87 lines
10 KiB
TeX
87 lines
10 KiB
TeX
\chapter{Tinjauan Pustaka dan Landasan Teori}
|
|
\section{Tinjauan Pustaka}
|
|
|
|
\subsection{Kerangka Kerja Structural Health Monitoring}
|
|
|
|
Sistem \textit{Structural Health Monitoring} (SHM) yang efektif mengikuti pendekatan hierarkis untuk mengidentifikasi dan menilai kerusakan struktural. Menurut \textcite{rytter1993}, lima tingkatan dalam kerangka kerja SHM adalah: (1) deteksi keberadaan kerusakan, (2) lokalisasi kerusakan, (3) identifikasi tipe kerusakan, (4) kuantifikasi tingkat keparahan, dan (5) prediksi sisa umur struktur. Setiap tingkatan memerlukan kompleksitas instrumentasi dan algoritma yang semakin tinggi, mulai dari deteksi sederhana hingga pemodelan prediktif yang komprehensif.
|
|
|
|
Evolusi SHM dari inspeksi manual tradisional menuju sistem otomatis telah didorong oleh kebutuhan akan pemantauan \textit{real-time}, akurasi deteksi yang lebih tinggi, dan efisiensi operasional. Tantangan utama dalam implementasi SHM modern terletak pada optimasi jumlah sensor, pemilihan algoritma yang tepat, dan keseimbangan antara akurasi deteksi dengan beban komputasi \parencite{farrar2012}.
|
|
|
|
\subsection{Metode Deteksi Kelonggaran Baut}
|
|
|
|
\subsubsection{Metode Inspeksi Tradisional}
|
|
|
|
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.
|
|
|
|
\subsubsection{Pendekatan Berbasis Computer Vision}
|
|
|
|
Teknik berbasis penglihatan komputer telah dikembangkan sebagai alternatif untuk mengatasi keterbatasan metode manual. Pendekatan ini menggunakan kamera dan pencitraan digital untuk mendeteksi perubahan visual pada sambungan baut. \textcite{zhang2020,zhao2019} mengembangkan sistem deteksi rotasi kepala baut menggunakan CNN dan Faster R-CNN yang mampu mengidentifikasi kelonggaran berdasarkan perubahan orientasi visual.
|
|
|
|
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.
|
|
|
|
\subsection{Perkembangan Teknik SHM Berbasis Getaran}
|
|
|
|
\subsubsection{Pendekatan Deep Learning dalam SHM}
|
|
|
|
\textcite{abdeljaber2017} memperkenalkan pendekatan revolusioner dalam SHM dengan menerapkan 30 model \gls{1d-cnn} pada 30 sensor akselerometer dalam struktur grid QUGS (\textit{Qatar University Grandstand Simulator}). Struktur tersebut dirancang untuk mereplikasi stadion modern, dilengkapi dengan instrumentasi lengkap, dan dikenai kerusakan terkontrol melalui pelonggaran baut sambungan. Data percepatan dikumpulkan di bawah eksitasi \textit{band-limited white noise} dengan sampling rate 1024 Hz, kemudian dibagi menjadi frame berukuran 128 sampel untuk melatih CNN yang dilokalkan pada setiap sambungan.
|
|
|
|
Pendekatan terdesentralisasi ini menunjukkan akurasi tinggi dalam pelokalisasian kerusakan dengan kesalahan klasifikasi hanya 0.54\% pada fase pelatihan. Meskipun performa tetap andal dalam skenario kerusakan ganda, beberapa salah klasifikasi terjadi pada kasus kerusakan simetris atau berdekatan. Keunggulan utama metode ini adalah kemampuan deteksi \textit{real-time} dan akurasi lokalisasi yang tinggi, namun memerlukan sumber daya komputasi besar karena pemrosesan paralel data mentah berdimensi tinggi dari seluruh sensor \parencite{yang2020, liu2022}.
|
|
|
|
\subsubsection{Pendekatan Ekstraksi Fitur untuk Efisiensi}
|
|
|
|
Menanggapi tantangan komputasi dari pendekatan CNN murni, \textcite{shahid2022,diao2023} memperkenalkan pendekatan VMD-HT-CNN yang menggabungkan teknik ekstraksi fitur berbasis \textit{Variational Mode Decomposition} (VMD) dan \textit{Hilbert Transform} (HT) sebelum klasifikasi CNN. Metode ini secara signifikan meningkatkan efisiensi pelatihan dan akurasi deteksi meskipun menggunakan jumlah sensor yang lebih sedikit, menunjukkan potensi optimasi melalui \textit{feature engineering} yang tepat.
|
|
|
|
\textcite{eraliev2022} mengembangkan teknik deteksi kelonggaran baut menggunakan transformasi \textit{Short-Time Fourier Transform} (STFT) sebagai ekstraksi fitur pada motor dengan empat baut dalam kondisi operasi berbeda (800, 1000, dan 1200 rpm). Penelitian ini menghasilkan 513 fitur frekuensi dari sinyal getaran dan mengevaluasi berbagai pengklasifikasi pembelajaran mesin, menunjukkan performa memuaskan dalam deteksi dan identifikasi baut spesifik yang kehilangan \textit{preload}. Studi ini menekankan pentingnya penempatan sensor strategis dan potensi implementasi sistem pemantauan \textit{online} \parencite{pham2020}.
|
|
|
|
\subsection{Aplikasi Machine Learning Klasik dalam SHM}
|
|
|
|
\textcite{gui2017} mendemonstrasikan efektivitas \textit{Support Vector Machine} (SVM) yang dioptimalkan untuk deteksi kerusakan struktur sipil skala besar. Penelitian ini membandingkan tiga algoritma optimasi: \textit{grid-search}, \textit{particle swarm optimization}, dan \textit{genetic algorithm} untuk mengoptimalkan parameter penalti dan fungsi kernel Gaussian. Menggunakan fitur \textit{Relative Energy} (RE) dari model \textit{Autoregressive} (AR), semua metode optimasi menunjukkan peningkatan signifikan dalam sensitivitas, akurasi, dan efektivitas dibanding metode konvensional. \textit{Genetic algorithm}-based SVM memberikan prediksi terbaik, menekankan pentingnya pemilihan fitur yang tepat untuk meningkatkan sensitivitas deteksi kerusakan.
|
|
|
|
\textcite{katam2025} mengintegrasikan STFT dengan SVM untuk deteksi kerusakan pada \textit{cantilever beam}, mencapai akurasi 98\%. Penelitian ini menyoroti keunggulan STFT dalam menangkap perubahan transien struktur yang krusial untuk deteksi dini, surpassing metode tradisional seperti FFT dan \textit{wavelet transform}. Pendekatan ini dirancang efektif dengan dataset terbatas, menggunakan \textit{autoencoder} untuk kompresi ruang fitur STFT berdimensi tinggi sambil mempertahankan variasi frekuensi-magnitudo esensial.
|
|
|
|
% \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}
|
|
\input{chapters/id/02_literature_review/theoritical_foundation/role_windowing}
|
|
\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 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. |