Indonesia merupakan salah satu negara didunia yang sangat rentan dengan bencana alam dan faktanya setiap tahun terjadi peningkatan baik jumlah korban maupun dampak yang diakibatkan. Selain dampak manusia, bencana alam memberi dampak pada kerusakan infrastruktur, terutama infrastruktur bangunan. Berbagai data yang telah disampaikan oleh para peneliti menunjukan hal tersebut. Dalam rangka program rehabilitasi paska bencana, diperlukan ketersediaan data mengenai jumlah korban jiwa dan tingkat kerusakan infrastruktur termasuk bangunan sebagai dampak dari bencana alam. Saat ini perolehan data tersebut dilakukan dengan survei lapangan dampak kerusakan. Cara ini membutuhkan sumberdaya yang besar dan waktu yang lama, oleh karena itu ketersediaan data penginderaan jauh resolusi tinggi yang mencover daerah yang luas serta perkembangan dalam teknologi komputasi dengan kecerdasan buatan memungkinkan akuisisi data dampak kerusakan bangunan akibat bencana alam dapat dilakukan dengan lebih cepat dan akurat. Data penginderaan jauh (remote sensing) baik dari satelit maupun foto udara, adalah data mengenai kondisi permukaan bumi yang diambil tidak dengan secara langsung menyentuh obyek permukaan bumi yang diamati (remote). Citra satelit merupakan pemotretan suatu daerah menggunakan satelit yang dioperasikan dari ruang angkasa. Saat, ini citra satelit memiliki resolusi spasial hingga 50 cm seperti citra GeoEye-1, WordView-2 dan Pleiades. Adapun foto udara adalah hasil pemotretan suatu daerah dari ketinggian tertentu dalam ruang lingkup atmosfer, dengan menggunakan kamera pada pesawat udara. Keunggulan dari penggunaan foto udara adalah dapat menghasilkan citra yang lebih detail. Penelitian yang diusulkan, difokuskan untuk dapat menghasilkan suatu sistem penilaian kerusakan bangunan akibat bencana alam berdasarkan hasil segmentasi semantik dengan menggunakan gabungan arsitektur deep learning berupa UNet, ResNet dan PSPNet dengan data citra udara. Tahapan penelitian ini dimulai dengan pengumpulan citra udara yang relevan. Langkah selanjutnya adalah melakukan segmentasi semantik pada citra udara tersebut dengan pendekatan deep learning dan melakukan pemetaan berdasarkan hasil segmentasi ini. Hasil akurasi segmentasi semantik melalui pendekatan deep learning masih perlu ditingkatkan terlebih dahulu. Guna meningkatkan akurasi hasil segmentasi, perlu dilakukan penambahan data citra udara dengan kualitas yang baik dan dalam jumlah yang memadai, yang kemudian dilakukan anotasi terlebih dahulu. Selanjutnya perlu digunakan komputer yang dilengkapi graphic processing unit (GPU) agar proses komputasi dilakukan secara optimal. Hasil segmentasi semantik yang didapat, perlu dilakukan pemrosesan akhir untuk menghitung dan mengukur jumlah unit bangunan dan kemudian dilakukan penilaian terhadap tingkat kerusakan masing masing bangunan yang terdampak bencana alam tersebut. Target luaran dari penelitian ini adalah publikasi berupa seminar dan jurnal internasional terindeks Scopus, hak cipta dan purwarupa berupa perangkat lunak. Penelitian dasar dari bidang segmentasi semantik telah kami lakukan dalam hibah INSINAS 2018, sehingga TKT dari penelitian ini dapat termasuk dalam tahap terapan, yaitu TKT 4. Target akhir TKT penelitian ini adalah TKT 6 yang direncanakan dicapai dalam waktu dua tahun

bencana alam; deep learning; segmentasi semantik; citra udara; penilaian kerusakan

• Dr. Ir. Alexander Agung Santoso Gunawan, S.Si., M.T., M.Sc., IPM, CIRR, CSA

• Dr. Ir. Edy Irwansyah, S.T., M.Si., IPM, ASEAN Eng.