Klasterisasi kerusakan struktural bangunan pasca bencana menggunakan ekstraksi fitur VGG19 dan Pca-Clustering

ABSTRAK

Kerusakan infrastruktur, khususnya bangunan, merupakan salah satu dampak paling signifikan dari bencana alam yang memerlukan penanganan dan evaluasi cepat untuk proses mitigasi serta rekonstruksi. Penilaian kerusakan bangunan secara manual membutuhkan waktu yang lama dan sumber daya yang besar. Penelitian ini mengusulkan sebuah metode otomatisasi penilaian tingkat kerusakan bangunan pasca bencana menggunakan teknologi Deep Learning dan analisis multivariat. Metode yang digunakan mengombinasikan arsitektur Visual Geometry Group 14-layers (VGG19) untuk ekstraksi fitur visual tingkat tinggi dari citra bangunan, yang kemudian direduksi dimensinya dan dikelompokkan menggunakan Principal Component Analysis (PCA)-Clustering untuk mengklasifikasikan tingkat kerusakan bangunan ke dalam beberapa tingkatan (misalnya: rusak berat, rusak sedang, dan rusak ringan). Hasil pengujian menunjukkan bahwa integrasi ekstrasi fitur VGG19 dan reduksi dimensi Principal Component Analysis (PCA)-Clustering mampu mengoptimalkan performa klasterisasi secara signifikan dengan mempertahankan informasi esensial dari citra. Penelitian ini memberikan kontribusi penting dalam mempercepat proses identifikasi dampak bencana, mendukung pengambilan keputusan spasial bagi otoritas penanggulangan bencana, serta meningkatkan efektivitas penyaluran bantuan logistik di area terdampak.

ABSTRACT

Infrastructure damage, particularly to buildings, is one of the most significant impacts of natural disasters that requires rapid assessment and evaluation for mitigation and reconstruction processes. Manual assessment of building damage is time-consuming and resource-intensive. This study proposes an automated method for evaluating the severity of post-disaster building damage utilizing Deep Learning technology and multivariate analysis. The approach combines the Visual Geometry Group 19-layers (VGG19) architecture to extract high-level visual features from building imagery, which are then dimensionally reduced and grouped using Principal Component Analysis (PCA)-Clustering to classify the levels of building damage into several categories (e.g., heavy damage, moderate damage, and light damage). The test results demonstrate that the integration of VGG19 feature extraction and Principal Component Analysis (PCA)-Clustering significantly optimizes clustering performance while retaining essential information from the imagery. This research provides an important contribution to accelerating the process of disaster impact identification, supporting spatial decision-making for disaster management authorities, and improving the efficiency of logistics distribution in affected areas.

ARABIC

يعد تلف البنية التحتية، لا سيما المباني، أحد أبرز الآثار الجسيمة للكوارث الطبيعية، مما يستلزم تقييمًا ومعالجةً سريعةً لعمليات التخفيف من آثار الكوارث وإعادة الإعمار. ويتطلب التقييم اليدوي لأضرار المباني وقتًا طويلًا وجهودًا مكثفةً. تقترح هذه الدراسة طريقة مؤتمتة لتقييم مستويات أضرار المباني بعد الكوارث باستخدام تقنية التعلم العميق والتحليل متعدد المتغيرات. تجمع الطريقة المستخدمة بين بنية الشبكة العصبية (VGG19) لاستخراج الميزات المرئية عالية المستوى من صور المباني، ثم تقليل أبعادها وتجميعها باستخدام تحليل المكونات الرئيسية (Principal Component Analysis - PCA)-Clustering لتصنيف مستويات أضرار المباني إلى عدة فئات (مثل: أضرار جسيمة، وأضرار متوسطة، وأضرار خفيفة). وأظهرت نتائج الاختبار أن التكامل بين استخراج ميزات VGG19 وتقليل الأبعاد باستخدام (PCA)-Clustering ساهم بشكل كبير في تحسين أداء التجميع مع الحفاظ على المعلومات الأساسية للصور. تقدم هذه الدراسة مساهمة هامة في تسريع عملية تحديد آثار الكوارث، ودعم اتخاذ القرار المكاني للجهات المعنية بإدارة الكوارث، فضلاً عن تعزيز كفاءة توزيع المساعدات اللوجستية في المناطق المتضررة