ANALISIS KERUSAKAN BANGUNAN PASCA GEMPA BUMI MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORKS (CNN)

Wally, Djulrais S (2025) ANALISIS KERUSAKAN BANGUNAN PASCA GEMPA BUMI MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORKS (CNN). Bachelor thesis, Universitas Nasional.

	Text COVER.pdf Download (843kB)
	Text BAB I.pdf Download (338kB)
	Text BAB II.pdf Download (418kB)
	Text BAB III.pdf Download (682kB)
	Text BAB IV.pdf Download (1MB)
	Text BAB V.pdf Download (269kB)
	Text LAMPIRAN.pdf Download (369kB)

Abstract

Bencana gempa bumi dapat mengakibatkan kerusakan bangunan dengan tingkat keparahan yang bervariasi. Klasifikasi tingkat kerusakan bangunan secara otomatis sangat penting untuk meningkatkan responsivitas terhadap kegagalan struktural dan perencanaan. Penelitian ini menggunakan model Convolutional Neural Network (CNN) untuk menganalisis dan mengkategorikan tingkat kerusakan konstruksi bumi menjadi tiga kelompok: Ringan, Sedang, dan Berat. Dataset yang digunakan terdiri dari ilustrasi bangunan terdampak gempa yang telah dikelompokkan menurut ambang batas keparahannya. Gambar diproduksi menggunakan teknik praproses, seperti pelabelan, normalisasi, dan penskalaan (180 x 180 piksel). Model CNN terdiri dari tiga lapisan: pooling, konvolusi, dan terhubung penuh, dengan softmax sebagai lapisan keluaran. Model ini dikembangkan menggunakan pengoptimal Adam dengan fungsi kerugian entropi silang kategoris selama 25 epoch. Hasil percobaan menunjukkan bahwa model CNN mencapai akurasi pelatihan sebesar 99,59% tetapi mengalami overfitting, dengan akurasi validasi hanya 64,26 hingga 70,79%. Loss validasi cukup tinggi dibandingkan dengan loss pelatihan, menunjukkan bahwa model memiliki tingkat akurasi yang tinggi dalam hal generalisasi data baru. Berdasarkan hasil penelitian ini, dapat disimpulkan bahwa CNN dapat digunakan untuk mengklasifikasikan kerusakan konstruksi bangunan, meskipun masih memerlukan optimasi yang lebih ekstensif. Beberapa strategi yang direkomendasikan untuk meningkatkan kinerja model tersebut antara lain adalah dengan menambah jumlah dan variasi dataset untuk meningkatkan informasi visual dan membandingkan model dengan metode lain seperti Support Vector Machine (SVM) atau Random Forest untuk mengetahui efektivitas CNN dalam tugas klasifikasi ini.

Item Type:	Thesis (Bachelor)
Subjects:	T Technology > T Technology (General) T Technology > TS Manufactures
Divisions:	Skripsi > Fakultas Hukum > Program Studi Ilmu Hukum
Depositing User:	Miss Rahma Rahmawati
Date Deposited:	13 Jun 2025 04:02
Last Modified:	13 Jun 2025 04:02
URI:	http://repository.unas.ac.id/id/eprint/12920

Actions (login required)

View Item