Implementasi metode ResNet-18 untuk ekstraksi fitur tingkat kerusakan bangunan pasca bencana alam

INDONESIA:

Indonesia adalah negara yang rawan bencana alam, seperti gempa bumi dan banjir, yang sering menyebabkan kerusakan infrastruktur secara masif. Untuk mendukung mitigasi bencana, diperlukan sistem yang mampu mengidentifikasi tingkat kerusakan bangunan secara cepat dan akurat. Penelitian ini menjawab dua rumusan masalah utama, yaitu bagaimana mengimplementasikan metode ResNet-18 untuk ekstraksi fitur citra kerusakan bangunan, serta bagaimana mengevaluasi performa metode tersebut dalam mengenali tingkat kerusakan berdasarkan hasil representasi fitur. Arsitektur ResNet-18 diterapkan sebagai bagian dari transfer learning untuk mengekstraksi fitur visual dari gambar bangunan pascabencana. Fitur berdimensi tinggi yang dihasilkan kemudian direduksi menggunakan PCA agar lebih efisien dan tetap informatif. Hasil dari PCA ini diproses lebih lanjut dengan algoritma K-Means Clustering untuk mengelompokkan gambar berdasarkan pola kerusakan visual yang serupa. Pengujian menunjukkan bahwa kombinasi ResNet-18 dan PCA mampu menghasilkan struktur cluster yang lebih jelas, terpisah, dan stabil secara komputasi dibandingkan dengan pengelompokan langsung pada fitur mentah tanpa reduksi. Reduksi dimensi juga mempercepat proses tanpa mengorbankan kualitas informasi. Kesimpulannya, pendekatan ini terbukti efektif sebagai dasar sistem otomatis dalam mendeteksi tingkat kerusakan bangunan, sehingga dapat membantu pemerintah dan lembaga terkait dalam merespons bencana dengan lebih efisien dan tepat sasaran.

ENGLISH:

Indonesia is a country prone to natural disasters, such as earthquakes and floods, which often cause massive infrastructure damage. To support disaster mitigation, a system capable of identifying the level of building damage quickly and accurately is required. This study addresses two main research questions: how to implement the ResNet-18 method for feature extraction of post-disaster building damage images, and how to evaluate the performance of this method in recognizing damage levels based on feature representations. The ResNet-18 architecture is applied as part of transfer learning to extract visual features from post-disaster building images. The high-dimensional features produced are then reduced using PCA to improve efficiency while retaining informative content. The PCA results are further processed using the K-Means Clustering algorithm to group images based on similar visual damage patterns. Testing shows that the combination of ResNet-18 and PCA produces cluster structures that are clearer, more distinct, and computationally stable compared to direct clustering on raw features without reduction. Dimensionality reduction also accelerates the process without compromising information quality. In conclusion, this approach proves effective as the basis for an automatic system in detecting building damage levels, thereby assisting the government and related agencies in responding to disasters more efficiently and accurately.

ARABIC:

إندونيسيا دولة معرضة للكوارث الطبيعية، مثل الزلازل والفيضانات، والتي غالبًا ما تسبب أضرارًا جسيمة في البنية التحتية. ولدعم التخفيف من آثار الكوارث، يلزم وجود نظام قادر على تحديد مستوى الأضرار التي لحقت بالمباني بسرعة ودقة. تتناول هذه الدراسة مسألتين بحثيتين رئيسيتين: كيفية تنفيذ طريقة ResNet-18 لاستخراج سمات صور الأضرار التي لحقت بالمباني بعد الكوارث، وكيفية تقييم أداء هذه الطريقة في التعرف على مستويات الأضرار بناءً على تمثيلات السمات. تُطبَّق بنية ResNet-18 كجزء من التعلم التحويلي لاستخراج السمات البصرية من صور المباني بعد الكوارث. ثم يتم تقليل السمات عالية الأبعاد الناتجة باستخدام PCAلتحسين الكفاءة مع الاحتفاظ بالمحتوى الغني بالمعلومات. تتم معالجة نتائج PCA بشكل أكبر باستخدام خوارزمية K-Means Clustering لتجميع الصور بناءً على أنماط الأضرار البصرية المتشابهة. يُظهر الاختبار أن الجمع بين ResNet-18 وتحليل PCA ينتج عنه هياكل عنقودية أكثر وضوحًا وتميزًا واستقرارًا من الناحية الحسابية مقارنةً بالتجميع المباشر على السمات الأولية دون تقليل الأبعاد. يعمل تقليل الأبعاد أيضًا على تسريع العملية دون المساس بجودة المعلومات. في الختام، يثبت هذا النهج فعاليته كأساس لنظام آلي في الكشف عن مستويات الأضرار التي لحقت بالمباني، وبالتالي مساعدة الحكومة والوكالات ذات الصلة في الاستجابة للكوارث بشكل أكثر كفاءة ود