Indonesia yang terletak di kawasan Ring of Fire menjadikannya salah satu negara paling rawan gempa bumi di dunia. Belum tersedianya instrumen yang mampu menyediakan data kerusakan fisik secara cepat pada fase Early Recovery menyebabkan kesenjangan penanganan antara tanggap darurat dan rekonstruksi jangka panjang. Metode konvensional seperti survei lapangan manual dan Object Based Image Analysis (OBIA) terbukti tidak efisien, lambat, dan berisiko tinggi bagi tim penilai. Penelitian ini mengembangkan sistem deteksi otomatis wilayah terdampak gempa bumi berbasis citra satelit menggunakan algoritma YOLO Instance Segmentation. Tiga arsitektur varian Nano dievaluasi secara komparatif, yaitu YOLOv8n-seg, YOLOv11n-seg, dan YOLOv26n-seg, menggunakan dataset multisumber dari xView2 dan Kaggle yang mencakup empat lokasi bencana. Teknik tiling diterapkan pada tahap preprocessing dan SAHI diterapkan pada tahap inferensi untuk meningkatkan kualitas deteksi pada objek berukuran kecil. Optimasi hyperparameter dilakukan dengan memvariasikan nilai learning rate awal (lr0) dan learning rate final (lrf) secara sistematik. Hasil evaluasi menunjukkan YOLOv8n-seg sebagai arsitektur terbaik dengan nilai recall meningkat dari 0,419 menjadi 0,480 setelah tiling diterapkan. Konfigurasi optimal diperoleh pada lr0 = 0,003 dan lrf = 0,1 dengan mAP50 sebesar 0,398 dan mAP50-95 sebesar 0,211. Model terbaik diintegrasikan ke dalam platform Web GIS, menyediakan fitur unggah citra, prediksi otomatis, dan visualisasi hasil deteksi pada peta interaktif.