91 lines
13 KiB
TeX
91 lines
13 KiB
TeX
\chapter{Pendahuluan}
|
||
|
||
\section{Latar Belakang}
|
||
|
||
\indent Monitoring Kesehatan Struktur (\textit{Structural Health Monitoring} atau SHM) merupakan riset penting yang tersebar di berbagai disiplin ilmu, termasuk teknik dirgantara, teknik sipil, dan teknik mesin. Tujuan utama dari monitor kesehatan struktur adalah memastikan keamanan dan keandalan struktur dengan mendeteksi kerusakan sedini mungkin. Dengan mengombinasikan teknologi sensor yang canggih serta pengolahan data secara \textit{real-time}, sistem monitor kesehatan struktur menjadi kekuatan para insinyur untuk memonitor integritas struktur, strategi optimisasi \textit{maintenance}, dan memprediksi sisa umur struktur.
|
||
|
||
\indent Sistem SHM yang tangguh mengikuti \textit{framework} secara hierarkis untuk mengidentifikasi dan menilai kerusakan struktural. Menurut \textcite{rytter1993}, lima tahapan SHM tersebut adalah:
|
||
\begin{enumerate}
|
||
\item (Tingkat 1) Keberadaan Kerusakan: Menentukan apakah ada kerusakan pada struktur. Pada tahap ini, pengukuran getaran cukup untuk memastikan adanya kerusakan.
|
||
\item (Tingkat 2) Lokasi Kerusakan: Mengidentifikasi lokasi geometris kerusakan, baik kerusakan tunggal maupun ganda.
|
||
\item (Tingkat 3) Tipe Kerusakan: Mencirikan sifat kerusakan, yang dapat meliputi retakan, perubahan pada kondisi tumpuan, atau perubahan dalam sambungan struktur.
|
||
\item (Tingkat 4) Tingkat Keparahan: Mengukur secara kuantitatif seberapa parah kerusakan terjadi. Biasanya melalui eksperimen atau model terkalibrasi yang menggambarkan efek kerusakan, seperti penurunan kekakuan atau panjang retakan.
|
||
\item (Tingkat 5): Memprediksi sisa umur pakai struktur dengan mengandalkan pemantauan secara \textit{real-time} dan komprehensif serta model dengan fidelitas tinggi yang menggambarkan perkembangan kerusakan seiring waktu.
|
||
\end{enumerate}
|
||
Semakin tinggi tingkat identifikasi kerusakan, semakin besar pula kebutuhan akan sensor yang presisi, algoritma yang kompleks, serta parameter model yang akurat. Jika pada Tingkat 1 hanya diperlukan data yang terbatas untuk mendeteksi adanya kerusakan, maka Tingkat 5 membutuhkan akuisisi data secara \textit{real-time} dan canggih serta model prediktif yang memiliki fidelitas tinggi.
|
||
|
||
\par Tantangan utama terletak pada pengembangan sistem \acrshort{shm} yang mampu mengakomodasi berbagai tahapan identifikasi kerusakan secara efektif, baik dalam kondisi operasional normal maupun dalam situasi ekstrem seperti gempa bumi.
|
||
|
||
% 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 \gls{shm} yang responsif dan adaptif terhadap dinamika kerusakan struktural. % <- closing sentences
|
||
|
||
\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 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 fitur domain waktu-frekuensi yang diekstraksi melalui transformasi STFT dari sinyal getaran sensor terbatas (hanya sensor atas dan bawah per kolom) masih mampu merepresentasikan karakteristik kerusakan struktur dengan akurasi yang memadai untuk klasifikasi tujuh kelas kondisi struktur (tanpa kerusakan dan enam lokasi kerusakan berbeda)?
|
||
|
||
\item Bagaimana mengoptimalkan parameter model \gls{svm} dengan kernel RBF melalui strategi pencarian \textit{grid} dua tahap untuk mencapai keseimbangan optimal antara akurasi klasifikasi dan efisiensi komputasi, khususnya dalam hal waktu pelatihan dan kompleksitas model?
|
||
|
||
\item Apakah pendekatan reduksi dimensi menggunakan \gls{pca} dapat mempertahankan informasi diskriminatif yang cukup dari fitur STFT berdimensi tinggi (513 dimensi) untuk mendukung klasifikasi kerusakan yang akurat dengan model yang lebih efisien?
|
||
|
||
\item Seberapa efektif model yang dilatih pada satu dataset dapat digeneralisasi untuk mendeteksi kerusakan pada dataset independen, dan bagaimana performa model berubah ketika diterapkan strategi validasi silang antar-dataset?
|
||
\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 Qatar University Grandstand Simulator (QUGS), sebuah kerangka besi level laboratorium yang dipasang dengan tiga puluh titik sensor akselerometer dan \textit{white shaker noise}. Dataset ini terdiri dari 31 kondisi struktur: satu kondisi tanpa kerusakan dan 30 kondisi dengan kerusakan tunggal pada masing-masing \textit{joint} yang berbeda.
|
||
|
||
Penelitian ini membatasi fokus pada klasifikasi tujuh kelas kondisi struktur ($d_0$ hingga $d_6$), dimana $d_0$ merepresentasikan kondisi tanpa kerusakan, dan $d_1$ hingga $d_6$ masing-masing merepresentasikan kelompok lima lokasi kerusakan berturut-turut. Setiap kelas kerusakan dibangun berdasarkan pengelompokan geografis \textit{joint} untuk mencerminkan pola kerusakan yang realistis dalam struktur grid.
|
||
|
||
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. Penelitian ini membatasi penggunaan sensor hanya pada dua posisi per kolom (sensor atas dan bawah), sehingga mengurangi jumlah sensor dari 30 menjadi 10 sensor untuk keseluruhan struktur, dengan fokus pada 5 pasang sensor yang merepresentasikan 5 kolom vertikal struktur grid.
|
||
|
||
Ekstraksi fitur menggunakan transformasi STFT dengan parameter \textit{hann windowing} berukuran 1024 sampel dan \textit{hop size} 512 sampel, menghasilkan spektrogram berukuran 513×513 yang kemudian digunakan sebagai input untuk model klasifikasi. Evaluasi model dilakukan menggunakan skema \textit{train-test split} dengan validasi silang \textit{stratified k-fold} (k=5) untuk memastikan representasi yang seimbang dari setiap kelas kerusakan.
|
||
|
||
\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 kolom struktur, yang mampu mengklasifikasikan tujuh kondisi struktur berbeda dengan akurasi tinggi.
|
||
|
||
\item Mengimplementasikan dan mengoptimalkan model \gls{svm} dengan kernel 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 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 komputasi model.
|
||
|
||
\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 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 Efisiensi Instrumentasi: Penelitian ini membuktikan bahwa pengurangan sensor dari 30 menjadi 10 sensor (hanya menggunakan sensor atas dan bawah per kolom) dapat mempertahankan akurasi klasifikasi hingga 99\%, sehingga memberikan solusi yang lebih ekonomis untuk implementasi SHM skala besar.
|
||
|
||
\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 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 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 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.
|
||
\end{enumerate} |