not: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}

latex/chapters/id/tables/efficiency_summary_A.tex

@@ -0,0 +1,15 @@
+\centering
+\begin{tabular}{rrrrrr}
+\toprule
+$n_{\text{components}}$ & $C (\log_2)$ & $\gamma (\log_2)$ & \gls{not:S_i} & \gls{not:T_i} & \gls{not:E_i} $(\times10^{-3})$ \\
+\midrule
+4 & 5 & -5 & 0.80764 & 11.22306 & 71.96291 \\
+8 & 5 & -5 & 0.97076 & 10.88293 & 89.20027 \\
+16 & 5 & -5 & 0.99116 & 10.53770 & 94.05832 \\
+32 & 10 & -10 & 0.99394 & 10.45783 & 95.04296 \\
+64 & 10 & -10 & 0.99631 & 13.46819 & 73.97505 \\
+128 & 5 & -10 & 0.99728 & 13.43715 & 74.21849 \\
+256 & 5 & -10 & 0.99756 & 17.84189 & 55.91131 \\
+512 & 5 & -10 & 0.99763 & 31.24036 & 31.93410 \\
+\bottomrule
+\end{tabular}

latex/chapters/id/tables/efficiency_summary_B.tex

@@ -0,0 +1,15 @@
+\centering
+\begin{tabular}{rrrrrr}
+\toprule
+$n_{\text{components}}$ & $C (\log_2)$ & $\gamma (\log_2)$ & \gls{not:S_i} & \gls{not:T_i} & \gls{not:E_i} $(\times10^{-3})$ \\
+\midrule
+4 & 5 & -5 & 0.87845 & 13.77282 & 63.78107 \\
+8 & 0 & -5 & 0.98051 & 12.51643 & 78.33758 \\
+16 & 5 & -5 & 0.99443 & 10.90890 & 91.15776 \\
+32 & 5 & -10 & 0.99596 & 13.42619 & 74.18057 \\
+64 & 5 & -10 & 0.99735 & 11.40759 & 87.42906 \\
+128 & 5 & -10 & 0.99728 & 14.54694 & 68.55632 \\
+256 & 5 & -10 & 0.99777 & 20.27980 & 49.20029 \\
+512 & 5 & -10 & 0.99791 & 39.63068 & 25.18027 \\
+\bottomrule
+\end{tabular}

latex/chapters/id/tables/metrics-baseline_A.tex

@@ -0,0 +1,16 @@
+    \begin{tabular}{lrrrr}
+    \toprule
+    & precision & recall & f1-score & support \\
+    \midrule
+    0 & 0.99 & 0.98 & 0.99 & 2565.00 \\
+    1 & 0.99 & 1.00 & 1.00 & 2565.00 \\
+    2 & 1.00 & 1.00 & 1.00 & 2565.00 \\
+    3 & 1.00 & 1.00 & 1.00 & 2565.00 \\
+    4 & 1.00 & 1.00 & 1.00 & 2565.00 \\
+    5 & 1.00 & 1.00 & 1.00 & 2565.00 \\
+    6 & 0.99 & 1.00 & 0.99 & 2565.00 \\
+    accuracy & 1.00 & 1.00 & 1.00 & 1.00 \\
+    macro avg & 1.00 & 1.00 & 1.00 & 17955.00 \\
+    weighted avg & 1.00 & 1.00 & 1.00 & 17955.00 \\
+    \bottomrule
+    \end{tabular}

latex/chapters/id/tables/metrics-baseline_B.tex

@@ -0,0 +1,17 @@
+\centering
+\begin{tabular}{lrrrr}
+\toprule
+& precision & recall & f1-score & support \\
+\midrule
+0 & 0.99 & 0.98 & 0.99 & 2565.00 \\
+1 & 0.99 & 1.00 & 1.00 & 2565.00 \\
+2 & 1.00 & 1.00 & 1.00 & 2565.00 \\
+3 & 1.00 & 1.00 & 1.00 & 2565.00 \\
+4 & 1.00 & 1.00 & 1.00 & 2565.00 \\
+5 & 1.00 & 1.00 & 1.00 & 2565.00 \\
+6 & 0.99 & 1.00 & 0.99 & 2565.00 \\
+accuracy & 1.00 & 1.00 & 1.00 & 1.00 \\
+macro avg & 1.00 & 1.00 & 1.00 & 17955.00 \\
+weighted avg & 1.00 & 1.00 & 1.00 & 17955.00 \\
+\bottomrule
+\end{tabular}

latex/chapters/id/tables/metrics-fine-a.tex

@@ -0,0 +1,16 @@
+\begin{tabular}{lrrrr}
+\toprule
+ & precision & recall & f1-score & support \\
+\midrule
+0 & 0.99 & 0.99 & 0.99 & 2565.00 \\
+1 & 0.99 & 1.00 & 0.99 & 2565.00 \\
+2 & 1.00 & 1.00 & 1.00 & 2565.00 \\
+3 & 1.00 & 1.00 & 1.00 & 2565.00 \\
+4 & 1.00 & 1.00 & 1.00 & 2565.00 \\
+5 & 1.00 & 1.00 & 1.00 & 2565.00 \\
+6 & 1.00 & 1.00 & 1.00 & 2565.00 \\
+accuracy & 1.00 & 1.00 & 1.00 & 1.00 \\
+macro avg & 1.00 & 1.00 & 1.00 & 17955.00 \\
+weighted avg & 1.00 & 1.00 & 1.00 & 17955.00 \\
+\bottomrule
+\end{tabular}

latex/chapters/id/tables/metrics-fine-b.tex

@@ -0,0 +1,17 @@
+\centering
+\begin{tabular}{lrrrr}
+\toprule
+& precision & recall & f1-score & support \\
+\midrule
+0 & 0.99 & 0.99 & 0.99 & 2565.00 \\
+1 & 0.99 & 1.00 & 0.99 & 2565.00 \\
+2 & 1.00 & 1.00 & 1.00 & 2565.00 \\
+3 & 1.00 & 1.00 & 1.00 & 2565.00 \\
+4 & 1.00 & 1.00 & 1.00 & 2565.00 \\
+5 & 1.00 & 1.00 & 1.00 & 2565.00 \\
+6 & 1.00 & 1.00 & 1.00 & 2565.00 \\
+accuracy & 1.00 & 1.00 & 1.00 & 1.00 \\
+macro avg & 1.00 & 1.00 & 1.00 & 17955.00 \\
+weighted avg & 1.00 & 1.00 & 1.00 & 17955.00 \\
+\bottomrule
+\end{tabular}

latex/chapters/img/scree_plot.png

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:8b58eb82f20438a1c077cad27cc59adc411466dddd89ab76add0fcc9ea8bba6c
+size 50180

latex/chapters/img/sensor1/cm_baseline_s1a_eval.png

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:a797b23032f469942623ee5f3c0e63c5c617f479813f38b9b42a2f45a9402a44
+size 82443

latex/chapters/img/sensor1/cm_fine_s1a_eval.png

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:a9000564e224fb539aaf6248ce51d50ae0723e2b54b898d0168e168d097ca8b7
+size 84759

latex/chapters/img/sensor1/grid_fine_pca32.png

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:f508d537ef40e1c5f96c0aa962be6279072e0971c064f398bbde8834b7745ff3
+size 258668

latex/chapters/img/sensor1/grid_original.png

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:8066c6a0bcfdca8cbb3e8a2bf45f008da269d3a27a00d7f5b819ae0b0722ffe8
+size 106637

latex/chapters/img/sensor1/grid_pca128.png

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:9ebcc8e82e82118dacbebcd8a65ddeb24aaae5d785b91d51ea5627072e46d1df
+size 107256

latex/chapters/img/sensor1/grid_pca16.png

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:d47abef46dd76a8295245d97e142130cbe2611adf0c680cbda00141d4bb2ec66
+size 122507

latex/chapters/img/sensor1/grid_pca256.png

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:0b391cca56d8bfdbf92d0728dc1beed74d15919d0a1083cdda9094a4994d63eb
+size 105020

latex/chapters/img/sensor1/grid_pca32.png

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:c834d24b9ec043adc18f83e00bac718fe10e7bdcfefc926c68a7e1b5013a417c
+size 116388

latex/chapters/img/sensor1/grid_pca4.png

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:a25fee61921224f4c0e12f935b5886d063ab7c5d379ed5e2f969e6887297053b
+size 139087

latex/chapters/img/sensor1/grid_pca64.png

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:6ec29314beeb4ee90a696b404cf6a1759435988832311aa4a14a15da2beeebb5
+size 117619

latex/chapters/img/sensor1/grid_pca8.png

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:ccbeabc5d2b40a1a94925541ea1c51b28eed47fa8e7d2405af517bec1293403a
+size 133276

latex/chapters/img/sensor1/inference_fine_s1a_damaged17.png

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:d5dd62c872dc8a565978adb314d68bb287d7040810aba3e5bab7d50350c9eabf
+size 43736

latex/chapters/img/sensor1/inference_fine_s1a_damaged30.png

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:d39566ab980b9b997b2a049720a8d0eb28370aa0b30363eed34cc2f742b3921e
+size 29653

latex/chapters/img/sensor1/inference_fine_s1a_undamaged.png

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:dcdd9d9f6402363f79aa3d7e9d607112003be6afd079f459f5474dbb87b3a129
+size 28074

latex/chapters/img/sensor1/pacmap_A.png

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:d25f5e991ef79828a2f87c8c640d4117d942a182224d95c903a15f64bc0e9ddd
+size 126291

latex/chapters/img/sensor1/pacmap_B.png

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:d25f5e991ef79828a2f87c8c640d4117d942a182224d95c903a15f64bc0e9ddd
+size 126291

latex/chapters/img/sensor1/pacmap_original.png

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:3012d2d45133d67cb63f72ac29d3b9b15cb33c8d96b359e748093acf0da88728
+size 121465

latex/chapters/img/sensor1/pacmap_pca16.png

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:5e69d498fa3980fa4a3765d930e904c99c712297562a5a9983ee8873d9326743
+size 183478

latex/chapters/img/sensor1/pacmap_pca4.png

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:27b36bb18430aace2077c7c51211e76e73b3ed753b8456fb1a13c4be636c3389
+size 448492

latex/chapters/img/sensor1/pacmap_pca8.png

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:229ecc80bb58bf6da90f18e0103dbdb8285a5c5c95cedac7cc8e6a93545cd0a3
+size 271444

latex/chapters/img/sensor1/pod_fine_s1a_damaged17.png

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:d69e88efb5a91bd064faa0cceb60a0daf593fda49e0156c30193eb9d2231f58a
+size 35289

latex/chapters/img/sensor1/pod_fine_s1a_damaged30.png

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:111fc07df38358eeb2dd8abbb82356a02d3292c627e9484368131c23fb8c8796
+size 32881

latex/chapters/img/sensor1/pod_fine_s1a_undamaged.png

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:8471c8bd389a72f140196561466b21b9a50c7f109e434b5c51252a0931ed54e5
+size 32913

latex/chapters/img/sensor1/stft-damaged-multiple-1.svg

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:07e0b699840fc4d5ff7bb9530602f7a13008cdc193c7c6c334790efd52d87a3e
+size 668812

latex/chapters/img/sensor1/stft-undamaged-1.svg

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:657fed97c4027f88f7831c02b6728209769bae7a536e163491f5665923bdb530
+size 294823

latex/chapters/img/sensor1/tsne_B.png

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:c2f4cfaaad0b7ef1bec2679acd0f022e0a66f15a7855c8f266fd56acfbd6390e
+size 252348

latex/chapters/img/sensor1/tsne_original.png

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:f84f425416abde3da0f0e4303895899d8f2149d3340f01a4578073083f8eb265
+size 378337

latex/chapters/img/sensor1/tsne_pca128.png

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:0302a06bc570f8006ad5f3c0db14ab8050b0321410308de254b3c2c06304003c
+size 320951

latex/chapters/img/sensor1/tsne_pca16.png

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:da42463b34afa744ae106d06348918edaea39c277e9f2c051c778aa69a9b25c3
+size 291464

latex/chapters/img/sensor1/tsne_pca256.png

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:9314c1abb3fa6aa42d50c8d4bdd9de26c17f0f79a84e141966b59427f5b69ec2
+size 359676

latex/chapters/img/sensor1/tsne_pca32.png

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:a03f6a6ac939bc322023e6933a590a9bd5bc2c92e57f3c338f986d6260eebddc
+size 289930

latex/chapters/img/sensor1/tsne_pca4.png

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:cb9af7df4069086aa95678c984fb28c1d7df729f60f529116191f4455abbb086
+size 749475

latex/chapters/img/sensor1/tsne_pca512.png

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:1c15322ed17a4c18715d4944c45aa074469ffb2da2398108eb8d42ea26b51909
+size 413507

latex/chapters/img/sensor1/tsne_pca64.png

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:d914de5c60529f0c4fd4738a3a6516e8b40032b3fa7f0a523d90d69a8157d5e5
+size 292193

latex/chapters/img/sensor1/tsne_pca8.png

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:67bd04de25bede3eb4f68b604257284a782ff33d815f9e9d7fbd1bccb6cd7249
+size 321818

latex/chapters/img/sensor2/cm_baseline_s2a_eval.png

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:e23f6770f578f5a83b4dec7086a7018cac72c6cc07d6e90592450147371b6487
+size 81996

latex/chapters/img/sensor2/cm_fine_s2a_eval.png

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:6f62708b784c9866851345d5ddb0c77b8d4acf2cfd786b415944d61e3f174790
+size 82826

latex/chapters/img/sensor2/grid_fine_pca16.png

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:8b7a81f453ea9c85db6ac50f39427d2eccee7065441b9b42dafb702d457af27d
+size 221726

latex/chapters/img/sensor2/grid_original.png

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:d56ab3807e8bed61127116e2bbbd0bfef62098695418bc039a48ccab77cf5f73
+size 108247

latex/chapters/img/sensor2/grid_pca128.png

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:b3e1196d6c56ace32ade1fa1b8733a676ba9926e23e21b6d4134f3eeb9aeb066
+size 118999

latex/chapters/img/sensor2/grid_pca16.png

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:a6ee1e75408f6424b9411a1350445b7447294b56e889aadbbde716af1f423e62
+size 128424

latex/chapters/img/sensor2/grid_pca256.png

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:c6e5f3922ead1f491685838cc8a28598ed3fe685d0d8dd0d6446813ae70e02de
+size 107139

latex/chapters/img/sensor2/grid_pca32.png

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:7890af0a5d269fedcb13ce169e7411cf8fac9060c1e42971bbc2e970671b0f04
+size 123247

latex/chapters/img/sensor2/grid_pca4.png

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:e753465704d99aef1700f78ff9f128b4a5d55ab2bdd3222ee161816b4c704d9d
+size 151835

latex/chapters/img/sensor2/grid_pca64.png

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:40dc6112634596001836ae76b7e02dcd78e16596c48ab2d185184ca5d1f65e19
+size 119039