KARAKTERISASI KERUSAKAN BANGUNAN MENGGUNAKAN INTEGRASI EFFICIENTNET-B7 DAN PCA-CLUSTERING

Abstract

Penilaian cepat dan akurat terhadap kerusakan bangunan pasca bencana sangat penting untuk merencanakan respons darurat dan upaya pemulihan. Namun, metode survei lapangan secara manual sering kali berisiko dan memakan waktu, sementara metode ekstraksi fitur tradisional seperti Gray Level Co-occurrence Matrix (GLCM) masih memerlukan penyesuaian parameter secara manual. Penelitian ini bertujuan untuk mengusulkan pendekatan otomatis menggunakan deep learning untuk mengelompokkan karakteristik tingkat kerusakan bangunan. Metode yang digunakan adalah integrasi Convolutional Neural Network (CNN) yaitu EfficientNet-B7 untuk ekstraksi fitur gambar yang mendalam, dipadukan dengan teknik PCA-Clustering. Tingkat kerusakan kemudian dikelompokkan berdasarkan indikator nilai komponen utama pertama (PC1). Hasil eksperimen menunjukkan keefektifan metode ini; pengujian pada sebuah sampel gambar bangunan menghasilkan nilai PC1 sebesar 5.000. Berdasarkan standar pengelompokan yang ada, nilai PC1≥2 secara akurat mengindikasikan bahwa bangunan tersebut masuk dalam kategori rusak berat. Integrasi ini menawarkan alat evaluasi yang robust dan otomatis untuk skenario nyata penanganan pasca bencana