Nama : Lalu Syamsul Khalid Program Studi : Magister Ilmu Komputer Judul : Asesmen Kerusakan Bangunan Akibat Bencana Alam Menggunakan Segmentasi Perubahan Objek Pembimbing : Prof. Dr. Eng. Wisnu Jatmiko, S.T., M.Kom Asesmen kerusakan bangunan menggunakan bantuan kecerdasan buatan merupakan sebuah metode yang efisien, aman dan cepat jika dibandingkan dengan metode manual. Asesmen kerusakan bangunan dengan kecerdasan buatan dapat dilakukan dengan klasifikasi dan segmentasi. Deep learning merupakan metode terbaik dalam mengolah citra beresolusi tinggi baik hasil tangkapan drone maupun satelit. Kombinasi Siamese Neural Network dan U-Net merupakan kombinasi yang tepat dalam bentuk arsitektur untuk klasifikasi dan segmentasi kerusakan bangunan. Penelitian terkait arsitektur ini dalam mengolah citra sudah banyak dilakukan dengan performa yang baik. Arsitektur ini juga merupakan desain yang tepat untuk mengolah citra pre disaster dan post disaster karena adanya sharing weight dan bisa ditambahkan modul untuk berbagi informasi fitur channel (warna) maupun spasial. Salah satu modul tersebut yang bisa ditambahkan adalah crossdirectional attention (CDA). Modul ini telah coba diimpelementasikan dalam penelitian ini bersama dengan metode data augmentasi CutMix dan Refinement. Penggunaan beberapa metode ini memberikan hasil yang cukup walaupun tidak bisa melampaui model terbaik saat ini yaitu BDANet, tetapi perbedaanya tidak terlalu signifikan. Untuk hasil F1 Score dari hasil segmentasi bangunan dan klasifikasi kerusakan sebelum refinement masing-masing sebesar 0.852 dan 0.717 dengan total F1 Score-nya adalah 0.757. Model usulan dengan refinement juga telah mampu mengatasi masalah semantic inconsistency, sehingga kelasifikasi kerusakan bangunan dapat disebut sebagai segmentasi level objek. Adapun performance F1 Score segmentasi bangunan dan klasifikasi kerusakan masingmasing sebesar 0.852 dan 0.724 dengan total F1 Score-nya 0.762. Kata Kunci: Disaster Assessment, Segmentation Object, Attention Module, Siamese Neural Network, CutMix, Refinement