View/Open

Author
Tresnawan,

Date Published
05 Oct 2026

Advisor
Imam Eko Wicaksono, S.Si., M.Si.,

Subject
Teknik Informatika

Publisher

Kerusakan bangunan akibat bencana alam perlu dinilai dengan cepat agar penanganan darurat dapat dilakukan secara tepat. Metode survei lapangan secara manual membutuhkan waktu dan tenaga yang besar, sehingga diperlukan pendekatan otomatis berbasis citra satelit untuk mempercepat proses penilaian tersebut. Penelitian ini bertujuan mengembangkan dan membandingkan model YOLOv8n untuk mendeteksi tiga tingkat kerusakan bangunan, yaitu minor damage, major damage, dan destroyed, pada citra satelit post-disaster dari dataset xBD. Tiga varian backbone dibandingkan sebagai fokus utama penelitian, yaitu C2f (default), MobileNetV3-Small, dan EfficientNet-B0, guna mengetahui backbone mana yang memberikan trade-off paling baik antara akurasi dan efisiensi komputasi. Selain itu, dilakukan pula beberapa eksperimen tambahan untuk memperkaya analisis, meliputi perbandingan model dengan dan tanpa pretrained weights, perbandingan skala model melalui YOLOv8m, serta pengujian dua backbone berbasis transformer, yaitu MobileViT dan TinyViT. Seluruh model dilatih menggunakan pendekatan transfer learning dan dievaluasi pada subset test yang terpisah dari data pelatihan, dengan metrik precision, recall, mAP50, mAP50-95, IoU, dan F1-macro average. Hasil pengujian menunjukkan bahwa C2f (default) menjadi pilihan paling seimbang antara akurasi dan kecepatan inferensi di antara ketiga backbone utama, sementara backbone yang lebih besar seperti EfficientNet-B0, YOLOv8m, MobileViT, dan TinyViT mencatatkan akurasi sedikit lebih tinggi namun dengan kecepatan inferensi yang jauh lebih lambat. Analisis lebih lanjut melalui confusion matrix menunjukkan bahwa tantangan utama pada seluruh model bukan terletak pada kesalahan membedakan tingkat kerusakan, melainkan pada banyaknya objek bangunan berukuran kecil yang sama sekali tidak terdeteksi, sebuah pola yang konsisten muncul pada seluruh backbone yang diuji. Temuan ini mengindikasikan bahwa peningkatan performa deteksi kerusakan bangunan pascabencana pada dataset xBD kemungkinan lebih bergantung pada perbaikan kemampuan lokalisasi objek kecil, bukan sekadar mengganti atau memperbesar backbone yang digunakan.

URI
https://repo.itera.ac.id/depan/submission/SB2610070007

Keyword
yolov8n xBD backbone object detection deteksi kerusakan bangunan