EKSTRAKSI FITUR MENGGUNAKAN VGG-19 UNTUK CLUSTERING TINGKAT KERUSAKAN BANGUNAN PASCA BENCANA ALAM BERBASIS PCA
DOI:
https://doi.org/10.35316/.v11i1.9429Kata Kunci:
VGG19;, ekstraksi fitur;, PCA;, kerusakan bangunan;, pascabencana;, deep learning;Abstrak
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.
Unduhan
Referensi
[1] S. P. Tampubolon, I. P. E. Sarassantika, and I. W. G. Suarjana, “Analisis Kerusakan Struktur Bangunan dan Manajemen Bencana Akibat Gempa Bumi, Tsunami, dan Likuifaksi di Palu,” Bentang J. Teor. dan Terap. Bid. Rekayasa Sipil, vol. 10, no. 2, pp. 169–186, 2022, doi: 10.33558/bentang.v10i2.3263.
[2] T. Yudistira et al., “Imaging of a magma system beneath the Merapi Volcano complex, Indonesia, using ambient seismic noise tomography,” Geophys. J. Int., vol. 226, no. 1, pp. 511–523, 2021, doi: 10.1093/gji/ggab104.
[3] P. Supendi et al., “Relocated aftershocks and background seismicity in eastern Indonesia shed light on the 2018 Lombok and Palu earthquake sequences,” Geophys. J. Int., vol. 221, no. 3, pp. 1845–1855, 2020, doi: 10.1093/gji/ggaa118.
[4] Weny Indah Kusumawati and Adisaputra Zidha Noorizki, “Perbandingan Performa Algoritma VGG16 Dan VGG19 Melalui Metode CNN Untuk Klasifikasi Varietas Beras,” J. Comput. Electron. Telecommun., vol. 4, no. 2, 2023, doi: 10.52435/complete.v4i2.387.
[5] T. R. Saputro and B. Santoso, “Implementasi Convolutional Neural Network Pada Penyakit Pneumonia (Studi Kasus : Dinas Kesehatan Kota Tangerang Selatan),” OKTAL J. Ilmu Komput. dan Sci., vol. 2, no. 3, pp. 1007–1013, 2023.
[6] I. I. A. Widyan, “Implementasi Convolutional Neural Network Menggunakan Arsitektur Visual Geometry Group -19 ( Vgg-19 ) Untuk,” vol. 19, 2024.
[7] A. Firmansyah, M. A. Arief, M. Daffa, F. Falah, O. D. Dharmawan, and J. Riyanto, “Pengujian Aplikasi Sistem Penilaian Mahasiswa Dengan Menggunakan Teknik Boundary Value Analysis,” Sci. Sacra J. Sains, vol. 2, no. 1, pp. 175–179, 2022, [Online]. Available: http://pijarpemikiran.com/index.php/Scientia
[8] H. Kurniawan and E. Itje Sela, “VGG-19 and histogram equalization for human face shape classification on mobile platforms,” J. Tek. Inform. C.I.T Medicom, vol. 15, no. 4, pp. 177–187, 2023.
[9] A. Fendiawati and M. E. Al Rivan, “Klasifikasi American Sign Language Dengan Metode VGG-19,” MDP Student Conf., vol. 2, no. 1, pp. 192–197, 2023, doi: 10.35957/mdp-sc.v2i1.4466.
[10] C. A. Sanjaya, M. Waluyo, and T. Industri, “ANALISIS PERBANDINGAN METODE TRANSFER LEARNING DENSENET201 DAN VGG-19 TERHADAP,” vol. 13, no. 1, 2025.
[11] E. Evansyah and C. Aditya, “Comparison of Vgg16 and Vgg19 Models in theClassification of Down Syndrome in the EuropeanRegion With Transfer Learning,” vol. 10, no. 2, pp. 922–933, 2025.
Unduhan
Diterbitkan
Versi
- 2026-06-27 (3)
- 2026-06-27 (2)
- 2026-06-24 (1)
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2026 Jurnal Ilmiah Informatika
Artikel ini berlisensi Creative Commons Attribution-NonCommercial 4.0 International License.
