Klasifikasi Tingkat Kerusakan Bangunan Pasca Bencana Alam Menggunakan Neural Network Backpropagation

INDONESIA:
Indonesia rentan terhadap bencana alam, dengan lokasi geografis yang menjadi salah satu faktor penyebabnya. Untuk mengurangi dampak buruk dari bencana alam, diperlukan tanggap darurat bencana, yang terdiri dari serangkaian langkah yang diambil segera setelah kejadian. Operasi ini mencakup penyelamatan dan evakuasi korban dan properti, memenuhi kebutuhan dasar, memberikan perlindungan, serta memulihkan bangunan dan infrastruktur. Data yang akurat diperlukan untuk pemulihan yang efektif setelah bencana. Badan Penanggulangan Bencana Daerah (BPBD) mengawasi upaya bantuan bencana, tetapi penilaian kerusakan yang salah memperlambat pemulihan. Subjektivitas surveyor dan kriteria yang bervariasi mengakibatkan perbedaan antara kerusakan yang dilaporkan dan kenyataan, sehingga menimbulkan masalah selama tahap rekonstruksi pascabencana. Tujuan dari penelitian ini adalah untuk mengembangkan sistem prediksi untuk mengukur tingkat kerusakan yang disebabkan oleh bencana alam pada bangunan. Sistem ini akan memungkinkan para surveyor untuk melakukan evaluasi yang cepat dan obyektif. Lima model yang berbeda diuji dengan menggunakan pendekatan Neural Network Backpropagation. Model A2 menghasilkan akurasi tertinggi sebesar 93,81%. A2 menggunakan pola hidden layer 40-38-36-34, 1000 epoch, dan laju pembelajaran 0,1.

ENGLISH:
Indonesia is prone to natural disasters, with its geographical location being one of the contributing factors. To mitigate the adverse impacts of natural disasters, emergency response is required, consisting of a series of measures taken immediately after the event. These operations include rescuing and evacuating victims and property, meeting basic needs, providing protection, and restoring buildings and infrastructure. Accurate data is essential for effective post-disaster recovery. The Regional Disaster Management Agency (BPBD) oversees disaster relief efforts, but erroneous damage assessments slow down recovery. Subjectivity of surveyors and varying criteria result in discrepancies between reported and actual damage, causing issues during the post-disaster reconstruction phase. The aim of this study is to develop a predictive system to assess the level of damage caused by natural disasters to buildings. This system will enable surveyors to conduct quick and objective evaluations. Five different models were tested using a Backpropagation Neural Network approach. Model A2 produced the highest accuracy of 93.81%. A2 uses a hidden layer pattern of 40-38-36-34, 1000 epochs, and a learning rate of 0.1.

ARABIC:
تعد إندونيسيا عرضة للكوارث الطبيعية، حيث أن موقعها الجغرافي يعد من العوامل المساهمة في ذلك. للحد من الآثار السلبية للكوارث الطبيعية، يلزم الاستجابة الطارئة التي تتكون من سلسلة من الإجراءات التي تُتخذ فور وقوع الحدث. تشمل هذه العمليات إنقاذ وإجلاء الضحايا والممتلكات، وتلبية الاحتياجات الأساسية، وتوفير الحماية، وترميم المباني والبنية التحتية. البيانات الدقيقة ضرورية لفعالية عمليات التعافي بعد الكوارث. تشرف وكالة إدارة الكوارث الإقليمية (BPBD) على جهود الإغاثة في حالات الكوارث، لكن التقييمات الخاطئة للأضرار تؤخر عملية التعافي. تؤدي ذاتية المساحين والمعايير المتباينة إلى وجود اختلافات بين الأضرار المبلغ عنها والحقيقة، مما يسبب مشكلات خلال مرحلة إعادة الإعمار بعد الكارثة. تهدف هذه الدراسة إلى تطوير نظام تنبؤي لتقييم مستوى الأضرار التي تسببها الكوارث الطبيعية على المباني. سيمكن هذا النظام المساحين من إجراء تقييمات سريعة وموضوعية. تم اختبار خمسة نماذج مختلفة باستخدام نهج الشبكة العصبية ذات الانتشار العكسي. أنتج النموذج A2 أعلى دقة بلغت 93.81٪. يستخدم A2 نمط الطبقات المخفية 40-38-36-34، 1000 تكرار، ومعدل التعلم 0.1.