Bu çalışmada, 30 Ekim 2020 Sisam Adası (Seferihisar-İzmir) depremi sonrasında Bayraklı ve Bornova ilçelerinde saha gözlemlerine dayalı olarak belirlenen bina hasar sınıflarının, makine öğrenmesi yöntemleriyle tahmin edilmesi amaçlanmıştır. Düşük, orta ve yüksek olmak üzere üç hasar sınıfından oluşan veri seti, belirgin sınıf dengesizliği içermektedir. Bu nedenle model performansları, dengesiz veri setlerine duyarlı ölçütler kullanılarak değerlendirilmiştir. Karar ağacı (DT), rastgele orman (RF), yapay sinir ağları (ANN), destek vektör makineleri (SVM) ve Aşırı Gradyan Artırma Algoritması (XGBoost), algoritmaları karşılaştırmalı olarak analiz edilmiştir. En iyi performansı sağlayan modelin çıktıları Coğrafi Bilgi Sistemleri ortamına aktarılmış ve mekânsal hasar kestirim haritası üretilmiştir. Elde edilen bulgular, makine öğrenmesi yöntemlerinin deprem sonrası bina hasarlarının mekânsal örüntülerini modellemede etkili bir araç sunduğunu göstermektedir.
This study aims to estimate post-earthquake building damage classes in the Bayraklı and Bornova districts of İzmir following the 30 October 2020 Samos Island (Seferihisar–İzmir) earthquake using machine learning methods. The dataset consists of three damage classes (low, moderate, and high) derived from field-based damage assessments and exhibits a severe class imbalance. Therefore, model performances were evaluated using class-sensitive metrics. Decision Tree, Random Forest, Artificial Neural Networks, Support Vector Machines, and Extreme Gradient Boosting (XGBoost) algorithms were comparatively analyzed. The outputs of the best-performing model were transferred to a Geographic Information Systems environment to generate building-scale spatial damage estimation maps. The results demonstrate that machine learning-based approaches provide an effective framework for capturing spatial patterns of post-earthquake building damage and supporting risk-informed decision-making processes.