Segmentasi Citra Bangunan Untuk Menentukan Tingkat Kerusakan Pasca Bencana Alam Menggunakan Convolutional Neural Network

INDONESIA:

Bencana alam merupakan suatu kejadian yang disebabkan oleh alam seperti halnya gempa bumi, angin tornado, tsunami, kebakaran hutan, dan lain - lain. Dampak yang diberikan karena terjadinya bencana alam sangat besar dan beragam di berbagai sektor baik itu sektor ekonomi, kesehatan, dan utamanya adalah bagunan. Dibutuhkan Tindakan yang efektif dan efisien guna membantu pemulihan pasca bencana alam, salah satunya dengan membantu identifikasi tingkat kerusakan bangunan pasca bencana alam. Untuk mengatasi permasalahan ini, pada penelitian ini akan dirancang system yang mampu melakukan segmentasi guna mengetahui tingkat kerusakan suatu bangunan pasca bencana alam menggunakan metode convolutional neural network .Data yang digunakan merupakan data aerial image yang bersumber dari xView2: Assess Building Damage yang berisikan 50 aerial image dengan terdapat 5 kelas yaitu no-damage, minor-damage, major-damage, destroyed dan unlabeled. Langkah yang dilakukan pada penelitian ini meliputi preprocessing data dengan menggunakan patchify dan augmentasi data. Kemudian lenjut ekstrasi fitur dengan konvolusi dan dilanjutkan dengan proses training menggunakan neural network menggunakan arsitektur yang diajukan. Penelitian ini mengajukan arsitektur dengan 27 hidden layer dengan fitur ekstrasi menggunakan average pooling. Proses evaluasi model akan menggunakan Mean Intersection over Union (MIoU) untuk melihat seberapa mirip bentuk hasil prediksi segmentasi dengan data aslinya. Hasil pengujian yang telah dilakukan dengan total 8 skenario dengan 4 skenario average pooling dan 4 skenario max pooling, arsitektur yang diajukan mampu memberikan hasil MIoU terbaik dengan nilai 0.31 dan akurasi sebesar 0.9577.

ENGLISH :

Natural disasters are events caused by nature such as earthquakes, tornadoes, tsunamis, forest fires, and others. The impacts of natural disasters are significant and varied across various sectors, including the economy, health, and primarily, infrastructure. Effective and efficient actions are needed to assist in the recovery following natural disasters, one of which is aiding in the identification of building damage levels post-disaster. To address this issue, this research proposes a system capable of performing segmentation to determine the level of building damage post-natural disaster using convolutional neural network methods. The data utilized consists of aerial images sourced from xView2: Assess Building Damage, comprising 50 aerial images with 5 classes: no-damage, minor-damage, major-damage, destroyed, and unlabeled. The steps undertaken in this research include data preprocessing using patchify and data augmentation. Subsequently, feature extraction is performed using convolution, followed by the training process using a neural network with the proposed architecture. This study proposes an architecture with 27 hidden layers, with feature extraction utilizing average pooling. The model evaluation process will employ Mean Intersection over Union (MIoU) to assess how closely the segmentation prediction results resemble the original data. The testing results conducted encompass a total of 8 scenarios, with 4 scenarios utilizing average pooling and 4 scenarios utilizing max pooling. The proposed architecture demonstrates the best MIoU result with a value of 0.31 and an accuracy of 0.9577.

ARABIC:

الكوارث الطبيعية هي حوادث تسببها الطبيعة مثل الزالزل، األعاصري، التسوانمي، حرائق الغاابت، وغريها. ترتتب عن
وقوع الكوارث الطبيعية آاثر كبرية ومتنوعة يف خمتلف القطاعات، سواء كانت االقتصادية أو الصحية، واألهم من ذلك هو القطاع
العقاري. يتطلب التعامل بفعالية وكفاءة ملساعدة يف إعادة بناء ما بعد الكوارث الطبيعية، ومن ضمن األساليب اليت ميكن أن تساعد
يف ذلك هو حتديد مستوى الضرر يف البنية التحتية بعد الكوارث الطبيعية. حلل هذه املشكلة، سيتم تصميم نظام قادر على تقسيم
الصور لتحديد مستوى الضرر يف البنية التحتية بعد الكوارث الطبيعية ابستخدام طريقة الشبكة العصبية التصاعدية. يستخدم البياانت
اليت مت احلصول عليها صور جوية من مصدرDamage Building Assess 2:xView ، واليت حتتوي على 50 صورة جوية
مصنفة إىل 5 فئات وهي: ال يوجد ضرر، ضرر طفيف، ضرر كبري، تدمري وغري مصنف. تشمل خطوات البحث هذه جتهيز البياانت
ابستخدام patchify وزايدة البياانت، مث استخراج امليزات بواسطة التحصيص ومن مث عملية التدريب ابستخدام الشبكة العصبية
ابستخدام اهلندسة املعمارية املقرتحة. يقدم البحث هذا هندسة مع 27 طبقة خمفية مع استخراج امليزات ابستخدام التجميع املتوسط.
سيتم استخدام معيار انرتسكشن أوفر يونيون (MIoU (لتقييم مدى تشابه نتائج التحديد مع البياانت األصلية. أظهرت نتائج
االختبارات اليت متت مبجموع 8 سيناريوهات، 4 منها بتجميع متوسط و 4 بتجميع أقصى، أن اهلندسة املعمارية املقرتحة قادرة على
حتقيق أفضل قيمة MIoU بقيمة 0.31 ودقة 0.9577.