Oleh: Dr. Cahyo Crysdian, MCS, Dr. Ririen Kusumawati, M.Kom., Roro Indah Melani, M.Kom., & Dr. Agung Teguh Wibowo Almais, M.T.

Teknologi analisis citra GLCM dan PCA dikembangkan untuk membantu menentukan tingkat kerusakan bangunan secara lebih cepat dan objektif.

Bencana alam tidak hanya meninggalkan cerita tentang kehilangan dan kerusakan, tetapi juga menghadirkan tantangan besar dalam proses penanganan pascabencana. Salah satunya adalah bagaimana mengetahui kondisi bangunan yang terdampak secara cepat dan tepat. Di tengah kebutuhan tersebut, teknologi pengolahan citra menawarkan peluang baru.

Sebuah foto bangunan yang tampak sederhana ternyata dapat diolah menjadi data yang membantu membaca karakteristik kerusakan. Inilah yang menjadi fokus penelitian berjudul “Decision Support System untuk Menentukan Tingkat Kerusakan Bangunan Pasca Bencana Alam Menggunakan Image Analysis”. Penelitian ini telah dilakukan oleh Dr. Cahyo Crysdian, MCS, Dr. Ririen Kusumawati, M.Kom., Roro Indah Melani, M.Kom., Dr. Agung Teguh Wibowo Almais, M.T. TIM pengajar program studi Teknik Informatika UIN Maulana Malik Ibrahim Malang dan mendapat pendanaan dari Simpelmas tahun 2024.

Penelitian tersebut mengembangkan pendekatan yang menggabungkan dua teknik analisis data dan citra digital, yaitu Gray Level Co-occurrence Matrix (GLCM) و Principal Component Analysis (PCA). Keduanya digunakan secara terpadu untuk membantu mengidentifikasi tingkat kerusakan bangunan pascabencana.

Dari gambar menjadi informasi

Bagi mahasiswa yang sehari-hari bersentuhan dengan teknologi, komputer, data, atau pemrograman, konsep penelitian ini cukup menarik. Sistem tidak sekadar “melihat” foto seperti manusia melihat sebuah bangunan yang roboh atau retak. Citra tersebut terlebih dahulu diubah menjadi data numerik yang kemudian dianalisis.

Tahap awal dimulai dengan membaca gambar bangunan dan mengubahnya menjadi grey scale atau citra keabuan. Data citra kemudian diproses menggunakan GLCM untuk memperoleh karakteristik teksturnya. Dalam penelitian ini, beberapa fitur GLCM yang digunakan antara lain contrast, dissimilarity, homogeneity, energy, dan correlation. Sederhananya, GLCM membantu komputer menerjemahkan pola dan tekstur yang terdapat dalam sebuah gambar menjadi angka. Dari angka-angka inilah kemudian dicari pola yang dapat digunakan untuk membedakan tingkat kerusakan bangunan.

Penelitian menggunakan beberapa kombinasi arah dan jarak dalam proses GLCM. Jarak yang diuji adalah 1 piksel dan 0,5 piksel, sedangkan arah yang digunakan mencakup delapan sudut, yaitu 0°, 45°, 90°, 135°, 180°, 225°, 270°, dan 315°.

Hasil ekstraksi fitur GLCM selanjutnya dinormalisasi sebelum masuk ke tahap PCA. Dalam penelitian ini digunakan Standard Scale, karena data tingkat kerusakan bangunan menggunakan skala 1, 2, dan 3.

Gambar 1. Arsitektur Metode

Mengapa harus menggunakan PCA?

Setelah citra berubah menjadi sekumpulan angka, persoalan berikutnya adalah bagaimana memahami data tersebut. Di sinilah PCA berperan.

Principal Component Analysis (PCA) merupakan teknik reduksi dimensi yang digunakan untuk menyederhanakan data dengan tetap mempertahankan informasi penting di dalamnya. Dalam penelitian ini, PCA digunakan untuk melihat pola persebaran data hasil ekstraksi GLCM dan mengelompokkannya berdasarkan karakteristik tertentu.

Peneliti menggunakan dua komponen utama, yaitu PC1 dan PC2. Pemilihan dua komponen tersebut didasarkan pada pertimbangan nilai variance ratio yang dinilai cukup stabil dan optimal untuk analisis. Hasil pengujian menunjukkan bahwa pada jarak GLCM 1, PC1 memiliki variance ratio sebesar 97,82%, sedangkan PC2 sebesar 2,1%. Pada jarak GLCM 0,5, PC1 memiliki variance ratio sebesar 100%, sedangkan PC2 dan PC3 sebesar 0%. Data kemudian divisualisasikan dalam bentuk grafik 2D dan 3D. Visualisasi ini menjadi bagian penting karena persebaran titik data dapat memberikan gambaran mengenai kelompok atau cluster tingkat kerusakan bangunan.

Tiga tingkat kerusakan

Penelitian membagi kondisi bangunan pascabencana ke dalam tiga tingkat, yaitu rusak ringan, rusak sedang, dan rusak berat. Pengelompokan tersebut menggunakan rentang nilai koordinat tertentu pada hasil PCA.

Dalam laporan penelitian, nilai n < 0 dikategorikan sebagai rusak ringan, 0 ≤ n < 2 sebagai rusak sedang, dan n ≥ 2 sebagai rusak berat.

Menariknya, ketika hasil tersebut divisualisasikan, terlihat adanya tiga cluster kerusakan. Dengan jarak GLCM 1, terdapat titik yang masuk ke kelompok rusak ringan, sedang, dan berat. Sementara dengan jarak GLCM 0,5, hasil clustering juga menghasilkan tiga kelompok, tetapi persebarannya berbeda.

Perbedaan tersebut menunjukkan bahwa parameter dalam pengolahan citra bukan sekadar angka teknis. Pemilihan jarak pada GLCM ternyata dapat memengaruhi bagaimana data citra diterjemahkan dan dikelompokkan oleh PCA.

Ketika hasil komputer dibandingkan dengan surveyor

Salah satu bagian penting dalam penelitian ini adalah proses validasi. Hasil analisis komputer tidak begitu saja dianggap benar, tetapi dibandingkan dengan penilaian surveyor. Dalam melakukan penilaian, surveyor menggunakan sejumlah parameter, antara lain kondisi bangunan, kondisi struktur, kondisi fisik, fungsi bangunan, serta kondisi penunjang lainnya. Pada objek yang diuji dalam penelitian, surveyor menilai bangunan tersebut sebagai rusak berat karena bangunan telah roboh, struktur penyangga beban mengalami kerusakan, kondisi fisiknya ambruk, tidak lagi dapat difungsikan, serta bagian seperti atap dan pintu juga mengalami kerusakan. Hasil menarik muncul ketika analisis GLCM-PCA dibandingkan dengan penilaian tersebut.

Penggunaan jarak GLCM 0,5 menghasilkan klasifikasi yang sesuai dengan hasil surveyor, yaitu bangunan masuk kategori rusak berat. Sementara hasil dengan jarak GLCM 1 menunjukkan hasil clustering yang berbeda dengan penilaian surveyor.

Temuan ini menjadi salah satu poin penting penelitian: keberhasilan analisis PCA tidak cukup hanya dilihat dari angka variance ratio. Visualisasi persebaran data dalam grafik 2D dan 3D juga perlu diperhatikan untuk memahami informasi yang terkandung dalam citra.

Mengapa penelitian ini penting?

Dalam situasi pascabencana, waktu menjadi faktor yang sangat penting. Semakin cepat kondisi bangunan dapat diketahui, semakin cepat pula keputusan terkait penanganan, rehabilitasi, maupun rekonstruksi dapat dilakukan.

Penilaian secara manual oleh surveyor tentu tetap penting, khususnya karena kondisi bangunan harus dilihat secara menyeluruh. Namun, teknologi analisis citra dapat menjadi salah satu alat bantu untuk mempercepat proses identifikasi awal.

Laporan penelitian menyebutkan bahwa pendekatan ini diarahkan untuk menghasilkan penilaian yang lebih cepat dan objektif, sekaligus mengurangi ketergantungan pada proses pemeriksaan manual yang membutuhkan waktu dan sumber daya. Sistem tersebut juga diharapkan dapat menjadi dasar pengembangan teknologi pendukung keputusan untuk manajemen bencana.

Bagi lingkungan akademik Fakultas Sains dan Teknologi, penelitian ini juga memperlihatkan bagaimana berbagai bidang ilmu dapat bertemu dalam satu persoalan nyata. Pengolahan citra, analisis data, machine learning, pemrograman, visualisasi, hingga kebutuhan di bidang kebencanaan dapat dipadukan untuk menghasilkan solusi teknologi. Dengan kata lain, sebuah foto bangunan bukan lagi sekadar dokumentasi. Ketika diproses dengan metode yang tepat, foto tersebut dapat menjadi sumber data untuk membantu pengambilan keputusan.

Gambar 2. Proses konversi gambar ke nilai matrix

Bukan akhir, tetapi langkah awal

Hasil penelitian menunjukkan bahwa integrasi GLCM dan PCA dapat digunakan untuk menganalisis tingkat kerusakan bangunan berdasarkan citra digital. Namun, penelitian juga memperlihatkan bahwa pemilihan parameter dan cara membaca hasil analisis sangat menentukan.

Kesimpulan penelitian menegaskan bahwa jarak GLCM yang berbeda menghasilkan keluaran PCA yang berbeda. Pada kasus yang diuji, jarak 0,5 menghasilkan klasifikasi yang sesuai dengan hasil surveyor, yaitu rusak berat. Penelitian juga menekankan bahwa hasil PCA tidak seharusnya dinilai hanya berdasarkan kestabilan variance ratio, tetapi perlu dilihat melalui visualisasi persebaran data 2D dan 3D.

Temuan tersebut membuka peluang untuk pengembangan berikutnya. Sistem semacam ini masih dapat dikembangkan dengan data yang lebih beragam, pengujian yang lebih luas, serta integrasi dengan metode pembelajaran mesin lainnya.

Pada akhirnya, penelitian ini menunjukkan satu hal sederhana tetapi penting: teknologi tidak selalu harus menggantikan manusia. Dalam banyak kasus, teknologi justru menjadi alat bantu agar manusia dapat mengambil keputusan dengan lebih cepat, terukur, dan berbasis data.

Dan mungkin, di situlah menariknya dunia Sains dan Teknologi—sebuah gambar yang terlihat biasa saja dapat menyimpan informasi yang sangat berarti ketika dibaca dengan cara yang tepat.

Penelitian ini juga menghasilkan paper yang terbit di open journal IEEE Access

https://www.researchgate.net/publication/384422002_Characterization_of_Structural_Bu ilding_Damage_in_Post-Disaster_using_GLCM-PCA_Analysis_Integration

Humas FST