Klasifikasi tingkat kerusakan bangunan pasca bencana alam menggunakan metode multiclass Support Vector Machine

INDONESIA:

Dampak dari bencana alam dapat membawa risiko besar terhadap kehidupan, dan kerusakan pada sektor bangunan adalah salah satu kerugian paling fatal yang disebabkan oleh bencana alam. Untuk mengatasi dampak bencana alam, diperlukan penerapan tanggap darurat bencana. Sebagian besar, penilaian tingkat kerusakan bangunan pasca bencana dilakukan oleh tim surveyor. Namun, seringkali data yang dihasilkan tidak akurat karena penilaian yang bersifat subjektif, yang mengakibatkan pengkategorian data menjadi berbeda. Metode Support Vector Machine (SVM) digunakan dalam penelitian ini untuk mengklasifikasikan tingkat kerusakan bangunan pasca bencana alam. Dataset yang digunakan adalah data kerusakan bangunan pasca bencana alam yang diperoleh dari BPBD Kota Malang dari tahun 2019 – 2023. Penelitian ini melakukan empat pengujian dengan variasi rasio data, parameter C, dan parameter degree. Berdasarkan pengujian yang dilakukan didapatkan hasil terbaik pada pengujian pertama dengan perbandingan rasio data 70:30, yaitu diperoleh pada tiga model dengan parameter C = 0.1 dengan degree = 4, C = 1 dengan degree = 3, dan C = 10 dengan degree = 2. Tiga model ini menghasilkan akurasi tertinggi sebesar 96.35%, presisi sebesar 96.35%, recall sebesar 96.35%, dan f1-score sebesar 96.32%.

ENGLISH:

The impact of a natural disasters can pose a huge risk to life, and damage to the building sector is one of the most fatal losses caused by natural disasters. To mitigate the impacts of natural disasters, it is necessary to implement disaster emergency response. Mostly, the assessment of the level of damage to buildings after a disaster is carried out by a team of surveyors. However, the resulting data is often inaccurate due to subjective assessments, which resulting in different data categorization. The Support Vector Machine (SVM) method is used in this study to classify the level of damage of buildings after natural disasters. The dataset used is post-natural disaster building damage data obtained from BPBD Malang City from 2019 - 2023. This study conducted four tests with variations in data ratio, C parameter, and degree parameter. Based on the tests carried out, the best results were obtained in the first test with a 70:30 data ratio comparison, which was obtained in three models with parameters C = 0.1 with degree = 4, C = 1 with degree = 3, and C = 10 with degree = 2. These three models produced the highest accuracy of 96.35%, precision of 96.35%, recall of 96.35%, and f1-score of 96.32%.

ARABIC:

يمكن أن يشكل تأثير الكوارث الطبيعية خطرًا كبيرًا على الحياة، وتعد الأضرار التي تلحق بقطاع المباني من أكثر الخسائر الفادحة التي تسببها الكوارث الطبيعية. للتخفيف من آثار الكوارث الطبيعية، من الضروري تنفيذ الاستجابة الطارئة للكوارث. في الغالب، يتم تقييم مستوى الأضرار التي لحقت بالمباني بعد وقوع الكارثة من قبل فريق من المساحين. ومع ذلك، غالبًا ما تكون البيانات الناتجة غير دقيقة بسبب التقييمات الذاتية، مما يؤدي إلى تصنيف البيانات بشكل مختلف. تُستخدم طريقة آلة دعم المتجهات (SVM) في هذه الدراسة لتصنيف مستوى الأضرار التي لحقت بالمباني بعد الكوارث الطبيعية. مجموعة البيانات المستخدمة هي بيانات الأضرار التي لحقت بالمباني بعد الكوارث الطبيعية التي تم الحصول عليها من مدينة مالانج BPBD مالانج في الفترة من 2019-2023. أجرت هذه الدراسة أربعة اختبارات مع اختلافات في نسبة البيانات ومعامل C ومعامل الدرجة. استنادًا إلى الاختبارات التي تم إجراؤها، تم الحصول على أفضل النتائج في الاختبار الأول مع مقارنة نسبة بيانات 70:30، والتي تم الحصول عليها في ثلاثة نماذج بمعايير C = 0.1 بدرجة = 4، و C = 1 بدرجة = 3، و C = 10 بدرجة = 2. أنتجت هذه النماذج الثلاثة أعلى دقة بنسبة 96.35%، ودقة بنسبة 96.35%، واستدعاء بنسبة 96.35%، ودرجة f1 بنسبة 96.32%.