<![CDATA[Penilaian cepat (rapid assessment) terhadap tingkat kerusakan telah menjadi dasar penting untuk alokasi sumber daya pencarian dan penyelamatan darurat pasca gempa bumi. Metode penilaian konvensional umumnya melibatkan sekelompok insinyur profesional terlatih dan peneliti yang mengunjungi lokasi untuk melakukan survei terhadap sejauh mana kerusakan yang terjadi. Namun, metode ini dapat memakan banyak waktu dan biaya, terutama jika bencana yang terjadi dalam skala yang besar, seperti gempa bumi yang kuat. Selain itu, hasil yang diperoleh dalam proses ini dapat bersifat subjektif karena sangat bergantung pada keterampilan dan kondisi fisik pemeriksa. Penggunaan citra terrestrial menjadi opsi yang efektif dalam mendeteksi kerusakan bangunan secara rinci karena pengumpulan datanya yang mudah, memiliki gambar beresolusi tinggi, ekonomis, dan tidak bergantung pada cuaca. Salah satu jenis deep learning yang sering digunakan dalam tugas visual seperti klasifikasi gambar adalah convolutional neural network (CNN). Oleh karena itu, pengembangan algoritma CNN untuk identifikasi tingkat kerusakan secara otomatis perlu dilakukan agar meminimalkan subjektifitas dalam penilaian kerusakan bangunan. Penelitian ini menggunakan citra terrestrial bangunan sekolah rusak pada Gempa Cianjur 2022 yang digunakan sebagai data masukan dalam algoritma CNN untuk dipelajari agar nantinya dapat mengidentifikasi tingkat kerusakan bangunan sesuai dengan kondisi aktual. Sebagai verifikasi, digunakan gambar bangunan sekolah rusak akibat Gempa Palu 2018 pada model tersebut. Kriteria penilaian tingkat kerusakan pada penelitian ini berdasarkan pada European Macroseismic Scale 1998 (EMS-98). Penelitian ini menghasilkan tiga model CNN dengan kinerja yang berbeda-beda. Akurasi tertinggi pada data verifikasi dihasilkan oleh model ketiga yaitu sebesar 45,37%.]]>
Copyrights © 2024
