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:	Users 30 not found.
Date Deposited:	13 Jun 2025 04:02
Last Modified:	13 Jun 2025 04:02
URI:	https://repository.unas.ac.id/id/eprint/12920

Actions (login required)

View Item