Clustering tingkat kerusakan bangunan pascabencana menggunakan Gabor Filters dan Principal Component Analysis

INDONESIA:

Indonesia merupakan negara dengan tingkat risiko bencana yang tinggi karena letaknya di pertemuan tiga lempeng tektonik dunia. Dampak bencana alam seperti gempa bumi dan banjir sering mengakibatkan kerusakan bangunan yang membutuhkan proses identifikasi cepat dan akurat. Penelitian ini bertujuan untuk mengidentifikasi tingkat kerusakan bangunan pascabencana menggunakan metode Gabor filters untuk ekstraksi fitur tekstur dan Principal Component Analysis (PCA) untuk proses clustering. Data yang digunakan berupa citra bangunan rusak yang diperoleh dari BPBD Kota Malang dan dataset publik Kaggle. Proses penelitian meliputi tahap preprocessing citra (grayscale dan resize), ekstraksi fitur menggunakan Gabor filters dengan tiga parameter frekuensi dan lima orientasi, perhitungan fitur statistik (kontras, mean, dan energi), serta pengelompokan menggunakan PCA berdasarkan nilai komponen utama (PC1). Hasil penelitian menunjukkan bahwa metode Gabor–PCA mampu memisahkan data ke dalam tiga kelompok tingkat kerusakan dengan baik. Nilai explained variance tertinggi berada pada komponen utama pertama (PC1) sebesar 99,26%, menandakan bahwa sebagian besar informasi tekstur tercakup dalam satu komponen utama. Evaluasi menggunakan Silhouette score menunjukkan nilai 0,8491 yang berarti hasil clustering cukup baik. Dengan demikian, metode ini dapat dijadikan alternatif untuk membantu proses identifikasi tingkat kerusakan bangunan secara otomatis, efisien, dan objektif.

ENGLISH:

Indonesia is one of the countries with a high risk of natural disasters due to its position at the convergence of three major tectonic plates. The impact of natural disasters such as earthquakes and floods often causes significant building damage that requires rapid and accurate identification. This study aims to identify post-disaster building damage levels using Gabor filters for texture feature extraction and Principal Component Analysis (PCA) for clustering. The dataset consists of damaged building images obtained from BPBD Malang City and public data from Kaggle. The research process includes image preprocessing (grayscale and resizing), feature extraction using Gabor filters with three frequency scales and five orientations, calculation of statistical features (contrast, mean, and energy), and clustering based on PCA’s first principal component (PC1). The results show that the Gabor–PCA method can effectively separate images into three damage-level clusters. The highest explained variance is found in PC1 at 99.26%, indicating that most texture information is contained within a single principal component. The clustering evaluation using the Silhouette score achieved a value of 0.8491, indicating good cluster separation. Therefore, this method can serve as an effective, automatic, and objective approach for identifying building damage levels after disasters.

ARABIC:

تُعَدُّ إندونيسيا من الدول ذات المخاطر العالية للكوارث الطبيعية بسبب موقعها عند التقاء ثلاث صفائح تكتونية رئيسية في العالم. إنّ آثار الكوارث الطبيعية مثل الزلازل والفيضانات كثيراً ما تُسبِّب أضراراً في المباني تتطلّب عملية تحديد سريعة ودقيقة لمستوى الضرر. يهدف هذا البحث إلى تحديد مستوى ضرر المباني بعد الكوارث باستخدام طريقة مرشحات غابور (Gabor filters) لاستخراج ميزات النسيج، وتحليل المكونات الرئيسية (Principal Component Analysis – PCA) لعملية التجميع (Clustering). تم استخدام بيانات على شكل صور لمبانٍ متضرّرة تم الحصول عليها من وكالة إدارة الكوارث في مدينة مالانغ (BPBD) ومن مجموعة بيانات عامة في موقع Kaggle. تشمل مراحل البحث المعالجة المسبقة للصور (تحويلها إلى تدرج رمادي وتغيير الحجم)، واستخراج الميزات باستخدام مرشحات غابور بثلاث ترددات وخمس زوايا مختلفة، وحساب الخصائص الإحصائية (التباين، التجانس، والطاقة)، ثم تجميع البيانات باستخدام تحليل المكونات الرئيسية استناداً إلى القيم في المكون الرئيسي الأول (PC1). أظهرت النتائج أن طريقة غابور–PCA قادرة على تقسيم البيانات إلى ثلاث مجموعات تمثل مستويات مختلفة من الضرر بدقة جيدة. بلغت نسبة التباين المفسَّر في المكون الرئيسي الأول 99.26٪، مما يشير إلى أن معظم معلومات النسيج متركزة في هذا المكون الواحد. كما أظهر التقييم باستخدام مؤشر Silhouette score قيمة قدرها 0.8491، مما يدل على جودة التجميع. وبناءً على ذلك، يمكن اعتماد هذه الطريقة كأداة فعّالة وآلية للمساعدة في تحديد مستوى ضرر المباني بعد الكوارث بطريقة سريعة وكفوءة وموضوعية.