Prediksi kerusakan bangunan pascagempa bumi berbasis Clustering

ABSTRAK

Kerusakan bangunan pascagempa bumi merupakan tantangan mitigasi bencana yang memerlukan identifikasi dini yang cepat dan akurat. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi efisiensi model hibrida Prediction-based Clustering dengan mengintegrasikan Long Short-Term Memory (LSTM) untuk prediksi time-series dan Principal Component Analysis (PCA)-Clustering untuk pengelompokan tanpa pengawasan, guna menentukan tingkat kerusakan bangunan berdasarkan parameter seismologis. Data gempa yang meliputi Magnitudo (M), Kedalaman (D), dan Jarak epicenter (R) digunakan sebagai input utama. Metode LSTM (Model C3) berhasil memodelkan pola sekuensial variabel dengan kinerja prediksi yang solid (Test R^2: 0.5380). Hasil prediksi tersebut kemudian menjadi input untuk PCA-Clustering, yang berhasil mengelompokkan data menjadi tiga kluster tingkat kerusakan (ringan, sedang, dan Berat) berdasarkan nilai Principal Component 1 (PC1). Hasil paling signifikan adalah tingkat validitas eksternal model yang baik. Ditemukan kecocokan 1-ke-1 yang sempurna (presisi 100%) antara 12 kejadian yang diklusterisasi oleh model sebagai kluster "Dampak Rusak Berat" dengan 12 kejadian yang secara independen dicatat oleh BMKG sebagai "Gempa Bumi Dirasakan" (kejadian gempa kritis). Temuan ini membuktikan bahwa integrasi LSTM PCA-Clustering sangat efisien dan memiliki utilitas praktis yang substansial dalam memfilter dan mengisolasi kejadian gempa yang berpotensi menyebabkan kerusakan signifikan, menjadikannya alat yang dapat diandalkan untuk sistem peringatan dini dan penilaian dampak bencana.

مستخلص البحث

تعد أضرار المباني بعد الزلزال تحديًا حاسمًا للتخفيف من حدة الكوارث، وتتطلب تحديدًا مبكرًا وسريعًا ودقيقًا. تهدف هذه الدراسة إلى تطوير وتقييم كفاءة نموذج هجين للتصنيف العنقودي القائم على التنبؤ (Prediction-based Clustering) من خلال دمج تقنية الذاكرة طويلة المدى القصيرة (LSTM) للتنبؤ بالسلاسل الزمنية، وتقنية التصنيف العنقودي بتحليل المكونات الرئيسية (PCA-Clustering) للتجميع غير المراقب، لتحديد مستوى أضرار المباني بناءً على المعايير الزلزالية. تم استخدام بيانات الزلازل التي تشمل الحجم (M)، والعمق (D)، والمسافة المركزية (R) كمدخلات رئيسية. نجحت طريقة (LSTM) (النموذج C3) في نمذجة الأنماط المتسلسلة للمتغيرات بأداء تنبؤي قوي (مربع R للاختبار: 0.5380). وتم بعد ذلك استخدام نتائج التنبؤ كمدخلات لـ PCA-Clustering، التي نجحت في تجميع البيانات إلى ثلاثة مستويات من الأضرار (خفيفة، ومتوسطة، وخطيرة) بناءً على قيم المكون الرئيسي الأول (PC1). كانت النتيجة الأكثر أهمية هي المستوى الاستثنائي للصلاحية الخارجية للنموذج. حيث تم العثور على تطابق مثالي (دقة 100%) بين 12 حالة صنفها النموذج على أنها عنقود "تأثير الضرر الخطير" و12 حالة سجلتها BMKG (وكالة الأرصاد الجوية والمناخ والجيوفيزياء الإندونيسية) بشكل مستقل على أنها "زلزال محسوس" (أحداث زلزال حرجة). تثبت هذه النتيجة أن دمج (LSTM-PCA-Clustering) يتميز بكفاءة عالية ويمتلك فائدة عملية جوهرية في تصفية وعزل أحداث الزلازل التي من المحتمل أن تسبب أضرارًا كبيرة، مما يجعله أداة موثوقة لأنظمة الإنذار المبكر وتقييم آثار الكوارث.

ABSTRACT

Post-earthquake building damage constitutes a critical challenge for disaster mitigation, requiring prompt and accurate early identification. This study aims to develop and evaluate the efficiency of a hybrid Prediction-based Clustering model that integrates Long Short-Term Memory (LSTM) for time-series prediction and Principal Component Analysis (PCA)-Clustering for unsupervised grouping, to determine building damage levels based on seismological parameters. Earthquake data including Magnitude (M), Depth (D), and Epicentral Distance (R) were utilized as the primary inputs. The LSTM method (Model C3) successfully modeled the sequential patterns of the variables with solid predictive performance (Test R²: 0.5380). The resulting predictions were then fed into PCA-Clustering, which successfully grouped the data into three damage level clusters (Light, Moderate, and Severe) based on the Principal Component 1 (PC1) values. The most significant finding is the exceptional level of external validity. A perfect 1-to-1 match (100% precision) was found between the 12 occurrences classified by the model as the "Severe Damage Impact" cluster and the 12 occurrences independently recorded by BMKG (Indonesia's Meteorology, Climatology, and Geophysical Agency) as "Felt Earthquakes" (critical earthquake events). This finding proves that the LSTM-PCA-Clustering integration is highly efficient and possesses substantial practical utility in filtering and isolating earthquake events that potentially cause significant damage, establishing it as a reliable tool for early warning systems and disaster impact assessment.