Perpustakaan Digital ITB

Asesmen Kerentanan Seismik memerlukan data lokasi bangunan yang akurat, namun alur kerja yang ada saat ini menghadapi permasalahan inefisiensi fundamental. Masalah tersebut terletak pada metode input berbasis koordinat acak yang memiliki tingkat keberhasilan sangat rendah, terbukti hanya sekitar 4-18% dalam studi kasus. Penelitian ini mengusulkan sebuah metode baru untuk mengatasi masalah tersebut dengan membangun sebuah sistem identifikasi bangunan yang cerdas. Metode ini memanfaatkan model deep learning YOLOv8 yang telah difine- tuning secara khusus untuk secara otomatis mendeteksi poligon bangunan dari citra peta vektor OpenStreetMap, menghasilkan daftar koordinat yang tertarget. Hasil evaluasi kuantitatif menunjukkan bahwa sistem yang diusulkan mampu mencapai tingkat akurasi deteksi yang tinggi dengan error rate rata-rata hanya 0.25% terhadap ground truth. Lebih signifikan lagi, penerapan sistem ini berhasil meningkatkan efektivitas alur kerja akuisisi data secara drastis, terbukti lebih dari 10 kali lipat lebih efektif pada salah satu studi kasus dengan meningkatkan tingkat keberhasilan dari 4.32% menjadi 46.95%. Kesimpulan dari penelitian ini adalah bahwa pendekatan identifikasi bangunan yang tertarget menggunakan YOLOv8 merupakan solusi yang superior dan efisien untuk mendukung proses asesmen kerentanan seismik.