Klasifikasi tingkat kerusakan bangunan pasca bencana alam berdasarkan ekstraksi fitur GLCM dan reduksi dimensi PCA

INDONESIA:
Penilaian kerusakan bangunan pasca bencana alam secara konvensional seringkali memerlukan waktu yang lama, bersifat subjektif, dan tidak efisien ketika diterapkan dalam skala besar. Oleh karena itu, penelitian ini mengembangkan sistem pendukung keputusan berbasis teknologi pengolahan citra digital untuk mengklasifikasikan tingkat kerusakan bangunan menggunakan metode Gray Level Co-Occurrence Matrix (GLCM) dan Principal Component Analysis (PCA). Penelitian ini diawali dengan pengumpulan data citra bangunan dari BPBD Kota Malang, kemudian dilakukan preprocessing berupa resize dan konversi ke greyscale. Selanjutnya, dilakukan ekstraksi fitur tekstur menggunakan GLCM dengan parameter sudut dan jarak tertentu, lalu dilakukan reduksi dimensi menggunakan PCA untuk memperoleh komponen utama yang paling berpengaruh. Komponen utama hasil PCA digunakan sebagai dasar klasifikasi rule-based dengan threshold tertentu yang mengelompokkan bangunan ke dalam tiga kategori: rusak ringan, rusak sedang, dan rusak berat. Hasil pengujian menunjukkan bahwa kombinasi metode GLCM dan PCA mampu mengklasifikasikan tingkat kerusakan bangunan dengan nilai akurasi sebesar 85%, serta menghasilkan nilai presisi, recall, dan F1-score yang tinggi. Sistem ini diharapkan dapat menjadi solusi efektif dan efisien dalam mendukung proses pengambilan keputusan penanganan bencana di lapangan.
ENGLISH:
Manual assessment of building damage after natural disasters is often time-consuming, subjective, and inefficient when applied on a large scale. Therefore, this research proposes a decision support system based on digital image processing to classify the level of building damage using the Gray Level Co-Occurrence Matrix (GLCM) and Principal Component Analysis (PCA) methods. The research begins with collecting post-disaster building image data from the BPBD of Malang City, followed by preprocessing such as resizing and grayscale conversion. Texture features are then extracted using GLCM with specific angle and distance parameters, and dimensionality reduction is applied using PCA to obtain the most influential principal components. These principal components are used in a rule-based classification system with predefined thresholds to categorize damage levels into three classes: minor, moderate, and severe. The testing results show that the combination of GLCM and PCA methods successfully classifies building damage levels with an accuracy rate of 85%, along with high precision, recall, and F1-score values. This system is expected to serve as an effective and efficient solution to support decision-making in post-disaster response operations.
ARABIC:
غالبًا ما يستغرق التقييم التقليدي لأضرار المباني بعد الكوارث الطبيعية وقتًا طويلاً ويكون غير موضوعي وغير فعال عند تطبيقه على نطاق واسع. لذلك، تطوير هذا البحث نظاماً لدعم اتخاذ القرار يعتمد على تقنية معالجة الصور الرقمية لتصنيف مستوى الأضرار التي لحقت بالمباني باستخدام مصفوفة التكرار المشترك للمستوى الرمادي (GLCM) وطريقة تحليل المكونات الرئيسية (PCA). يبدأ هذا البحث بجمع بيانات صور المباني من مدينة مالانج BPBD Malang City، ثم المعالجة المسبقة في شكل تغيير الحجم والتحويل إلى التدرج الرمادي. بعد ذلك، تم إجراء استخلاص سمات النسيج باستخدام GLCM مع معلمات زاوية ومسافة معينة، ثم تقليل الأبعاد باستخدام PCA للحصول على المكونات الرئيسية الأكثر تأثيرًا. تُستخدم المكونات الرئيسية لنتائج تحليل PCA كأساس للتصنيف القائم على القواعد مع عتبة معينة تصنف المباني إلى ثلاث فئات: متضررة بشكل خفيف، ومتضررة بشكل معتدل، ومتضررة بشكل كبير. تُظهر نتائج الاختبار أن الجمع بين أساليب GLCM و PCA قادر على تصنيف مستوى الأضرار التي لحقت بالمباني بدقة تصل إلى 85%، فضلاً عن تحقيق قيم عالية من الدقة والاستدعاء وقيم F1. من المتوقع أن يكون هذا النظام حلاً فعالاً وكفؤاً في دعم عملية اتخاذ القرار في إدارة الكوارث في الميدان.