Implementasi Law's Texture Energy Measures untuk Clustering tingkat kerusakan bangunan berbasis Principal Component Analysis (PCA)

INDONESIA

Indonesia merupakan negara yang rentan terhadap berbagai bencana alam yang dapat mengakibatkan kerusakan pada bangunan. Identifikasi tingkat kerusakan bangunan pascabencana perlu dilakukan secara cepat dan akurat untuk mendukung proses mitigasi serta penanganan bencana. Penelitian ini bertujuan untuk mengelompokkan tingkat kerusakan bangunan menggunakan metode Law’s Texture Energy Measures (LTEM) untuk ekstraksi fitur tekstur dan Principal Component Analysis (PCA) untuk reduksi dimensi data. Data yang digunakan berupa citra bangunan rusak yang diperoleh dari dokumentasi BPBD Kota Malang dan Kaggle. Tahapan penelitian meliputi preprocessing citra, ekstraksi fitur menggunakan LTEM, normalisasi data, reduksi dimensi dengan PCA, serta proses clustering berdasarkan karakteristik tekstur citra. Evaluasi hasil clustering dilakukan menggunakan Silhouette Score dengan variasi jumlah cluster sebanyak 2, 3, 4, dan 5 cluster. Hasil penelitian menunjukkan bahwa nilai Silhouette Score yang diperoleh untuk masing-masing jumlah cluster adalah 0,588535 pada 2 cluster, 0,4723 pada 3 cluster, 0,5150 pada 4 cluster, dan 0,5144 pada 5 cluster. Berdasarkan hasil tersebut, 2 cluster merupakan jumlah cluster yang paling optimal karena menghasilkan nilai Silhouette Score tertinggi, sehingga menunjukkan kualitas pengelompokan yang lebih baik dibandingkan jumlah cluster lainnya. Dengan demikian, kombinasi metode LTEM dan PCA mampu mengelompokkan citra bangunan berdasarkan karakteristik teksturnya serta memberikan hasil clustering yang cukup baik dalam proses identifikasi tingkat kerusakan bangunan.

ENGLISH

Indonesia is a country that is highly vulnerable to various natural disasters that can cause damage to buildings. Identifying the level of building damage after a disaster needs to be carried out quickly and accurately to support mitigation and disaster response efforts. This study aims to classify building damage levels using the Law’s Texture Energy Measures (LTEM) method for texture feature extraction and Principal Component Analysis (PCA) for dimensionality reduction. The data used in this study consist of images of damaged buildings obtained from the documentation of BPBD Kota Malang and Kaggle. The research stages include image preprocessing, feature extraction using LTEM, data normalization, dimensionality reduction using PCA, and clustering based on image texture characteristics. The clustering results were evaluated using the Silhouette Score with variations of 2, 3, 4, and 5 clusters. The results showed that the Silhouette Score values obtained for each cluster configuration were 0.588535 for 2 clusters, 0.4723 for 3 clusters, 0.5150 for 4 clusters, and 0.5144 for 5 clusters. Based on these results, 2 clusters were identified as the most optimal configuration because they achieved the highest Silhouette Score, indicating better clustering quality compared to the other cluster configurations. Therefore, the combination of LTEM and PCA was able to group building images based on their texture characteristics and produced reasonably good clustering results for the identification of building damage levels.

ARABIC

تُعدّ إندونيسيا من الدول المعرضة لمختلف الكوارث الطبيعية التي قد تؤدي إلى أضرار في المباني. لذلك، فإن تحديد مستوى أضرار المباني بعد الكوارث يجب أن يتم بسرعة ودقة لدعم جهود التخفيف من آثار الكوارث وإدارة الاستجابة لها. يهدف هذا البحث إلى تصنيف مستويات أضرار المباني باستخدام طريقة Law’s Texture Energy Measures (LTEM) لاستخراج خصائص النسيج، وطريقة Principal Component Analysis (PCA) لتقليل أبعاد البيانات. وقد استُخدمت في هذه الدراسة صور لمبانٍ متضررة تم الحصول عليها من وثائق هيئة إدارة الكوارث الإقليمية بمدينة مالانغ (BPBD Kota Malang) ومن منصة Kaggle. شملت مراحل البحث المعالجة المسبقة للصور، واستخراج الخصائص باستخدام LTEM، وتطبيع البيانات، وتقليل الأبعاد باستخدام PCA، ثم تنفيذ عملية التجميع (Clustering) اعتمادًا على خصائص نسيج الصور. وتم تقييم نتائج التجميع باستخدام معامل السيلويت (Silhouette Score) مع اختبار أربعة أعداد مختلفة من المجموعات، وهي 2 و3 و4 و5 مجموعات. وأظهرت النتائج أن قيم معامل السيلويت بلغت 0.588535 عند استخدام مجموعتين، و0.4723 عند استخدام ثلاث مجموعات، و0.5150 عند استخدام أربع مجموعات، و0.5144 عند استخدام خمس مجموعات. واستنادًا إلى هذه النتائج، تبيّن أن المجموعتين (2 Clusters) تمثلان العدد الأمثل للمجموعات، وذلك لتحقيقهما أعلى قيمة لمعامل السيلويت، مما يدل على جودة أفضل في عملية التجميع مقارنةً ببقية السيناريوهات. وعليه، فإن الجمع بين طريقتي LTEM وPCA أثبت فعاليته في تجميع صور المباني وفقًا لخصائصها النسيجية، كما قدّم نتائج جيدة في عملية تحديد مستويات أضرار المباني.