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 [Author(s), Year], 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 waktu nyata karena beban komputasi pada fase ekstraksi fitur.

[Author(s), Year] 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 waktu nyata.

Dalam konteks skripsi ini, dataset dan pengaturan eksperimen yang diperkenalkan oleh [Author(s), Year] menjadi dasar untuk analisis komparatif dan pengujian untuk beberapa algoritma. Penulis tidak hanya menunjukkan efektivitas sistem ringkas berbasis 1-D CNN untuk deteksi kerusakan struktur berbasis getaran, tetapi juga menekankan pentingnya penggunaan data percepatan \textit{output-only}—sebuah keterbatasan yang juga diterapkan dalam metodologi skripsi ini. Desain sistem mereka yang terdesentralisasi, di mana setiap CNN memproses data yang tersedia secara lokal, sangat selaras dengan fokus skripsi ini dalam menganalisis data pada level sensor secara efisien tanpa memerlukan sinkronisasi seluruh sistem. Selain itu, karena penulis menyatakan rencana untuk merilis dataset dan kode sumber secara publik, skripsi ini memanfaatkan data terbuka tersebut untuk menerapkan metode analisis alternatif seperti mesin vektor pendukung (SVM) atau teknik ekstraksi fitur berbasis domain frekuensi, sehingga memungkinkan perbandingan langsung antara pendekatan SHM berbasis pembelajaran klasik dan pemelajaran mendalam. Dengan demikian, karya ini berfungsi sebagai referensi tolok ukur sekaligus sumber data dalam pengembangan dan evaluasi alternatif sistem monitor kesehatan struktur yang lebih mudah diakses dengan kompleksitas rendah.