Analisis clustering untuk tingkat kerusakan bangunan pasca bencana alam menggunakan watershed dan principal component analysis

INDONESIA:
Penilaian tingkat kerusakan bangunan pasca-bencana alam sangat penting untuk merencanakan rehabilitasi dan distribusi bantuan secara tepat. Penelitian ini bertujuan untuk mengevaluasi efektivitas metode segmentasi citra menggunakan Watershed dan pengelompokan menggunakan Principal Component Analysis (PCA) dalam menentukan tingkat kerusakan bangunan. Proses pertama yang dilakukan adalah segmentasi citra menggunakan metode Watershed, yang berfungsi untuk memisahkan objek bangunan dari latar belakang berdasarkan perbedaan intensitas piksel pada citra bangunan yang terdampak bencana. Setelah proses segmentasi, PCA diterapkan untuk mereduksi dimensi data citra yang telah disegmentasi, serta untuk mengelompokkan tingkat kerusakan bangunan ke dalam tiga kategori utama: kerusakan ringan, sedang, dan berat. Proses clustering ini dievaluasi dengan menggunakan Silhouette Score, sebuah metrik yang mengukur seberapa baik data dapat terkelompok dengan benar. Hasil penelitian menunjukkan bahwa penggunaan tiga cluster memberikan pemisahan yang paling optimal, dengan nilai rata-rata terbaik sebesar 0.3206, meskipun nilai Silhouette Score tertinggi diperoleh pada empat cluster dengan nilai sebesar 0.6030. Penambahan jumlah cluster menjadi empat atau lima justru menyebabkan penurunan kualitas clustering. Penelitian ini menunjukkan bahwa kombinasi antara Watershed untuk segmentasi citra dan PCA untuk clustering adalah metode yang efektif dan efisien dalam menilai tingkat kerusakan bangunan pasca-bencana. Hal ini dapat menjadi alat bantu yang berguna bagi lembaga penanggulangan bencana dalam pengambilan keputusan terkait distribusi bantuan dan perencanaan rehabilitasi bangunan yang terdampak bencana.

ENGLISH:
Assessing the level of damage to buildings after natural disasters is essential to plan rehabilitation and aid distribution appropriately. This research aims to evaluate the effectiveness of image segmentation method using Watershed and clustering using Principal Component Analysis (PCA) in determining the level of building damage. The first process performed is image segmentation using the Watershed method, which serves to separate building objects from the background based on differences in pixel intensity in disaster-affected building images. After the segmentation process, PCA was applied to reduce the dimensionality of the segmented image data, as well as to cluster the level of building damage into three main categories: light, medium, and heavy damage. The clustering process was evaluated using Silhouette Score, a metric that measures how well the data can be correctly clustered. The results show that the use of three clusters provides the most optimal separation, with the best average value of 0.3206, although the highest Silhouette Score value is obtained in four clusters with a value of 0.6030. Increasing the number of clusters to four or five actually causes a decrease in clustering quality. These findings suggest that the combination of Watershed for image segmentation and PCA for clustering is an effective and efficient method in assessing the level of damage to post-disaster buildings. This can be a useful tool for disaster management agencies in making decisions regarding relief distribution and rehabilitation planning of disaster-affected buildings.

ARABIC:
يعد تقييم مدى الأضرار التي لحقت بالمباني بعد وقوع كارثة طبيعية أمرا ضروريا للتخطيط وإعادة التأهيل والتوزيع المناسب للمعونة. هدف هذا البحث إلى تقييم فعالية طريقة تجزئة الصور باستخدام مستجمعات المياه وتصنيفها باستخدام تحليل المكونات الرئيسية (PCA) في تحديد مستوى أضرار المباني. العملية الأولى التي يتم إجراؤها هي تجزئة الصور باستخدام طريقة مستجمعات المياه، والتي تعمل على فصل كائنات البناء عن الخلفية بناء على الاختلاف في شدة البكسل في صورة المباني المتضررة من الكارثة. بعد عملية التجزئة، يتم تطبيق PCA لتقليل أبعاد بيانات الصورة المجزأة، وكذلك لتصنيف مستوى الضرر الذي يلحق بالمباني إلى ثلاث فئات رئيسية: الأضرار الخفيفة والمتوسطة والشديدة. يتم تقييم عملية التصنيف هذه باستخدام قيمة الصورة الظلية (Silhouette Score)، وهو مقياس يقيس مدى جودة تجميع البيانات بشكل صحيح. أظهرت النتائج أن استخدام ثلاث مجموعات وفّر الفصل الأمثل، حيث بلغ متوسط القيمة الأفضل 0.3206، على الرغم من الحصول على أعلى قيمة لمعدل درجات الصورة الظلية في أربع مجموعات بقيمة 0.6030. تتسبب زيادة عدد المجموعات إلى أربع أو خمس مجموعات في الواقع في انخفاض جودة التجميع. أشارت هذه النتائج إلى أن الجمع بين مستجمعات المياه لتجزئة الصور و PCA للتصنيف هو طريقة فعالة وفعال في تقييم مستوى الأضرار التي لحقت بالمباني بعد الكارثة. ويمكن أن تكون هذه أداة مفيدة لمؤسسات إدارة الكوارث في اتخاذ القرارات المتعلقة بتوزيع المساعدات والتخطيط لإعادة تأهيل المباني المتضررة من الكوارث.