Electronic Theses and Dissertation

Penilaian cepat (rapid assessment) terhadap tingkat kerusakan telah menjadi dasar penting untuk alokasi sumber daya pencarian dan penyelamatan darurat pasca gempa bumi. Metode penilaian konvensional umumnya melibatkan sekelompok insinyur profesional terlatih dan peneliti yang mengunjungi lokasi untuk melakukan survei terhadap sejauh mana kerusakan yang terjadi. Namun, metode ini dapat
memakan banyak waktu dan biaya, terutama jika bencana yang terjadi dalam skala yang besar, seperti gempa bumi yang kuat. Selain itu, hasil yang diperoleh dalam proses ini dapat bersifat subjektif karena sangat bergantung pada keterampilan dan kondisi fisik pemeriksa. Penggunaan citra terrestrial menjadi opsi yang efektif dalam mendeteksi kerusakan bangunan secara rinci karena pengumpulan datanya yang mudah, memiliki gambar beresolusi tinggi, ekonomis, dan tidak bergantung pada cuaca. Salah satu jenis deep learning yang sering digunakan dalam tugas visual seperti klasifikasi gambar adalah convolutional neural network (CNN). Oleh karena itu, pengembangan algoritma CNN untuk identifikasi tingkat kerusakan secara otomatis perlu dilakukan agar meminimalkan subjektifitas dalam penilaian
kerusakan bangunan. Penelitian ini menggunakan citra terrestrial bangunan sekolah rusak pada Gempa Cianjur 2022 yang digunakan sebagai data masukan dalam algoritma CNN untuk dipelajari agar nantinya dapat mengidentifikasi tingkat kerusakan bangunan sesuai dengan kondisi aktual. Sebagai verifikasi, digunakan gambar bangunan sekolah rusak akibat Gempa Palu 2018 pada model tersebut. Kriteria penilaian tingkat kerusakan pada penelitian ini berdasarkan pada European Macroseismic Scale 1998 (EMS-98). Penelitian ini menghasilkan lima model CNN dengan kinerja yang berbeda-beda. Akurasi tertinggi pada data verifikasi dihasilkan oleh model kelima yaitu sebesar 45,37%.

After an earthquake, it is crucial to quickly assess the extent of the damage to allocate emergency search and rescue resources effectively. Traditionally, a trained team would visit the site to survey the damage, however this method can be time consuming and expensive, particularly for large-scale disasters. Moreover, the results may be subjective as it relies on the inspectors' skills and physical condition. Ground imaging is a highly effective method to detect building damage due to its high resolution, ease of data collection, low cost, and weather-independent nature. Convolutional neural networks (CNN) are often used in visual tasks such as image classification, making them ideal for automatically identifying the level of damage. This study utilized terrestrial images of damaged school buildings from the 2022 Cianjur Earthquake as input data for the CNN algorithm to learn and identify the level of building damage based on actual conditions. The model was verified using images of school buildings damaged in the 2018 Palu Earthquakes. The damage assessment criteria in this study were based on the European Macroseismic Scale 1998 (EMS-98). This research produced five CNN models with different performances. The fifth model produced the highest verification accuracy at 45,37%.