Karakteristik tingkat kerusakan bangunan pascabencana alam menggunakan ekstraksi fitur Googlenet dan principal Component Analysis (PCA)-Clustering

ABSTRAK

Peningkatan frekuensi bencana dan ketidakakuratan dalam penilaian kerusakan bangunan kerap menghambat proses perencanaan pemulihan, sehingga diperlukan metode yang lebih objektif untuk mendukung kesiapsiagaan dan respons pascabencana. Untuk menjawab kebutuhan tersebut, penelitian ini merancang dan mengimplementasikan sistem identifikasi tingkat kerusakan bangunan pascabencana alam dengan mengintegrasikan arsitektur deep learning dan teknik statistik. Metode yang digunakan meliputi ekstraksi fitur menggunakan arsitektur GoogLeNet, reduksi dimensi melalui Principal Component Analysis (PCA), serta pengelompokan tingkat kerusakan. Proses identifikasi dimulai dengan ekstraksi fitur semantik berdimensi tinggi dari citra kerusakan bangunan menggunakan lapisan "mixed2" dari model GoogLeNet. Fitur-fitur yang dihasilkan terbukti beragam dan berhasil menangkap perbedaan pola tekstur visual antara area bangunan yang rusak ringan, sedang, dan berat. Selanjutnya, PCA diterapkan pada data yang telah dinormalisasi, dan berhasil mereduksi dimensi data ke dalam dua komponen utama (PC1 dan PC2). Kedua komponen ini secara kolektif mampu menjelaskan 97,77% dari total varian data, menunjukkan efisiensi tinggi dalam merangkum informasi esensial. Berdasarkan ambang batas yang diterapkan pada sumbu PC1, proses klasterisasi berhasil mengelompokkan sampel ke dalam tiga kategori tingkat kerusakan: rusak ringan (n < 0), rusak sedang (0 ≤ n < 2), rusak berat (n ≥ 2). Hasil distribusi klaster menunjukkan dominasi kategori rusak ringan sebesar 50,0%, diikuti oleh rusak sedang (30,0%), dan rusak berat (20,0%). Konsistensi hasil identifikasi yang diperoleh dari model GoogLeNet PCA-Clustering ini terbukti akurat dan dapat diandalkan melalui validasi eksternal dengan penilaian ahli lapangan (BMKG). Penelitian ini menunjukkan bahwa pendekatan hibrida yang terbukti konsisten, akurat, dan dapat digunakan sebagai dasar analisis awal pascabencana.

مستخلص البحث

إنّ ازدياد وتيرة الكوارث الطبيعية وعدم دقّة الأساليب التقليدية في تقييم مستوى الأضرار يُعيقان في الغالب فعالية تخطيط مرحلة التعافي، الأمر الذي يستدعي اعتماد منهجيات أكثر موضوعية وموثوقية لدعم جاهزية الاستجابة بعد الكارثة. وانطلاقًا من هذه الحاجة، يهدف هذا البحث إلى تصميم وتنفيذ نظام لتحديد مستوى ضرر المباني بعد الكوارث الطبيعية من خلال دمج بنية التعلّم العميق مع التقنيات الإحصائية. تعتمد المنهجية على استخدام شبكة GoogLeNet لاستخلاص الخصائص الدلالية، وتحليل المركّبات الرئيسية (PCA) لخفض الأبعاد، إضافةً إلى أسلوب التجميع المعتمد على العتبات لتصنيف مستويات الضرر. يبدأ نظام التعرّف باستخلاص خصائص دلالية عالية الأبعاد من صور أضرار المباني عبر الطبقة mixed2 في نموذج GoogLeNet، وقد أثبتت هذه الخصائص قدرتها على تمييز الأنماط البصرية للنسيج بين الضرر الخفيف والمتوسط والشديد. وبعد ذلك، يُطبَّق تحليل المركّبات الرئيسية على البيانات الموحَّدة، مما يقلّص الأبعاد إلى مركّبين رئيسيين (PC1 وPC2) يفسّران معًا نسبة 97.77% من التباين الكلي، وهو ما يدل على كفاءته العالية في تلخيص المعلومات الجوهرية. وبالاستناد إلى قيم العتبة على المحور PC1، تمكّن أسلوب التجميع من تصنيف العيّنات إلى ثلاثة مستويات للضرر: ضرر خفيف (n < 0)، ضرر متوسط (0 ≤ n < 2)، وضرر شديد (n ≥ 2). وقد أظهرت نتائج التوزيع سيطرة فئة الضرر الخفيف بنسبة 50.0%، تليها فئة الضرر المتوسط (30.0%)، ثم الضرر الشديد (20.0%). وقد تم تعزيز اتساق ودقّة النتائج من خلال التحقّق الخارجي بمقارنة تقديرات النموذج مع تقييم الخبراء الميدانيين (BMKG). ويبرهن هذا البحث على أنّ النموذج الهجين المقترح يتميّز بالاتساق والموثوقية، ويمكن اعتماده كأساس لتحليل أوّلي بعد الكوارث.

ABSTRACT

The increasing frequency of natural disasters and the inaccuracy of conventional damage-assessment methods often hinder effective recovery planning, highlighting the need for more objective and reliable approaches to support post-disaster preparedness and response. Addressing this issue, this study designs and implements a system for identifying levels of building damage after natural disasters by integrating deep-learning architecture with statistical techniques. The method employs GoogLeNet for semantic feature extraction, Principal Component Analysis (PCA) for dimensionality reduction, and threshold-based clustering for damage categorization. The identification process begins with extracting high-dimensional semantic features from building-damage images using the “mixed2” layer of GoogLeNet, which successfully captures variations in visual texture patterns across light, moderate, and severe damage. PCA, applied to the normalized data, reduces the dimensionality into two principal components (PC1 and PC2), which collectively explain 97.77% of the total variance, demonstrating strong efficiency in summarizing essential information. Using threshold values applied to PC1, the clustering process categorizes samples into three damage levels: light (n < 0), moderate (0 ≤ n < 2), and severe (n ≥ 2). The resulting distribution shows that light damage dominates at 50.0%, followed by moderate (30.0%) and severe (20.0%). Consistency and accuracy of the identification results are reinforced through external validation with field experts (BMKG). This study demonstrates that the proposed hybrid model yields reliable and consistent outcomes and can serve as a dependable basis for preliminary post-disaster analysis.