<![CDATA[Penilaian kerusakan bangunan pascabencana alam merupakan tugas kritis yang memerlukan kecepatan dan akurasi tinggi. Metode manual memiliki keterbatasan dari segi waktu, risiko keselamatan, dan subjektivitas. Penelitian ini mengeksplorasi pemanfaatan arsitektur Convolutional Neural Network (CNN) VGG19 untuk mengekstraksi fitur visual dari citra bangunan yang rusak. Fitur hierarkis yang dihasilkan, mulai dari tepi, retakan, hingga deformasi struktural, kemudian dianalisis menggunakan Principal Component Analysis (PCA) untuk reduksi dimensi. Hasil penelitian menunjukkan bahwa PCA berhasil mempertahankan sekitar 95% total varians data hanya dengan tiga komponen utama (PC1, PC2, PC3). Visualisasi dalam ruang dua dimensi mengindikasikan bahwa fitur dari VGG19 secara alami mampu memisahkan karakteristik kerusakan bangunan menjadi dua kelompok utama berdasarkan nilai PC1 negatif dan positif. Dengan demikian, kombinasi VGG19 dan PCA menawarkan fondasi yang efektif untuk sistem penilaian kerusakan bangunan otomatis yang lebih cepat, objektif, dan aman, meskipun validasi lebih lanjut dengan data lapangan masih diperlukan.]]>
Copyrights © 2026
