Identifikasi Kejadian Bencana Berdasarkan Gambar Unggahan di Media Sosial Dalam Upaya Mtigasi Bencana Menggunakan Inception ResNet V2

Abstract

Penanganan bencana memerlukan pemahaman yang tepat terhadap kondisi di tempat kejadian melalui informasi visual yang merepresentasikan dampak dan karakteristik bencana. Data citra bencana memiliki kompleksitas visual yang tinggi dan kemiripan pola antar jenis bencana yang seringkali menyulitkan proses identifikasi secara otomatis. Penelitian ini mengembangkan sistem klasifikasi citra berbasis deep learning menggunakan arsitektur Inception ResNet V2 dengan pendekatan transfer learning dan fine tuning untuk meningkatkan kemampuan ekstraksi fitur visual. Sistem dirancang untuk mengklasifikasikan enam kelas bencana, yaitu Damaged Infrastructure, Fire Disaster, Human Damage, Land Disaster, Non Damage, dan Water Disaster. Model CNN digunakan sebagai model pembanding, sedangkan Inception ResNet V2 digunakan sebagai model utama. Pengujian dilakukan dalam dua skenario, yaitu pelatihan tanpa fine tuning dan pelatihan dengan fine tuning. Hasil evaluasi menunjukkan bahwa model CNN memperoleh akurasi sebesar 88,40%, sedangkan Inception ResNet V2 tanpa fine tuning mencapai akurasi 94,89%. Performa terbaik diperoleh oleh Inception ResNet V2 dengan fine tuning yang mencapai accuracy 95,23%, precision 89,54%, recall 88,88%, dan f1-score 89,17%. Model terbaik yang sudah dibangun digunakan untuk klasifikasi data citra hasil scraping. Hasil menunjukkan bahwa model Inception ResNet V2 mampu mempertahankan performa dengan accuracy 90,26% precision 90,52%, recall 88,64%, dan f1-score 88,91%. Sistem yang dikembangkan memiliki potensi untuk digunakan sebagai pendukung visual kejadian bencana berbasis citra.