Perpustakaan Digital ITB

Indonesia merupakan negara yang memiliki potensi kebencanaan yang tinggi. Dengan jumlah penduduk yang banyak serta laju perkembangan ekonomi yang pesat menyebabkan Indonesia memiliki potensi kerugian yang tinggi jika bencana terjadi. Salah satu potensi kerugian yang diakibatkan oleh bencana adalah kerusakan bangunan dan gedung. Maka dari itu, diperlukan perencanaan kebijakan serta pembuatan rencana pembiayaan untuk melakukan mitigasi bencana. Hal ini dapat dilakukan dengan melakukan pemodelan risiko kebencanaan sebagai upaya mitigasi bencana. Untuk melakukan pemodelan risiko kebencanaan, diperlukan banyak data pendukung salah satunya adalah pemetaan bangunan di suatu wilayah. Kendala yang selama ini dialami adalah diperlukan waktu serta upaya yang besar untuk melakukan pemetaan bangunan pada suatu daerah secara manual. Untuk itu, perlu adanya upaya untuk melakukan otomatisasi deteksi bangunan untuk menyelesaikan permasalahan ini. Teknologi AI digunakan pada tugas akhir ini sebagai upaya untuk melakukan deteksi bangunan secara otomatis dari masukan berupa gambar citra satelit. Tugas akhir ini akan membandingkan model Mask R-CNN dan model YOLOv5 untuk melakukan deteksi bangunan. Model machine learning ini akan melakukan deteksi bangunan dari masukan berupa gambar citra satelit. Selain itu, model machine learning ini akan memperoleh data geolokasi serta alamat dari setiap bangunan yang terdeteksi. Dilakukan perbandingan antara model yang diperoleh dengan proses transfer learning dan model pretrained. Kedua model tersebut akan dilakukan pengujian dengan membandingkan nilai mAP sebagai parameternya. Model dengan nilai mAP yang paling tinggi akan diambil sebagai model yang digunakan untuk sistem deteksi bangunan. Sistem deteksi bangunan ini akan diterapkan pada sebuah aplikasi berbasis web dengan menerapkan model yang sudah dipilih sebelumnya untuk melakukan deteksi bangunan. Selain itu, dilakukan juga proses optimasi post-processing dengan algortima Non-Maximum Suppression sebagai upaya meningkatkan kualitas deteksi dari model yang sudah dipilih sebelumnya. Dari hasil pengujian, diperoleh hasil bahwa model pretrained Mask R-CNN memiliki nilai mAP yang paling tinggi diantara model-model lainnya. Selanjutnya, dapat diperoleh juga data geolokasi berupa latitude dan longitude serta alamat dari ii bangunan yang terdeteksi. Dari hasil pengujian dapat diketahui bahwa, optimasi yang dilakukan dengan algoritma NMS masih belum memberikan hasil peningkatan kualitas deteksi bangunan. Selain itu, aplikasi berbasis web yang dibangun juga dapat menerima masukan berupa gambar citra satelit. Dengan melakukan integrasi dengan sistem klasifikasi bangunan, aplikasi berbasis web ini juga dapat melakukan klasifikasi bangunan. Sehingga, aplikasi ini dapat memberikan hasil gambar citra satelit dengan hasil deteksi bangunan serta data jenis setiap bangunan tersebut.