Perpustakaan Digital ITB

Gempa bumi merupakan salah satu bencana alam yang menyebabkan kerusakan bangunan secara luas sehingga memerlukan asesmen cepat untuk mendukung pengambilan keputusan pada tahap tanggap darurat. Penelitian ini bertujuan mengembangkan framework machine learning untuk klasifikasi kerusakan bangunan melalui integrasi informasi pragempa dan pascagempa pada beberapa kejadian gempa di Indonesia. Kebaruan penelitian ini terletak pada pengembangan framework evaluasi multikejadian berbasis 31 skenario kombinasi prediktor yang secara sistematis mengevaluasi kontribusi informasi hazard, kondisi tapak, spasial, morfologi bangunan, tipologi bangunan, dan penginderaan jauh. Model dikembangkan menggunakan algoritma Random Forest dan XGBoost, kemudian dievaluasi melalui within-event validation, cross-event validation, external validation, dan quick building damage assessment pada dataset Gempa Palu 2018, Lombok 2018, dan Cianjur 2022. Hasil penelitian menunjukkan bahwa model mencapai akurasi terbaik sebesar 95,25% pada within-event validation, 88,61% pada cross-event validation, 60,71% pada external validation menggunakan data Kajian Gempa Cianjur PusGEN, serta 58,33% pada quick building damage assessment menggunakan data Gempa Mamuju. Kategori Pre Event secara konsisten menghasilkan performa terbaik pada hampir seluruh tahapan evaluasi, sedangkan informasi pascagempa berperan sebagai fitur pelengkap yang meningkatkan performa pada kondisi tertentu. Analisis Explainable Artificial Intelligence menunjukkan bahwa Distance to Coast, Peak Ground Acceleration (PGA), Building Taxonomy, dan Vs30 merupakan variabel yang paling berpengaruh terhadap klasifikasi kerusakan bangunan. Penelitian ini menunjukkan bahwa informasi pra-gempa merupakan fondasi utama dalam membangun model yang memiliki kemampuan generalisasi tinggi, sedangkan informasi pascagempa berfungsi sebagai pendukung untuk meningkatkan akurasi. Framework yang dikembangkan berpotensi mendukung implementasi asesmen cepat kerusakan bangunan pascagempa di Indonesia.