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. Abstract Inaccurate evacuation route selection during natural disasters can potentially delay rescue efforts and increase the risk to victims. This issue underpins this research, which explores strategies for determining more efficient evacuation routes. This study aims to evaluate and compare the performance of the Greedy Best First Search (GBFS) and Ant Colony Optimization (ACO) algorithms in determining evacuation routes with the shortest distance and fastest travel time from the disaster site to the evacuation point. The testing process was conducted through the development of a Python-based prototype that utilizes graphs to represent the path network and the geographic location of the disaster site, using a prototype development method approach. Performance analysis of both algorithms focused on measuring processing time and the length of the resulting route. The evaluation results showed quantitative differences in the performance of the two algorithms based on the tested parameters. Statistically, GBFS demonstrated highly significant computational efficiency, with an average time >8,000 times faster than ACO and a 100% success rate. Although the quality of the route weights was equivalent in most scenarios, ACO exhibited high time variability and solution failure at one starting point, but excelled in generating alternative routes. These findings are expected to contribute as reference material in developing a more effective evacuation system to support natural disaster mitigation and response efforts.
English
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. Abstract Inaccurate evacuation route selection during natural disasters can potentially delay rescue efforts and increase the risk to victims. This issue underpins this research, which explores strategies for determining more efficient evacuation routes. This study aims to evaluate and compare the performance of the Greedy Best First Search (GBFS) and Ant Colony Optimization (ACO) algorithms in determining evacuation routes with the shortest distance and fastest travel time from the disaster site to the evacuation point. The testing process was conducted through the development of a Python-based prototype that utilizes graphs to represent the path network and the geographic location of the disaster site, using a prototype development method approach. Performance analysis of both algorithms focused on measuring processing time and the length of the resulting route. The evaluation results showed quantitative differences in the performance of the two algorithms based on the tested parameters. Statistically, GBFS demonstrated highly significant computational efficiency, with an average time >8,000 times faster than ACO and a 100% success rate. Although the quality of the route weights was equivalent in most scenarios, ACO exhibited high time variability and solution failure at one starting point, but excelled in generating alternative routes. These findings are expected to contribute as reference material in developing a more effective evacuation system to support natural disaster mitigation and response efforts.
Affiliations come from OpenAlex; journal OAI-PMH metadata carries none. Authors without an OpenAlex ID are matched by name, which can merge or split people.