UBUB

Jurnal Teknologi Informasi dan Ilmu KomputerJurnal Teknologi Informasi dan Ilmu Komputer

Ketidaktepatan dalam pemilihan jalur evakuasi pada situasi bencana alam berpotensi menyebabkan keterlambatan proses penyelamatan dan meningkatkan risiko bagi korban. Permasalahan tersebut menjadi dasar dilakukannya penelitian ini untuk mengkaji strategi penentuan rute evakuasi yang lebih efisien. Penelitian ini bertujuan mengevaluasi dan membandingkan performa algoritma Greedy Best First Search (GBFS) dan Ant Colony Optimization (ACO) dalam menentukan jalur evakuasi dengan jarak terpendek dan waktu tempuh tercepat dari lokasi bencana ke titik evakuasi. Proses pengujian dilakukan melalui pengembangan prototipe berbasis Python yang memanfaatkan graf sebagai representasi jaringan jalur dan posisi geografis lokasi bencana, dengan pendekatan metode pengembangan prototipe. Analisis kinerja kedua algoritma difokuskan pada pengukuran waktu pemrosesan dan panjang rute yang dihasilkan. Hasil evaluasi menunjukkan adanya perbedaan kinerja kedua algoritma secara kuantitatif berdasarkan parameter yang diuji. Secara statistik, GBFS menunjukkan efisiensi komputasi yang sangat signifikan dengan waktu rata-rata >8.000 kali lebih cepat dibandingkan ACO serta tingkat keberhasilan 100%. Meskipun kualitas bobot rute setara pada sebagian besar skenario, ACO menunjukkan variabilitas waktu yang tinggi dan kegagalan solusi pada satu titik awal, namun unggul dalam menghasilkan rute alternatif. Temuan ini diharapkan dapat memberikan kontribusi sebagai bahan rujukan dalam pengembangan sistem evakuasi yang lebih efektif untuk mendukung upaya mitigasi dan penanggulangan bencana alam.

Penelitian ini menunjukkan bahwa tidak ada algoritma tunggal yang mutlak unggul dalam semua aspek pemilihan rute evakuasi bencana.Greedy Best-First Search (GBFS) terbukti sangat efisien dalam waktu komputasi dan dapat diandalkan untuk menemukan solusi tunggal dengan cepat, ideal untuk respons darurat real-time.Sebaliknya, Ant Colony Optimization (ACO), meskipun lebih lambat dan terkadang gagal, unggul dalam menghasilkan rute alternatif yang beragam, sehingga lebih cocok untuk perencanaan strategis pra-bencana yang membutuhkan fleksibilitas solusi.

Penelitian ini telah memberikan dasar komparasi algoritma Greedy Best First Search (GBFS) dan Ant Colony Optimization (ACO) untuk jalur evakuasi bencana, namun ada ruang luas untuk pengembangan lebih lanjut yang relevan dengan kondisi nyata. Pertama, akan sangat berharga untuk mengeksplorasi bagaimana kinerja kedua algoritma ini jika diimplementasikan pada model graf yang lebih dinamis. Pertanyaan penelitian dapat berpusat pada integrasi data real-time, seperti informasi penutupan jalan akibat bencana atau kepadatan lalu lintas, untuk melihat bagaimana algoritma beradaptasi dan menemukan jalur evakuasi optimal di tengah perubahan kondisi yang cepat. Kedua, mengingat GBFS unggul dalam kecepatan dan ACO dalam eksplorasi rute alternatif, perlu diteliti pengembangan algoritma hibrida. Ide ini dapat mencakup perancangan sistem yang menggabungkan kecepatan respons GBFS untuk penentuan jalur awal dengan kemampuan ACO untuk mencari dan memvalidasi serangkaian rute cadangan secara cerdas saat jalur utama terputus, guna menciptakan solusi yang lebih cepat dan fleksibel secara bersamaan. Ketiga, penelitian ini baru mempertimbangkan jarak dan waktu; studi lanjutan dapat memperkaya model dengan faktor-faktor lingkungan lain. Misalnya, bagaimana penambahan parameter seperti kapasitas jalan, tingkat kemiringan jalur, atau potensi kepadatan populasi di sepanjang rute mempengaruhi efisiensi dan keamanan rekomendasi jalur evakuasi? Menyelidiki arah-arah penelitian ini akan menghasilkan sistem evakuasi yang lebih cerdas, adaptif, dan siap menghadapi kompleksitas bencana di lapangan, melebihi sekadar simulasi statis.

  1. Segmentasi Wilayah Terdampak Bencana Berdasarkan Fitur Geo-Posisi | Jurnal Teknologi Informasi dan Ilmu... doi.org/10.25126/jtiik.1148557Segmentasi Wilayah Terdampak Bencana Berdasarkan Fitur Geo Posisi Jurnal Teknologi Informasi dan Ilmu doi 10 25126 jtiik 1148557
  2. 0. ieee account change username password address purchase details payment options order history view... doi.org/10.1109/ASONAM49781.20200 ieee account change username password address purchase details payment options order history view doi 10 1109 ASONAM49781 2020
Read online
File size605.58 KB
Pages8
DMCAReport

Related /

ads-block-test