SodaPDF-watermarked-23221048 Gelar Pambudi Adhiluhung.pdf
PUBLIC Open In Flip Book Dessy Rondang Monaomi
Pertumbuhan infrastruktur dan penduduk yang pesat di Indonesia menyebabkan
kerugian akibat bencana semakin besar tiap tahunnya. Salah satu objek yang
terdampak oleh suatu bencana adalah aset gedung dan bangunan pada suatu wilayah
tertentu. Perhitungan model risiko bencana yang baik dibutuhkan untuk melakukan
perencanaan dan pembiayaan mitigasi bencana. Salah satu kendala dalam proses
pemodelan risiko bencana adalah proses pemetaan bangunan secara manual pada
suatu wilayah membutuhkan waktu yang lama, terutama untuk wilayah yang luas.
aplikasi machine learning klasifikasi bangunan dikembangkan untuk
mempermudah dan mempercepat proses tersebut. Pengguna hanya perlu
memasukkan citra satelit sebagai masukan aplikasi dan akan memperoleh hasil
berupa data bangunan yang ada pada citra satetlit suatu wilayah tertentu.
Aplikasi dibuat dalam bentuk aplikasi web untuk memudahkan akses bagi
penggunanya. Aplikasi yang dikembangkan memanfaatkan dua model machine
learning, yaitu model untuk melakukan deteksi bangunan pada citra satelit dan
model untuk klasifikasi bangunan berdasarkan gambar street view bangunan.
Model untuk mendeteksi bangunan menggunakan model berbasis Mask R-CNN,
sedangkan model untuk klasifikasi bangunan menggunakan model berbasis CNN.
Model machine learning deteksi bangunan akan mendeteksi bangunan yang ada
pada citra satelit dan memperoleh koordinat geolokasi dari bangunan tersebut. Data
geolokasi bangunan selanjutnya digunakan untuk memperoleh gambar street view
bangunan yang nantinya digunakan untuk proses klasifikasi bangunan.
Pengembangan model dilakukan dengan menggunakan metode transfer learning
menggunakan beberapa base model yang berbeda. Pengujian model hasil transfer
learning model untuk mendeteksi bangunan dilakukan dengan membandingkan
mAP tiap model menggunakan citra satelit berbeda. Pengujian model hasil transfer
learning model untuk klasifikasi bangunan dilakukan dengan membandingkan
precision, recall, dan f1-score tiap kategori bangunan pada setiap model. Pengujian
aplikasi dilakukan untuk menguji fungsionalitas dari tiap komponen aplikasi, yaitu
frontend dan backend.
Dari hasil pengujian, diperoleh aplikasi berhasil dibuat dengan mengintegrasikan
model machine learning deteksi bangunan dan klasifikasi bangunan. Aplikasi
machine learning dapat menerima masukan berupa citra satelit dan melakukan
proses deteksi dan klasifikasi secara otomatis. Aplikasi dapat memberikan hasil
berupa gambar hasil pemetaan bangunan pada citra satelit dan data jenis bangunan
yang terdeteksi beserta lokasinya.