DSIC-2706 — Ketahanan Representasi Audio Beku untuk Temu Kembali Bioakustik di Bawah Derau Lingkungan Tropis ITERA

Revisi pembimbing 15 Oktober 2026: E4 lima lokasi tetap digunakan tanpa run ulang. Hasil sensitivitas H3 melaporkan ayunan absolut dan relatif serta subset tanpa Kebun Raya; kesimpulan bergantung pada metrik dan lokasi. H3/H4 hasil reformulasi ditandai eksploratif, dengan rumusan asli dan tanggal perubahan. Gunakan catatan revisi lengkap, matriks RQ/H revisi, dan naskah teori. Bahan laporan 12 Oktober beserta checksum tetap dipertahankan sebagai riwayat.

Status aktif: README ini mengikuti protokol dan hasil revisi. Riwayat tulisan lama tersedia melalui Git. Gunakan §13 serta status bimbingan untuk pekerjaan yang sudah terbukti dan yang masih terbuka.

Repositori penelitian resmi untuk Tugas Akhir topik DSIC-2706: Mencari Audio yang Mirip Ketika Datanya Terbatas.

Fokus penelitian ini bukan membuat pengklasifikasi (classifier) spesies baru, melainkan menguji secara komparatif ketahanan representasi audio beku (frozen audio representations) untuk temu kembali kemiripan (similarity retrieval) ketika kueri bioakustik mengalami degradasi derau lingkungan tropis nyata kampus ITERA (Institut Teknologi Sumatera).

Judul artikel ilmiah terkalibrasi:

Noise and Spectral Sensitivity of Frozen Audio Representations for Bioacoustic Similarity Retrieval: A Controlled Evaluation on Indonesian Avifauna with Field-Recorded ITERA Tropical Noise

Sumber E4 dan reproduksi cache

E4 sudah selesai untuk 311 query × 5 lokasi × 4 SNR × 4 ulangan per representasi: 24.880 evaluasi noisy per representasi, atau 99.520 untuk R0–R3. Jumlah tersebut adalah baris evaluasi, bukan query independen; checkout yang diperiksa berisi 320 snapshot kondisi dan delapan arsip NPZ lokal. Cache besar tidak perlu di-commit.

Runner yang benar-benar menghasilkan run aktif adalah run_e4_five_locations_v10_stage7.py.draft, bukan runner lama tiga habitat. SHA-256 yang tercatat dalam run_identity.json:

30cc0ea990e35eda70a98a6928550cb18df39bb4cd9b95837fafe05512f80c2c

Berkas produsen dipertahankan byte-for-byte, termasuk nama dan komentar pembuka lama yang masih menyebut tiga habitat. Desain aktual di dalam kode dan run identity memuat lima lokasi. Atribut Git khusus mencegah konversi akhir baris mengubah hash berkas ini.

Untuk membangun ulang cache embedding clean saja pada checkout terpisah yang memiliki audio asli dan checkpoint yang sesuai:

# Pemeriksaan hash sumber dan keberadaan audio; belum menulis cache.
python scripts/rebuild_e4_clean_caches.py --output-dir results/reproductions/E4_clean_cache_rebuild_local --check-only

# Opsional: ekstraksi ulang clean R0–R3 ke direktori baru.
python scripts/rebuild_e4_clean_caches.py --output-dir results/reproductions/E4_clean_cache_rebuild_local

Siapkan lingkungan sesuai requirements.txt, seluruh audio dalam manifes aktif, dan checkpoint lokal. R1 juga memerlukan class_labels_indices.csv pada direktori panns_data pengguna; extractor menolak mengunduhnya diam-diam. Builder memeriksa sumber terhadap identitas E4, menolak direktori keluaran yang sudah ada, serta menyimpan ID, label, hash manifes/checkpoint dan metadata cache baru. Ia tidak mencampur noise, menjalankan E4, menimpa cache lama, atau mengubah run_identity.json. Pemeriksaan --check-only memvalidasi sumber dan path audio; kesiapan dependensi/inferensi penuh diperiksa pada proses ekstraksi. Pada 16 Oktober, ekstraksi clean R0–R3 sudah berhasil pada venv baru dan menghasilkan embedding numerik identik dengan sumber.

Cache hasil rekonstruksi adalah provenance baru. Metadata membandingkan hash arsip baru dengan hash cache historis; kesamaan embedding tidak otomatis menjamin kesamaan byte arsip, versi runtime, atau hasil GPU. Runner historis stage7 memakai path dan checksum input yang dibekukan. Untuk resume run historis, pulihkan input historis yang persis cocok dari arsip, bukan mengganti hash identitas dengan hash cache baru. Kebutuhan reproduksi penelitian di kemudian hari dipisahkan dari revisi ini: E4 tidak dijalankan ulang.

Arsip NPZ/NPY, audio, checkpoint, dan cache sudah diabaikan oleh .gitignore. Hasil CSV dan metadata yang telah dilacak tetap dipertahankan. Analisis sensitivitas H3 hanya membutuhkan CSV E4 tersimpan:

# Gunakan nama baru setiap kali; keluaran yang sudah ada ditolak.
python scripts/run_h3_sensitivity_reanalysis.py --output-dir results/reproductions/H3_sensitivity_reproduction

1. Pertanyaan Penelitian (Research Questions)

RQ Utama

Representasi audio mana yang mempertahankan kualitas temu kembali kemiripan (similarity retrieval) paling baik ketika kueri bioakustik avifauna Indonesia mengalami penurunan rasio sinyal terhadap derau (Signal-to-Noise Ratio / SNR) dengan derau lingkungan tropis ITERA?

Sub-RQ

Sub-RQ 1 (Ketahanan Terkontrol E2): Seberapa besar penurunan performa temu kembali (mAP@10, Recall@10, Top-1 Accuracy) untuk representasi akustik klasik (MFCC), model generik (generic deep audio), dan model bioakustik (avian domain-specific) pada berbagai tingkat SNR (+20 dB, +10 dB, 0 dB, -5 dB) yang dicampur dengan derau fisik AudioMoth ITERA?
Sub-RQ 2 (Stabilitas Ambang Batas Terbuka E3): Apakah ambang batas kemiripan ($\tau^*$) yang dioptimasi dan dibekukan pada subset kalibrasi terpisah mampu secara stabil menolak spesies burung non-target dan derau lingkungan murni ketika kueri terdegradasi oleh derau?
Sub-RQ 3 (Sensitivitas Profil Derau Lintas Habitat E4): Apakah representasi bioakustik memperlihatkan ketahanan yang konsisten ketika berhadapan dengan variasi profil derau latar dari lima lokasi ITERA (Kebun Raya, Embung F, Gedung F, Masjid At Tanwir, dan sekitar GKU 1) pada pencampuran SNR terkontrol?
Sub-RQ 4 (Taksonomi Moda Kegagalan E5): Bagaimana karakteristik fisik akustik (spectral centroid, bandwidth, similarity margin deficit) berkaitan dengan kegagalan temu kembali (open-set false rejection, top-1 confusion, atau total collapse) pada kondisi ekstrem?

2. Hipotesis Saintifik

$H_1$ — Robustness Retention: Representasi deep pretrained (BirdNET dan PANNs) mempertahankan proporsi retensi relatif mAP@10 yang secara signifikan lebih tinggi daripada representasi klasik hand-crafted (MFCC) ketika SNR diturunkan hingga -5 dB.
$H_2$ — Domain-Specific Advantage: Representasi terlatih bioakustik spesifik domain burung (BirdNET) mengalami degradasi temu kembali yang lebih landai dibandingkan representasi audio umum (PANNs CNN14) pada kueri avifauna Indonesia yang dicampur derau lingkungan nyata.
$H_3$ — Stabilitas profil lokasi (reformulasi eksploratif): bandingkan ayunan mAP@10 absolut dan retensi relatif R1/R2 pada lima lokasi serta sensitivitas tanpa Kebun Raya. Bukti tidak mendukung keunggulan stabilitas R2 yang berlaku umum.
$H_4$ — Perubahan titik operasi (reformulasi eksploratif): recall penerimaan known-set turun pada threshold clean yang beku; false-accept rate tidak meningkat. Rumusan asli dan perubahan 12 Oktober dicatat di hypotheses.md.
$H_5$ — Positive Control: Seluruh representasi terlatih ($R_0, R_1, R_2$) harus secara signifikan melampaui tebakan acak ($R_3$) pada kondisi bersih sebagai bukti validitas pipeline (pipeline sanity check).

3. Batas Kontribusi Ilmiah

Kontribusi Utama:

Evaluasi ketahanan berpasangan (paired robustness evaluation) pada kueri yang identik menggunakan audio burung asli Indonesia dari Xeno-Canto.
Uji stres derau lingkungan tropis nyata menggunakan bank 1.799 rekaman fisik AudioMoth kampus ITERA; status bebas suara burung untuk setiap berkas belum dibuktikan secara independen.
Perbandingan sistematis antara hand-crafted baseline ($R_0$ MFCC), generic pretrained ($R_1$ PANNs CNN14), domain-specific bioacoustic ($R_2$ BirdNET V2.4), dan negative control ($R_3$ Random Control).
Penyelidikan transfer ambang batas open-set dengan optimasi statistik Youden's J yang dibekukan (frozen threshold).
Audit taksonomi kegagalan terstratifikasi berdasarkan parameter akustik nyata (spectral centroid, bandwidth, dan margin to tau).
Pelacakan asal berkas derau fisik (noise_file) untuk mendukung reproduksi; reproduksi penuh end-to-end dari lingkungan baru belum dibuktikan.

Yang Bukan Kontribusi Penelitian:

Melatih ulang (fine-tuning) arsitektur model baru.
Membuat aplikasi identifikasi spesies bergerak (mobile app) atau dashboard inventarisasi ekologis.
Mengestimasi populasi atau kelimpahan satwa (occupancy / abundance modelling).

4. Representasi yang Dibandingkan

Kode	Representasi	Dimensi	Peran	Checkpoint / Sumber
$R_0$	MFCC (20 koefisien, mean/std temporal pooling)	40-d	Baseline akustik klasik	`librosa` feature extractor
$R_1$	PANNs CNN14 (AudioSet general audio pretrained)	2048-d	Deep embedding generik	`checkpoints/Cnn14_mAP=0.431.pth`
$R_2$	BirdNET Backbone V2.4 (Avian bioacoustic domain pretrained)	1024-d	Domain-specific representation	`checkpoints/BirdNET_GLOBAL_6K_V2.4_Model_FP32.onnx`
$R_3$	Random Control (Vektor acak terdistribusi seragam)	40-d	Negative control	Deterministik (`seed=42`)

Seluruh embedding dinormalisasi ke unit hypersphere ($|\mathbf{x}|_2 = 1.0$) dan dievaluasi menggunakan metrik Cosine Similarity: $$\text{sim}(\mathbf{q}, \mathbf{g}) = \frac{\mathbf{q} \cdot \mathbf{g}}{|\mathbf{q}|_2 |\mathbf{g}|_2}$$

Semua representasi berstatus beku (frozen) tanpa pembaruan bobot, menjamin keadilan evaluasi murni pada representasi fitur laten.

5. Dataset dan Bank Derau Fisik

A. Dataset Avifauna Indonesia (Xeno-Canto Indonesia)

Korpus data utama menggunakan rekaman vokal burung dari wilayah geografis Indonesia yang diunduh dari Xeno-Canto:

20 Spesies Target Beku (data/manifests/species_freeze.csv): Spesies umum dan tersebar luas di Indonesia, dengan representasi Pulau Sumatera dan wilayah Sundaland:
- Pnoepyga pusilla (pygcup1, Berencet kerdil, 105 klip), Cacomantis sepulcralis (rubcuc1, Wiwik uncuing, 85 klip), Malacocincla sepiaria (horbab1, Pelanduk semak, 68 klip), Phyllergates cucullatus (moutai1, Cinenen gunung, 137 klip), Brachypteryx leucophris (lessho1, Cingcoang cokelat, 66 klip), Caprimulgus macrurus (latnig1, Cabak maling, 47 klip), Pycnonotus aurigaster (sohbul1, Cucak kutilang, 44 klip), Cinnyris jugularis (olbsun1, Burung-madu sriganti, 123 klip), Pitta sordida (hoopit1, Paok hijau, 62 klip), Cuculus lepidus (suncuc1, Kangkok sunda, 42 klip), Caprimulgus affinis (savnig1, Cabak kota, 31 klip), Dicrurus hottentottus (hacdro1, Srigunting rambut, 91 klip), Horornis vulcanius (subwar1, Kerakbasi sunda, 48 klip), Ducula aenea (gpipig1, Pergam hijau, 45 klip), Brachypteryx montana (whbsho1, Cingcoang alis-putih, 40 klip), Culicicapa ceylonensis (ghcfly1, Sikatan kepala-kelabu, 38 klip), Aegithina tiphia (comior1, Cipoh kacat, 39 klip), Spilornis cheela (crseag1, Elang-ular bido, 35 klip), Orthotomus ruficeps (ashtai1, Cinenen kelabu, 30 klip), Todiramphus chloris (colkin1, Cekakak sungai, 40 klip).
Total Rekaman Terverifikasi: 1.216 berkas audio MP3 (30–137 rekaman per spesies, rata-rata 60,8 rekaman/spesies; 14–35 perekam unik per spesies, 111 nilai nama perekam unik pada manifes split aktif; 112 nama orang setelah pemisahan nama gabungan dengan &).
Audit Integritas Unduhan: Seluruh berkas tercatat di data/manifests/download_manifest.csv lengkap dengan HTTP status 200, ukuran byte, checksum SHA-256, sampling rate asli, durasi, dan verifikasi keterbacaan (100% decodable).
Standar Prapemrosesan: Durasi 5,0 detik (160.000 sampel pada 32 kHz), mono, normalisasi energi RMS = 0.05.
Kebijakan Lisensi Git: Berkas audio fisik tidak di-commit ke Git (mematuhi lisensi non-komersial/non-derivatif); hanya manifes metadata dan hash yang dilacak.

B. Bank Derau Fisik AudioMoth Kampus ITERA

1.799 Berkas WAV Fisik: Diambil langsung menggunakan perangkat perekam otonom AudioMoth di 5 lokasi kampus ITERA (Kebun Raya ITERA, Embung F, Gedung F, Masjid At-Tanwir, Sekitar GKU 1).
Status vokalisasi burung: Bank ini dipakai sebagai noise lingkungan; bukti audit independen yang menyatakan setiap berkas bebas vokalisasi target belum tersedia.
Partisi Bebas Kebocoran (Noise Pool Separation):
- 1.528 berkas dialokasikan khusus untuk pencampuran derau aditif E2 dan E4.
- 271 berkas dialokasikan khusus untuk kontrol negatif kelas terbuka E3.
Penolakan Derau Senyap: Engine pencampuran menolak segmen dengan $\text{RMS} < 10^{-4}$ ($P_{\text{noise}} \le 10^{-10}$).
Penghapusan Pink Noise: Fallback derau sintetis telah dihapus permanen. Modul melempar FileNotFoundError keras jika berkas fisik tidak ditemukan.

C. Arsip Warisan (Legacy Archive)

Hasil evaluasi lama yang pernah menggunakan data BirdCLEF telah dipindahkan dan diarsipkan secara terpisah di results/archive/birdclef_2026/ untuk transparansi jejak rekam ilmiah.

6. Partisi Data (Strict Global Recordist-Disjoint)

Partisi data dibekukan di data/manifests/dataset_split.csv dengan memisahkan identitas perekam (author/recordist) secara absolut:

Xeno-Canto Indonesia (1.216 klip | 20 spesies burung Indonesia | 111 nama perekam unik)
├── Gallery Set      : 673 klip (59 perekam unik) -> Basis data referensi pencarian
├── Query Clean Set  : 311 klip (27 nilai nama; 28 orang setelah nama gabungan dipisah) -> Kueri bersih uji berpasangan
└── Calibration Set  : 232 klip (25 perekam unik) -> Kalibrasi ambang batas open-set

Unknown Open-Set Manifest (543 klip kontrol negatif)
├── Unknown Calibration : 233 klip kontrol negatif kalibrasi (117 burung non-target + 116 derau ITERA)
└── Unknown Test Set    : 310 klip kontrol negatif pengujian (155 burung non-target + 155 derau ITERA)

Jaminan Integritas Matematika Bebas Kebocoran:

Zero Recordist Overlap: 0 perekam beririsan antar Galeri, Kueri, dan Kalibrasi ($\text{Recordists}(G) \cap \text{Recordists}(Q) = \emptyset$).
Zero Recording ID Overlap: 0 nomor katalog Xeno-Canto yang beririsan antar subset.
Zero Filepath Overlap: 0 duplikasi berkas fisik audio.

7. Ringkasan Temuan Eksperimen Utama (E0–E5)

Artefak aktif E0–E5 tersedia. Notebook terkini terdapat di notebooks/; status validasi dan batas klaim setiap run dijelaskan pada hasil RQ/hipotesis. Angka historis pada rencana mingguan di bagian berikut tidak menggantikan tabel hasil aktif.

E0 — Audit Prapemrosesan

Notebook: notebooks/02_E0_Preprocessing_Audit.ipynb
Audit formal mencakup 100 rekaman dan memeriksa properti audio, dekode, serta panjang potongan setelah prapemrosesan. E0 bukan eksperimen retrieval atau representasi $R_0$.
Hasilnya tersimpan pada results/tables/01_e0_summary.csv; H5 dinilai dari perbandingan E1, bukan dari E0 saja.

E1 — Clean Retrieval Benchmark

Notebook: notebooks/04_E1_Clean_Retrieval.ipynb
Menguji 311 kueri bersih terhadap 673 rekaman galeri lintas 20 spesies:

Kode	Representasi	Dimensi	Top-1 Accuracy (%)	mAP@10	MRR	Precision@10	Recall@10
$R_2$	BirdNET Backbone V2.4	1024-d	81.67%	0.6367	0.8652	0.6939	0.2331
$R_1$	PANNs CNN14	2048-d	37.62%	0.1763	0.5070	0.2585	0.0842
$R_0$	MFCC Baseline	40-d	18.33%	0.0694	0.3109	0.1312	0.0363
$R_3$	Random Control	40-d	6.43%	0.0211	0.1639	0.0569	0.0141

E2 — Controlled Paired Noise Degradation

Notebook: notebooks/05_E2_Controlled_Noise.ipynb
Uji stres pada 311 kueri berpasangan dengan derau fisik ITERA:

Kondisi	SNR	$R_2$ BirdNET mAP@10 (Retensi)	$R_1$ PANNs mAP@10 (Retensi)	$R_0$ MFCC mAP@10 (Retensi)	$R_3$ Random mAP@10
Clean	$\infty$	0.6367 (100.0%)	0.1763 (100.0%)	0.0694 (100.0%)	0.0211
SNR +20 dB	20 dB	0.6378 (100.2%)	0.1849 (104.9%)	0.0770 (110.9%)	0.0211
SNR +10 dB	10 dB	0.6213 (97.6%)	0.1721 (97.7%)	0.0604 (87.1%)	0.0211
SNR 0 dB	0 dB	0.5549 (87.1%)	0.1188 (67.4%)	0.0323 (46.6%)	0.0211
SNR -5 dB	-5 dB	0.4832 (75.9%)	0.0863 (49.0%)	0.0232 (33.4%)	0.0211

Temuan E2: Pada SNR -5 dB, retensi mAP@10 BirdNET adalah 75,9%, PANNs 49,0%, dan MFCC 33,4%. Hasil uji statistik dan batas klaim H1/H2 dijelaskan di dokumen hasil.

E3 — Open-Set Threshold Calibration & Transfer

Notebook: notebooks/06_E3_Open_Set_Threshold.ipynb
Ambang batas $\tau^*$ dioptimasi pada subset kalibrasi ($N=465$, 232 target + 233 unknown) via Youden's J ($J = \text{TPR} - \text{FPR}$) dan dibekukan:
- $R_2$ BirdNET: $\tau^* = 0.7028$ (AUROC kalibrasi 0.7600; Youden J 0.4188).
- $R_1$ PANNs: $\tau^* = 0.8974$ (AUROC kalibrasi 0.7098; Youden J 0.3723).
- $R_0$ MFCC: $\tau^* = 0.9958$ (AUROC kalibrasi 0.5332; Youden J 0.0995).
- $R_3$ Random Control: $\tau^* = 0.4888$ (AUROC kalibrasi 0.5452; Youden J 0.0874).
Hasil Pengujian Transfer: Lihat tabel transfer ambang batas beku; ambang tidak disetel ulang berdasarkan kondisi uji.

E4 — Sensitivitas Profil Noise Lima Lokasi ITERA

Lima lokasi: Kebun Raya, Embung F, Gedung F, Masjid At-Tanwir, sekitar GKU 1.
Desain: 311 query × 5 lokasi × 4 SNR × 4 ulangan per representasi; E4 tidak diulang.
Uji sensitivitas 15 Oktober melengkapi ayunan retensi dengan ayunan absolut. Pada −5 dB, ayunan absolut R1 = 0,045596 dan R2 = 0,061829. Tanpa Kebun Raya, ayunan relatif R1 = 0,065937 dan R2 = 0,083724; CI selisih mencakup nol.
Notebook E4, hasil sensitivitas lengkap, dan penjelasan revisi.
Peran biofoni serangga atau distorsi frekuensi adalah dugaan; mekanisme itu belum diuji terhadap fitur segmen noise.

E5 — Analisis Kasus Kegagalan Terstratifikasi

Notebook: notebooks/08_E5_Failure_Diagnostics.ipynb
Diagnostik memakai data E2/E3 dan raw E4 yang tersedia; ringkasan moda kegagalan serta 120 kasus pilihan tersimpan terpisah. Identitas Top-1 atau margin yang tidak tersedia pada E4 ditandai sebagai tidak tersedia, bukan ditebak.

8. Struktur Direktori Repositori

Peta proyek aktif memuat daftar file dan fungsi setiap folder. Titik masuk utama:

Kebutuhan	Lokasi
Notebook E0–E5 dan cara membaca hasil	notebooks/README.md
Runner eksperimen dan analisis	scripts/README.md
Manifes target, unknown, dan noise	data/manifests/
Hasil sumber yang dibekukan	results/reproductions/
Naskah teori dan manuskrip	paper/teori_dasar.md, paper/manuscript.md
Progres dan status bimbingan	CURRENT_STATUS.md
Audit pendengaran E5	Petunjuk audit

9. Petunjuk Eksekusi Cepat (Quick Start)

Siapkan Python dan input eksternal yang sesuai manifes/checksum. Audio, checkpoint, dan embedding tidak ikut dalam klon Git.

python -m venv .venv
.\.venv\Scripts\python.exe -m pip install -r requirements.txt
.\.venv\Scripts\python.exe -B run_tests.py

Pemeriksaan 18 Oktober 2026: total 41 tes, 41 lulus, 0 dilewati, 0 gagal, 0 error. Tes yang kehilangan input/dependensi kini dilaporkan sebagai skipped, bukan lulus. Ini pemeriksaan integritas/metode, bukan pengganti pengujian ulang pipeline dari audio.

Untuk meninjau hasil, buka notebook dan artefak tersimpan. Untuk mengulang statistik H3 saja:

.\.venv\Scripts\python.exe -B scripts/run_h3_sensitivity_reanalysis.py --output-dir results/reproductions/H3_reproduction_new

Gunakan direktori keluaran baru. E4 historis tidak dijalankan ulang pada revisi pembimbing ini. Instruksi cache clean ada pada bagian Sumber E4 di awal README.

10. Lisensi dan Etika Penelitian

Kode Program: Dilisensikan di bawah lisensi terbuka MIT License.
Audio Xeno-Canto: Hak cipta rekaman audio dipegang oleh masing-masing perekam (recordist) di Xeno-Canto dengan lisensi Creative Commons (CC BY-NC-SA, CC BY-NC-ND). Rincian atribusi lengkap terdokumentasi di data/manifests/download_manifest.csv. Berkas audio tidak disertakan dalam repositori Git publik.
Rekaman Derau Lapangan ITERA: Hak cipta rekaman AudioMoth dipegang oleh tim peneliti Institut Teknologi Sumatera (ITERA).

11. Aturan Reproducibility & Integritas Data

Setiap eksekusi (run) eksperimen wajib mencatat parameter minimal berikut:

run_id
representation (R0, R1, R2, R3)
checkpoint/version
query_id
gallery_manifest_version
noise_id / noise_file
SNR (Clean, +20, +10, 0, -5 dB)
random_seed (default: 42)
threshold_version (tau beku)
ranking (Top-k candidates)
metrics (mAP@10, Top-1, MRR, FPR, Recall)
runtime (detik)

Setiap klaim pada artikel ilmiah dan naskah skripsi harus dapat ditelusuri (fully traceable):

Research Question (RQ)
       ↓
Eksperimen (E0 s.d. E5)
       ↓
Hasil Mentah (results/raw/*.csv)
       ↓
Hasil Terproses (results/processed/*.csv)
       ↓
Tabel & Gambar Publikasi (paper/tables/ & paper/figures/)
       ↓
Klaim Saintifik di Naskah (paper/manuscript.md)

Kebijakan Data dan Version Control (Git):

Wajib di-version-control: Manifes (.csv, .json), metadata (.xlsx), berkas hash integritas (SHA-256), konfigurasi (.yaml), kode program (src/, scripts/), dan ringkasan metrik hasil.
Dilarang di-commit ke Git (.gitignore): Berkas audio mentah berukuran besar (*.mp3, *.wav, *.flac), checkpoint weights deep learning besar (*.pth), dan direktori cache embedding sementara (.npz di luar rilis resmi).

12. Rencana Kerja Satu Bulan & Timeline Pelaksanaan

Tahap	Protokol aktif	Status
Minggu 1 / Gate 1	Korpus 20 spesies; split internal target 673/311/232; preprocessing; E0; clean retrieval E1 R0–R3	Keluaran komputasional tersedia
Minggu 2 / Gate 2	E2 pada clean, +20, +10, 0, −5 dB; pairing noise deterministik	Keluaran komputasional tersedia
Minggu 3 / Gate 3	E3 calibration-clean dan threshold beku; E4 lima lokasi × empat SNR × empat ulangan	Keluaran tersedia; inferensi sesuai scope controlled mixture
Minggu 4 / Gate 4	Bootstrap query berpasangan; audit manusia E5; reproduksi; finalisasi naskah	Belum seluruhnya selesai; lihat §13

Analisis H3 dan sensitivitas memakai 10.000 bootstrap, seed 20261012. Terdapat 120 kasus E5 pilihan untuk audit manusia. Jumlah kasus dan hasil otomatis tidak membuktikan pendengaran sudah dilakukan. Rumusan H3/H4 setelah hasil ditandai eksploratif.

13. Definition of Done (Status Kelulusan Gate 1 s.d. Gate 4)

Pemeriksaan lanjutan: 18 Oktober 2026. Reproduksi E0/E1/E2/E3/E5 pada venv baru sudah selesai; E4 dipertahankan tanpa run ulang sesuai arahan pembimbing. Audit pendengaran manusia masih terbuka, sehingga Gate 4 belum dinyatakan tuntas. Catatan pemeriksaan dan tindak lanjut memuat bukti serta alasan butir yang masih terbuka.

Verifikasi tambahan: 19 aset identitas E4 dan 320 snapshot kondisi cocok checksum; 41 bahan laporan lama tetap cocok. CSV hasil H3 dari klon bersih identik byte dengan hasil revisi. Klon H3-only pada pemeriksaan sebelumnya tidak membawa audio/cache; klon reproduksi baru dimulai tanpa embedding, lalu menerima salinan audio/checkpoint terverifikasi dan membangun embedding baru. Tiga helper identitas E4 kini juga dipertahankan byte-for-byte oleh Git.

14. Publication Boundary

Artikel ilmiah dan naskah skripsi ini secara ketat difokuskan untuk menjawab:
"Ketahanan representasi audio beku terhadap degradasi derau aditif dan stabilitas ambang batas temu kembali bioakustik."

Rekaman ITERA dipakai sebagai sumber noise untuk pencampuran aditif terkontrol. E4 menguji sensitivitas profil noise lima lokasi, bukan inventarisasi biodiversitas atau rekaman vokalisasi target in-situ. Korpus target in-situ dan anotasinya merupakan penelitian terpisah, bukan pekerjaan wajib untuk menuntaskan E4 aktif.

Ancaman terhadap Validitas (Threats to Validity):

Potensi Kebocoran Pra-latih (Pretraining Data Overlap - H1/H2):
Model BirdNET dipra-latih pada korpus global masif yang sebagian besar bersumber dari repositori publik Xeno-Canto dan Macaulay Library. Meskipun partisi internal evaluasi kami menerapkan strict author-disjoint mutlak antara galeri, kueri, dan kalibrasi, terdapat kemungkinan rekaman vokal dari 20 spesies Indonesia ini pernah terpapar pada fase pra-latih BirdNET. Hal ini dapat memberikan keunggulan representasi induktif terhadap fitur kicauan burung target dibanding model audio umum (PANNs) yang dilatih pada AudioSet.
Keterwakilan Spesies Terpilih (Selection Bias - DEC-10):
Taksa target dibatasi pada 20 spesies umum dan tersebar luas dengan ketersediaan rekaman memadai ($\ge 30$ klip, $\ge 14$ perekam). Spesies langka, pemalu (cryptic), atau bernada rendah ekstrem belum tercakup dalam benchmark ini.
Pencampuran Aditif vs Propagasi Lapangan (In-situ Soundscape Gap - H3):
Pengujian E2 dan E4 menggunakan derau aditif terkontrol. Dinamika propagasi bentang alam riil (atenuasi jarak, penyerapan kelembapan udara kanopi tropis, dan difraksi multipath) belum diuji; ini adalah H3 asli yang berbeda dari reformulasi eksploratif tentang profil noise lokasi.

15. Catatan dan Arahan Dosen Pembimbing

Alur aktif penelitian:

Audio target Indonesia + manifes/hash
  → preprocessing: mono 32 kHz, jendela energi 5 detik, RMS 0,05
  → Gallery 673 | Query 311 | Calibration 232 (perekam target terpisah)
  → representasi beku R0/MFCC, R1/PANNs, R2/BirdNET, R3/kontrol ID
  → cosine retrieval pada gallery yang sama
  → E1 clean
  → E2 query berpasangan pada +20, +10, 0, −5 dB
  → E3 calibration-clean → threshold beku → transfer ke test
  → E4 lima lokasi ITERA × empat SNR × empat ulangan
  → E5 diagnostik kegagalan + audit pendengaran manusia
  → bootstrap berpasangan, pelaporan hasil dan batas inferensi

Tautan laporan aktif untuk dibagikan: Catatan Progres Bimbingan. Empat dokumen yang sebelumnya dihapus tidak dipulihkan; gunakan tautan ini sebagai penggantinya.

Arahan revisi pembimbing yang berlaku:

E4 menggunakan kelima lokasi. Tidak ada pengulangan E4 untuk revisi ini.
Skrip produsen asli dipertahankan dengan SHA-256 yang sama; cache besar tidak di-commit.
H3 melaporkan ayunan mAP@10 absolut, retensi relatif, serta sensitivitas tanpa Kebun Raya. Kesimpulan tidak digeneralisasi ke seluruh SNR/metrik/subset.
Biofoni serangga dan distorsi frekuensi tetap dugaan sampai diuji terhadap fitur berkas noise. Perbedaan lokasi tidak membuktikan penyebab ekologis.
H3/H4 hasil reformulasi diberi label eksploratif; rumusan asli dan tanggal perubahan dicatat.
Teori Dasar ditulis pada naskah sendiri: Bagian 2.8, gap E4−E2, Gambar 6/8, gallery 673, dan enam konfigurasi AudioMoth pada Bagian 3.6 telah disesuaikan.
Poin 1–3 sudah dipush untuk pemeriksaan ulang pembimbing. Persetujuan pembimbing dan finalisasi naskah tidak diasumsikan dari kelulusan tes.

16. Panduan Teknis Lab & Protokol Gate 2–4

Gate 2 — E2 controlled-noise robustness

Pakai query yang sama, gallery tetap, dan noise fisik dari pool mixing yang terpisah dari noise unknown E3.
Grid tetap clean, +20, +10, 0, −5 dB. Simpan path/seed/posisi segmen, SNR aktual, dan metrik per query.
Laporkan skor absolut bersama retensi. Retensi R3 bukan ukuran ketahanan akustik karena kontrol tidak membaca waveform.

Gate 3 — E3 dan sensitivitas E4

Calibration: 232 known + 233 unknown. Test: 311 known + 310 unknown. Unknown aktif terdiri atas burung non-target dan noise ITERA sesuai manifes.
Threshold hasil E3: R0 0,995752; R1 0,897416; R2 0,702785; R3 0,488838. Revisi pelaporan tidak mengubah threshold operasional.
Recall penerimaan known berbeda dari akurasi spesies. Pada R2, recall clean 0,604502 turun ke 0,254019 pada −5 dB, dan FPR turun dari 0,222581 ke 0,129032.
E4: Kebun Raya, Embung F, Gedung F, Masjid At-Tanwir, Sekitar GKU 1. Kelima lokasi dipertahankan; penghilangan setiap lokasi secara bergantian hanya analisis sensitivitas, dengan tabel lengkap.
Ayunan dihitung per ulangan kemudian dirata-ratakan. Pada −5 dB, ayunan absolut R1 0,045596 dan R2 0,061829. Klaim R2 selalu lebih sempit tidak digunakan.

Gate 4 — audit, inferensi, reproduksi, dan penulisan

Audit 120 kasus E5 dengan segmen yang sama dengan eksperimen. Simpan identitas pendengar, tanggal, observasi, serta ketidakpastian. Catatan manusia tidak diisi otomatis dari skor model.
Bootstrap H3 memakai 10.000 iterasi, seed 20261012, unit query, dan pairing lintas representasi/lokasi/SNR/ulangan. Hasil reformulasi eksploratif dan kondisional pada lokasi/segmen tetap.
Reproduksi harus membedakan tes integritas, analisis ulang CSV, dan ekstraksi/evaluasi ulang dari audio pada lingkungan baru. Bukti parsial tidak dicatat sebagai reproduksi penuh.
Naskah dan gambar mengikuti hasil aktif. Periksa konsistensi abstrak, metode, hasil, kesimpulan, dan batas generalisasi sebelum meminta persetujuan pembimbing.

17. Register Keputusan (DEC), Checklist Audit, & Catatan Provenans

Register keputusan kanonik tersedia pada decision-log.md. DEC-13 mencatat pivot korpus Indonesia, DEC-14 pemisahan bank noise, dan DEC-16 koreksi pelaporan pembimbing. DEC-15 merupakan keputusan historis sebelum perluasan analisis H3; kesimpulan aktif mengikuti DEC-16 serta riwayat hipotesis.

Checklist kelulusan aktif berada pada §13. Bukti pemeriksaan dan keterbatasan dirinci pada laporan pemeriksaan ulang, bukan disimpulkan dari rencana kerja lama.

Arahan dosen merupakan bahan penyusunan dan pemeriksaan penelitian. Draf rujukan dosen tidak diperlakukan sebagai hasil eksperimen mahasiswa. Run sumber, manifes, konfigurasi beku, dan checksum tetap menjadi rujukan utama untuk angka hasil.

Petunjuk audit pendengaran dan bahan penjelasan lisan H3/Recall@10.

Name		Name	Last commit message	Last commit date
Rencana-eksperimen-bimbingan		Rencana-eksperimen-bimbingan
artifacts		artifacts
checkpoints		checkpoints
configs		configs
data		data
docs		docs
experiments		experiments
learning		learning
notebooks		notebooks
paper		paper
results		results
scripts		scripts
src		src
tests		tests
.env.example		.env.example
.gitattributes		.gitattributes
.gitignore		.gitignore
Form Permohonan TA Fakultas Sains.docx		Form Permohonan TA Fakultas Sains.docx
Makefile		Makefile
PROJECT_STRUCTURE.csv		PROJECT_STRUCTURE.csv
PROJECT_STRUCTURE.md		PROJECT_STRUCTURE.md
Panduan_Komprehensif_Tugas_Akhir.md		Panduan_Komprehensif_Tugas_Akhir.md
Panduan_Komprehensif_Tugas_Akhir.pdf		Panduan_Komprehensif_Tugas_Akhir.pdf
README.md		README.md
Tugas Akhir AS Ganjil 2026.xlsx		Tugas Akhir AS Ganjil 2026.xlsx
pyproject.toml		pyproject.toml
requirements.txt		requirements.txt
run_tests.py		run_tests.py

Latest commit

History

Folders and files

Repository files navigation