Penerapan AI dan IoT untuk Pengendalian Lalu Lintas

dan Polusi Udara: Peluang Baru untuk

Mobilitas Berkelanjutan – Naskah AsliKEMAJUAN ILMU
PENGETAHUAN
Universitas Chung-Ang, Seoul, Korea
2
Divisi Penelitian Pencegahan Bencana,

Kerangka kerja tanggap Lembaga Penelitian Manajemen Bencana

Nasional, Ulsan, Korea
bencana yang kompleks
3
Institut Informasi Sains dan Teknologi Korea,

untuk mengurangi
kerentanan bencana Daejeon, KoreaAbstrak
perkotaan

Taeyoung Choe1, Jiho Kim1,2,
Mincheol Shin1, Kwangyoung
Kim3 dan Mucheol Kim1
1
Departemen Ilmu dan Teknik Komputer,
Kemajuan Sains
2023, Jil. 106(1) 1–18
© Penulis 2023
Pedoman penggunaan kembali artikel:
sagepub.com/journals-permissions DOI:
10.1177/00368504231152770
journals.sagepub.com/home/sci

Kota rentan terhadap berbagai bencana yang dapat terjadi secara bersamaan karena
kompleksitasnya. Oleh karena itu, diperlukan rencana tanggap bencana yang efektif
untuk mengurangi kerentanan bencana di perkotaan. Secara khusus, pengelolaan jalur
evakuasi penting untuk mengurangi kerugian akibat bencana. Respons bencana yang
efisien dapat diwujudkan dengan mencari jalur evakuasi yang sesuai dan pengelolaan
jaringan jalan yang efektif. Dalam tulisan ini, kami mengusulkan kerangka tanggap
bencana berdasarkan struktur jaringan jalan berlapis-lapis dan jalur evakuasi
berdasarkan jaringan jalan kami. Struktur jalan yang disarankan terdiri dari tiga lapisan
untuk pengelolaan jaringan yang efektif. Pencarian berbasis algoritma A* untuk
beberapa rute evakuasi dalam kondisi berbeda sebagai respons terhadap bencana
individu pada peta jalan yang dikonfigurasi memberikan rute yang aman bagi
pengungsi. Dengan demikian, kerusakan yang diakibatkan oleh bencana di perkotaan
dapat diperbaiki.
 Kata kunci
Respons bencana, perencanaan evakuasi, gempa bumi, banjir perkotaan, jaringan jalan

Perkenalan
Dalam masyarakat modern, bencana kompleks yang menggabungkan
bencana alam dan bencana sosial menjadi semakin umum.1Bahaya alam
dapat didefinisikan sebagai kombinasi fenomena alam dan kerentanan, yang
menyebabkan kerusakan lingkungan, ekonomi, dan sosial yang
signifikan.2Kerusakan yang disebabkan oleh bencana alam ini dapat
diklasifikasikan

Penulis yang sesuai:

Mucheol Kim, Departemen Ilmu dan Teknik Komputer, Universitas Chung-Ang, Seoul, Korea.
Email: manyeol.kim@gmail.com

Creative Commons Non Komersial CC BY-NC: Artikel ini didistribusikan di bawah ketentuan Lisensi Creative
Commons Attribution-NonCommercial 4.0 (https://creativecommons.org/licenses/by-nc/4.0/) yang mengizinkan
penggunaan non-komersial, reproduksi dan distribusi karya tanpa izin lebih lanjut dengan ketentuan karya asli
dikaitkan sebagaimana ditentukan pada halaman SAGE dan Akses Terbuka
(https://us.sagepub.com/en-us/nam/open-access-at-sage).
2 Kemajuan Sains 106(1)

menjadi kerugian langsung dan tidak langsung.3Kerugian langsung terjadi

segera setelah suatu peristiwa, seperti hancurnya jalan atau bangunan akibat
gempa bumi dan hilangnya jembatan akibat banjir. Kerugian tidak langsung
adalah terganggunya pelayanan dan fungsi sosial. Misalnya, ketika sebuah
jembatan terendam akibat hujan lebat, lalu lintas menjadi tertunda atau
dialihkan, sehingga dapat mengganggu aktivitas individu, bisnis, dan layanan
publik seperti pemadam kebakaran dan kepolisian. Selain itu, bencana
sekunder seringkali disebabkan oleh bencana primer, seperti tsunami atau
tanah longsor akibat gempa bumi.4Di Korea, bencana sosial didefinisikan
sebagai kerusakan yang disebabkan oleh kebakaran, keruntuhan, ledakan,
dan kecelakaan lalu lintas, serta mencakup kerusakan yang disebabkan oleh
lumpuhnya sistem infrastruktur nasional seperti energi, komunikasi,
transportasi, keuangan, dan perawatan medis.5
Karena perubahan iklim yang cepat akhir-akhir ini, frekuensi bencana alam
yang parah semakin meningkat. Selain itu, dengan meningkatnya konektivitas
antar wilayah, maka kemungkinan terjadinya keterkaitan suatu bencana di
suatu wilayah dengan wilayah lainnya dan berkembang menjadi bencana yang
lebih kompleks pun semakin besar.6Bencana yang kompleks dimulai dengan
bencana alam yang menyebabkan bencana sosial secara bersamaan dan
mengakibatkan kerusakan sosial berskala besar yang memerlukan pemulihan
jangka panjang. Kota-kota sangat rentan terhadap bencana yang kompleks
karena kompleksitas sistem dan strukturnya.7Oleh karena itu, diperlukan
metode tanggap bencana yang efektif untuk mencegah reaksi berantai dari
bencana yang kompleks dan mengurangi kerentanan terhadap bencana
perkotaan.
Masyarakat modern direncanakan di sekitar kota, yang terdiri dari jaringan
yang berpusat di jalan raya. Oleh karena itu, tanggap bencana harus
direncanakan seputar manajemen lalu lintas jaringan jalan.8Pendekatan
tanggap bencana yang berpusat pada jaringan jalan menentukan rute evakuasi
dengan menggunakan metode pencarian rute dan mengoptimalkan konfigurasi
jaringan jalan, yang dapat mencegah kerugian tidak langsung akibat bencana
alam.9Dalam situasi bencana, pengambil keputusan menentukan kebijakan
evakuasi yang optimal untuk memindahkan masyarakat dari daerah berbahaya
ke daerah aman dengan metode pencarian rute.10Teknik pencarian rute
evakuasi tradisional berfokus pada kedekatan geografis dan waktu perjalanan
terpendek.11Namun, ketika menavigasi rute dalam situasi bencana yang
sebenarnya, bahaya terkait perlu dihindari untuk menjamin keselamatan para
pengungsi. Selain itu, jaringan jalan raya merupakan tulang punggung kota
modern, memungkinkan pergerakan aset dan manusia, serta merupakan
sumber informasi geografis yang kaya bagi sebuah kota.12,13Kerusakan jalan
saat terjadi bencana sangat mempengaruhi sistem sosial secara
keseluruhan.14–16Oleh karena itu, pengelolaan jalur evakuasi bencana dapat
dilakukan secara efektif melalui perbaikan konfigurasi jaringan jalan.17,18
Dalam makalah ini, kami merancang jaringan jalan berlapis-lapis yang berisi
informasi yang diperlukan untuk tanggap bencana yang dapat mengurangi
kerugian akibat bencana. Kami menyajikan kerangka kerja evakuasi bencana
yang mengidentifikasi rute aman menuju tempat penampungan yang
menghindari daerah berbahaya dalam jaringan jalan yang dibangun. Metode
yang diusulkan dapat secara akurat mendeteksi dan menghindari zona
bencana berdasarkan informasi spasial jalan dan mencari jalur evakuasi pada
saat terjadi bencana yang kompleks. Metode kami dapat mencegah kerusakan
sekunder seperti kecelakaan lalu lintas dengan mengurangi kemacetan lalu
lintas selama proses evakuasi dengan mendistribusikan personel yang tepat ke
berbagai tempat penampungan melalui berbagai rute. Kami menunjukkan
melalui studi kasus bahwa metode yang diusulkan dapat mengurangi
kerusakan yang diakibatkan oleh bencana yang kompleks.
Struktur sisa makalah ini adalah sebagai berikut. Ringkasan bagian
“Pekerjaan terkait” merangkum penelitian-penelitian terdahulu yang berkaitan
dengan tanggap bencana. Bagian “Kerangka Respons Bencana yang
Kompleks” kemudian menyajikan rekonstruksi jaringan jalan dan jalur evakuasi
bencana
Choe dkk. 3

teknik pencarian, sedangkan bagian “Analisis Empiris” menjelaskan hasil

percobaan untuk menunjukkan efektivitas pendekatan tanggap bencana yang
diusulkan. Kesimpulan dan implikasi penelitian disajikan pada bagian “Diskusi”.

Pekerjaan yang berhubungan

Ada studi berbasis simulasi untuk tanggap bencana. Quagliarini
dkk.19melakukan simulasi banjir dengan membandingkan model simulasi
berdasarkan pendekatan mikroskopis. Dalam sebuah studi oleh Mostafavi dan
Ganapati,20berbagai perspektif teknik, sosiologi, dan dinamika bencana
dipertimbangkan dengan mengintegrasikan elemen teoritis dari berbagai
domain. Para peneliti mengusulkan penelitian berbasis simulasi pada
perspektif ini. Yang dkk.21memodelkan berbagai sebaran pusat evakuasi dan
tipe pejalan kaki untuk pemilihan jalur evakuasi pejalan kaki saat hujan deras di
 suatu kota. Li dkk.22menyajikan model perutean fasilitas bergerak darurat
(EMF) berdasarkan deskripsi abstrak kejadian darurat untuk memberikan
metode yang efektif untuk memecahkan masalah perutean EMF dan membuat
grafik yang sangat terhubung dari semua jalan di dekat lokasi dan
merencanakan orientasi satu arah untuk semua jalan untuk evakuasi cepat
peserta.
Para peneliti mempelajari adopsi data besar pada bencana perkotaan. Guo
dkk.23mengembangkan sistem informasi untuk mengevaluasi kerugian
ekonomi kota-kota akibat bencana hujan lebat melalui pengumpulan data dan
menetapkan langkah-langkah untuk mencegah kerugian ekonomi akibat
bencana. Lin dkk.24mengeksplorasi studi untuk mengurangi kerusakan yang
diderita oleh korban banjir dengan memprediksi permintaan dinamis akan
pasokan bantuan berdasarkan data besar. Shan dkk.25menyajikan model yang
menggabungkan Natural Language Processing dan metode statistik serta
memantau dan mengevaluasi kerusakan akibat bencana secara real time
menggunakan informasi dari media sosial.
Pentingnya perbaikan dan restorasi jaringan jalan juga disoroti dalam
tanggap bencana.26Akbari dan Salman27mengembangkan Program Integer
Campuran yang tepat dan metode matematika serta menyambungkan kembali
komponen jaringan jalan setelah bencana. Çelik dkk.28mendefinisikan masalah
pembersihan puing-puing dan menyajikan model proses untuk memecahkan
masalah ini dan menguji kinerja pembuangan puing-puing jalan yang optimal.
Almeida dkk.29ana menganalisis kerusakan pada rantai pasokan yang
mengirimkan barang bantuan dengan data badai di masa lalu dan menyajikan
model pendukung keputusan dalam situasi bencana.
Studi tanggap bencana lainnya berfokus pada perencanaan rute. Perencana
rute dengan kapasitas terbatas (CCRP) adalah algoritma perencanaan
evakuasi yang memodelkan kapasitas jalan dari waktu ke waktu dan
menerapkan pendekatan perutean dengan kapasitas terbatas untuk membatasi
kapasitas suatu rute, sehingga mengurangi waktu yang dibutuhkan untuk
mendapatkan solusi.30Kim dkk.31berupaya mengurangi waktu komputasi untuk
CCRP dengan mengusulkan heuristik yang dapat diskalakan untuk pekerjaan
jaringan besar. Dalam studi yang dilakukan Herschelman dan Yang,32mereka
mengadopsi pohon sufiks untuk mengurangi waktu evakuasi dan
meminimalkan konflik antar berbagai rute. Hsieh dkk.33buatlah grafik yang
sangat terhubung dari semua jalan di dekat lokasi dan rencanakan orientasi
satu arah untuk semua jalan untuk evakuasi peserta yang cepat. Liu
dkk.34mengusulkan layanan perencanaan rute cerdas berbasis lokasi
menggunakan struktur G*tree, versi perbaikan dari struktur pohon G. Kim
dkk.35membangun jaringan jalan berbasis GIS yang menyimpan informasi jarak
jalan dan merencanakan rute evakuasi berdasarkan algoritma A*.
4 Kemajuan Sains 106(1)

Pencarian jalur terpendek sering dipelajari dalam ilmu komputer, khususnya

teori grafik. Jalur terpendek optimal mewakili jarak minimum dari sumber ke
tujuan sasaran.36Potamias dkk.37menyajikan metode berbasis landmark untuk
memperkirakan jarak antar titik dalam jaringan besar, sementara Hu et
al.38mencari jalur optimal berdasarkan jalan acak dalam grafik. Selain itu,
Honiden dkk.39memperoleh jalur terpendek dari grafik tidak berarah
berdasarkan pengambilan sampel acak.
Banyak penelitian yang menggunakan algoritma berbasis Dijkstra seperti
algoritma A* ketika mencari jalur terpendek.40Chao41mempelajari cara mencari
jalur terpendek pada grafik berarah dan dinamis menggunakan teknik Dijkstra
dan reduksi data. Kaleeswari dkk.42meningkatkan struktur data untuk algoritma
pencarian jalur berbasis Dijkstra dan meningkatkan efisiensi penyimpanan
dengan mengatur urutan area pencarian. Sabri dkk.43 mengeksplorasi jalur
evakuasi yang aman berdasarkan algoritma Dijkstra dalam proses pencarian
rute vertikal ketika terjadi kecelakaan di dalam gedung.
Peneliti44–46mengeksplorasi jalur evakuasi tsunami berdasarkan algoritma BFS,
A*, dan Dijkstra.
Pada pekerjaan sebelumnya,35kami mengusulkan kerangka rekonstruksi
jaringan jalan untuk perencanaan evakuasi bencana. Kami mempelajari
generalisasi jaringan jalan berbasis grafik yang mempertimbangkan berbagai
faktor risiko bencana berdasarkan data publik. Dalam makalah ini, kami
mengeksplorasi lebih jauh jaringan jalan umum dengan memperluasnya
menjadi struktur berlapis-lapis agar lebih mencerminkan situasi bencana dan
aspek fungsional jalan. Di jaringan kami, kami melakukan pencarian rute yang
menghindari risiko bencana dengan mempertimbangkan kondisi dan risiko
bencana tertentu. Pendekatan kami berpotensi mengurangi kerusakan dengan
mengurangi kebingungan selama evakuasi dengan menawarkan beberapa rute
evakuasi yang mempertimbangkan jumlah pengungsi dan kapasitas tempat
penampungan di sekitarnya.

Kerangka kerja tanggap bencana yang kompleks

Dalam makalah ini, kami menyajikan kerangka kerja yang dapat merespons
bencana kompleks dengan tujuan meminimalkan kerusakan. Gambar 1
menyajikan gambaran umum kerangka kerja yang diusulkan. Kami
membangun jaringan jalan berlapis-lapis yang mencakup informasi yang
diperlukan untuk tanggap bencana. Pendekatan kami mengurangi kerusakan
tidak langsung dengan merencanakan rute evakuasi yang mempertimbangkan
karakteristik dan informasi situasi bencana tertentu.

Gambar 1. Gambaran umum kerangka tanggap bencana yang kompleks.

Choe dkk. 5

Konfigurasi ulang jaringan jalan berlapis-lapis

Desain jaringan jalan berlapis-lapis. Suatu jalan fisik dapat dicirikan oleh
 beragam fitur, seperti lebar dan panjangnya, bangunan di sekitarnya, dan fitur
geografisnya. Oleh karena itu, kompleksitas jaringan jalan meningkat ketika
fisik jalan di dalamnya direpresentasikan sebagai satu lapisan. Jaringan
dengan kompleksitas tinggi sulit untuk dikelola karena seluruh struktur jaringan
harus direkonstruksi jika terjadi perubahan pada beberapa komponennya.
Dalam makalah ini, kami menyajikan model jaringan jalan berlapis-lapis yang
dapat secara efektif mengelola perubahan struktur jalan (misalnya jalan baru
atau jalan yang diperpanjang) dan kondisi spesifik bencana (misalnya bahaya
spasial dan perubahan lokasi evakuasi). Model yang diusulkan terdiri dari tiga
lapisan: jaringan jalan berbasis GIS, informasi bencana, dan zona aman.
Gambar 2 mengilustrasikan struktur model jaringan jalan yang diusulkan.
Lapisan jaringan jalan berbasis GIS mencakup informasi spasial, termasuk
alamat jalan, ID identifikasi jalan, koordinat lintang dan bujur, panjang jalan,
dan lebar jalan. Lapisan informasi bencana berisi informasi spasial tentang
wilayah yang terkena dampak langsung bencana, sedangkan lapisan zona
aman berisi informasi tentang tempat penampungan dan rumah sakit (misalnya
kapasitas, alamat jalan, dan koordinatnya). Jaringan jalan yang
menghubungkan beberapa lapisan dapat secara efektif mengungkapkan
informasi yang kompleks.47Kami kemudian mewakili seluruh jaringan jalan
dengan menghubungkan lapisan-lapisan yang dibangun. Lapisan jaringan jalan
berbasis GIS dan lapisan informasi bencana terhubung sebagai area yang
tumpang tindih berdasarkan informasi lokasinya. Jaringan jalan berbasis GIS
dan lapisan zona aman dihubungkan dengan mencocokkan shelter/rumah sakit
dengan segmen jalan terdekat berdasarkan informasi lokasinya. Manajemen
data modular ini memungkinkan kami menyesuaikan informasi secara akurat
tanpa mengubah keseluruhan struktur model.

Pengenalan bencana berbasis segmen jalan. Umumnya, kita dapat

menemukan tujuan melalui pencarian berbasis lokasi atau jalur logis pada
grafik umum. Namun, pada kenyataannya

Gambar 2. Struktur jaringan jalan berlapis yang diusulkan.

6 Kemajuan Sains 106(1)

di dunia, sebagian besar jalan memiliki koneksi fisik yang tidak teratur. Oleh
karena itu, dalam evakuasi bencana yang sebenarnya, kita harus
mempertimbangkan ketidakteraturan jalan dan fitur geometrisnya. Dalam
makalah ini, kami mengusulkan metode perencanaan rute yang mencari rute
aman menggunakan generalisasi jaringan jalan yang menghindari risiko jalan
yang tidak terduga. Peta berbasis node yang ada48 mewakili jalan sebagai tepi
yang hanya mewakili konektivitas antar node. Namun, tepian tersebut belum
tentu mencerminkan bentuk jalan sebenarnya, dan sulit untuk mengidentifikasi
rute yang melewati kawasan berbahaya. Gambar 3(a) menampilkan kerusakan
jalan dan daerah akibat bencana pada peta jalan fisik. Jalan diwakili oleh garis
hitam, dan area yang rusak adalah area berwarna biru. Gambar 3(b) dan
Gambar 3(c) masing-masing mengubah peta pada Gambar 3(a) menjadi peta
berbasis titik dan berbasis GIS. Seperti ditunjukkan pada Gambar 3(b), jika
jalan dinyatakan sebagai tepian, sulit untuk mengidentifikasi rute yang
mempunyai risiko bencana karena informasi lokasi jalan tersebut hilang. Di sisi
lain, metode kami menyimpan informasi lokasi jalan dan secara efektif dapat
mencari segmen jalan yang melewati daerah yang terkena dampak langsung
bencana.

Respons bencana terhadap bencana yang kompleks

Kami memperoleh jalur terpendek dari titik awal sembarang ke tempat aman
menggunakan algoritma A*. Algoritma A* menemukan jalur terpendek antara
dua titik berdasarkan informasi heuristik, dan fungsi biayanya adalah sebagai
berikut:
f(n) = g(n) + r ∗ h(n) (1)
dimana f(n) adalah jumlah path cost dari titik awal ke titik saat ini (node n) dan
path cost dari node n ke titik kedatangan, g(n) adalah path cost dari titik awal
ke node n, h(n) adalah estimasi biaya jalur dari node n ke titik kedatangan, dan
r adalah faktor risiko bencana.

Gambar 3. (a) Peta jalan fisik, (b) peta yang mewakili jalan sebagai tepi yang mewakili
konektivitas antar titik, dan (c) peta yang menyimpan informasi spasial jalan.
Choe dkk. 7

Dalam metode kami, g(n) dihitung sebagai jumlah panjang jalan pada rute
menuju titik saat ini, dan h(n) dihitung menggunakan rumus Haversine. Biaya
didefinisikan sebagai waktu evakuasi dengan mempertimbangkan total jarak
perjalanan. Metode yang diusulkan menghindari area risiko bencana dengan
memberikan r berbobot ke h(n), sebuah fungsi heuristik dari ekspresi yang
ada. r digunakan untuk identifikasi bencana dan mewakili jalan yang rusak
akibat bencana. Kami menentukan jalan-jalan yang mempunyai risiko bencana
dengan memetakan informasi lokasi daerah yang terkena dampak langsung
bencana dan informasi GIS jalan tersebut. Bila nilai r sama dengan 1 maka
jalan tersebut normal. Selain r lebih besar dari 1 berarti jalan tersebut terkena
risiko bencana. Ketika risiko meningkat, biaya rute mana pun yang melewati
jalan-jalan tersebut juga meningkat. Oleh karena itu, jalan yang mempunyai
risiko bencana tidak disertakan dalam proses pencarian rute. Tingkat dan jenis
kerusakan serta wilayah terjadinya bencana berbeda-beda untuk berbagai
jenis bencana. Oleh karena itu, nilai r disesuaikan pada setiap bencana. Nilai r
dirangkum sebagai berikut menurut tingkat risiko jalan:
⎧
⎨
r = 1, untuk jalan normal
r= yang relatif rendah
r > rrisiko rendah, untuk jalan yang
⎩(2) berisiko tinggi
r > 1, untuk jalan dengan risiko
Berbagai kondisi harus dipertimbangkan dalam mencari rute yang tersedia
dalam situasi bencana nyata.49Kami menyajikan perencanaan rute multipath
yang menelusuri rute dari satu titik awal ke beberapa shelter dan
mempertimbangkan jumlah pengungsi serta jumlah pengungsi yang dapat
diterima setiap shelter sesuai dengan skala bencana. Tabel 1 menyajikan
pseudocode untuk pencarian multipath berdasarkan algoritma A*. Pada baris
2–8, kami mendefinisikan variabel yang diperlukan untuk algoritma A* dan
bobot heuristik untuk situasi risiko setiap bencana. Biaya perpindahan dari
node awal ke node saat ini (G) dihitung sebagai jumlah dari jarak jalan pada
rute ke node saat ini. Perkiraan biaya perpindahan dari node saat ini ke node
akhir (H ) dihitung berdasarkan bobot heuristik yang mencerminkan jarak dari
node saat ini ke tujuan dan risiko bencana (baris 8). Pencarian jalur terpendek
didasarkan pada algoritma A* yang ada (baris 12–26).50Algoritme menyimpan
rute yang dicari dalam daftar jalur jika evakuasi awal melebihi kapasitas shelter
yang diidentifikasi dan mengecualikan shelter yang sudah dicari dari daftar
(baris 27 dan 28). Algoritma multipath searching mengulangi proses pencarian
rute pusat evakuasi terdekat hingga total kapasitas pusat evakuasi melebihi
jumlah pengungsi (jalur 2). Rencana evakuasi multipath yang diusulkan dapat
mencegah bencana sosial seperti kecelakaan lalu lintas dengan memitigasi
kemacetan lalu lintas saat mendistribusikan pengungsi.

Analisis empiris
Penerapan
Dalam tulisan ini, kami mengadopsi Quantum Geographic Information System
(QGIS), sebuah alat analisis Sistem Informasi Geografis (GIS) berbasis open
source, untuk membangun lapisan jalan yang berisi informasi spasial.28Kami
menghasilkan segmen jalan dengan membagi
8 Kemajuan Sains 106(1)
Tabel 1. Pseudocode untuk algoritma pencarian beberapa jalur evakuasi.

Fungsi untuk algoritma pencarian multi-jalur berbasis A* (awal, tujuan, jenis

bencana, pengungsi) Daftar tertutup = himpunan kosong
Daftar terbuka = menyertakan simpul awal
Disaster_risk = sesuai dengan tipe bencana yang diinput
>1
lain jika risiko diaster =
Bobot_heuristik = tinggi , r ≫ 1 ⎩
⎧
⎨ jika tidak r = 1
jika risiko diaster = rendah, r

Daftar shelter = diurutkan (jarak Euclidean (awal, shelter))

G [mulai] = 0
H [awal] = H_biaya [awal, tujuan, Bobot_Heuristik]
F [mulai] = G [mulai] + H [mulai]
Shelter_list = Daftar tempat berlindung
Sedangkan jumlah pengungsi < kapasitas shelter
Sedangkan daftar terbuka tidak kosong
Lakukan Current_Node = MIN_F_cost (daftar terbuka)
Jika (Node_Saat Ini= = tujuan), maka jalur kembali
Untuk setiap Adj_Node A dari Current_Node
Jika (N ada dalam daftar tertutup), lanjutkan
else if (N ada dalam daftar terbuka)
hitung G, H, F untuk N
Jika (G [N pada daftar terbuka] < dihitung G [N])
SANTAI (N pada daftar terbuka)
Induk N = Node_Saat ini
tambahkan N ke daftar terbuka
lain, lalu hitung G, H, F untuk N
Induk N = Node_Saat ini
tambahkan N ke daftar terbuka
berakhir sementara
Path_list = Path_listappend(jalur)
hapus Shelter_list[Shelter_listindex(0)]
berakhir sementara
fungsi akhir

jalan menurut nama jalan berdasarkan persimpangan antar jalan. Segmen

jalan diidentifikasi menggunakan ID yang dihasilkan melalui hashing panjang
jalan dan nama jalan. Kami kemudian membangun lapisan informasi bencana
yang berisi lokasi daerah bencana. Pendekatan yang diusulkan menghasilkan
lapisan jalan berbasis GIS dengan informasi spasial dengan menyimpan nama
jalan, lebar, panjang, dan koordinat titik akhir jalan. Jalan-jalan yang termasuk
dalam daerah bencana diekstraksi menggunakan informasi geografis untuk
daerah bencana dan fungsi lintas wilayah QGIS, dan pengidentifikasi bencana
ditugaskan pada jalan-jalan tersebut. Lapisan informasi bencana dan lapisan
jaringan jalan berbasis GIS dihubungkan dengan mencocokkan ID dengan
jalan yang diberi pengidentifikasi bencana. Terakhir, kami membuat lapisan
zona aman yang menyimpan informasi tentang tempat penampungan dan
rumah sakit menggunakan data publik. Lapisan zona aman dihubungkan ke
lapisan jaringan jalan dengan mencocokkan bagian jalan yang paling dekat
dengan shelter.
Choe dkk. 9
Studi kasus
Kami mengeksplorasi studi kasus gempa bumi dan banjir untuk membuktikan
bahwa kerangka kerja yang kami usulkan cocok untuk tanggap bencana. Di
Korea, gempa bumi menyebabkan kerusakan signifikan pada struktur
perkotaan dalam beberapa tahun terakhir dan diperlukan persiapan untuk
menghadapi kejadian di masa depan. Banjir perkotaan sering terjadi selama
musim hujan di Korea, dan ini merupakan bentuk bencana alam paling
signifikan di Korea selama dekade terakhir.51Banjir menyebabkan kerusakan
fisik pada jalan, sehingga mengakibatkan kemacetan dan
kecelakaan.52,53Dalam tulisan ini, kami mempertimbangkan daerah-daerah
yang sering terkena atau diperkirakan beresiko terhadap kerusakan akibat
gempa bumi dan/atau banjir dan mengalami pola kerusakan yang kompleks
dan akibatnya memutuskan untuk melakukan demonstrasi perencanaan jalur
evakuasi di Busan yang merupakan kota dengan luas 769,89 km22dan jumlah
penduduk 3,429 juta jiwa, dengan 108 rumah sakit yang mampu memberikan
perawatan medis darurat dan 121 shelter.

Studi kasus 1. Perencanaan jalur evakuasi jika terjadi gempa bumi. Pada
bagian ini, kami menunjukkan bahwa metode yang diusulkan cocok untuk
penghindaran risiko bencana dengan membandingkan hasil navigasi rute
konvensional setelah gempa bumi dengan hasil model yang diusulkan. Faktor
risiko utama terjadinya gempa bumi adalah risiko runtuhnya bangunan dan
elemen di sekitar jalan.54Kim55menganalisis kerusakan bangunan yang
disebabkan oleh gempa bumi berkekuatan 5,0 atau lebih besar di Busan, dan
kami membuat lapisan informasi bencana gempa bumi berdasarkan hal ini.
Untuk menghindari risiko bencana, maka diberikan nilai r lebih besar dari 1
pada jalan yang mempunyai risiko runtuhnya bangunan. Hal ini meningkatkan
biaya untuk mengikuti rute yang melewati jalan tersebut. Hasilnya, algoritme
tersebut mengecualikan jalan yang berisiko rusak dari daftar rute terpendek.
Sebaliknya, metode konvensional mengeksplorasi jarak terpendek antara titik
awal dan tujuan.
Rute yang dipilih secara konvensional pada Gambar 4(a) melewati jalan
dekat bangunan yang berisiko runtuh (ditandai dengan warna merah) sehingga
tidak menghindari risiko bencana. Di sisi lain, metode kami menghindari rute
berisiko dengan menetapkan biaya rute yang tinggi pada jalan yang berisiko
bencana. Gambar 4(b) menyajikan hasil pencarian rute terpendek yang
menghindari jalan dengan risiko runtuhnya bangunan menggunakan metode
pencarian rute yang diusulkan. Metode kami jelas menghindari jalan di dekat
gedung yang berisiko runtuh. Kami membantu para pengungsi untuk
mengambil keputusan yang rasional dengan menyediakan jalur evakuasi yang
aman. Hasilnya, metode yang diusulkan berpotensi mengurangi kerusakan
akibat bencana alam dengan menghindari daerah berisiko bencana dan
mencegah kebingungan selama evakuasi.
Pendekatan yang diusulkan mencari beberapa rute evakuasi menggunakan
informasi rumah sakit dan tempat penampungan di lapisan zona aman. Jika
jumlah pengungsi lebih besar dari kapasitas tempat penampungan terdekat,
kebingungan dapat terjadi di dalam tempat penampungan. Oleh karena itu,
dalam situasi bencana, perencanaan rute harus mempertimbangkan beberapa
rute dengan mempertimbangkan jumlah pengungsi dan total kapasitas tempat
 penampungan di dekatnya. Algoritme perutean multipath kami pertama-tama
mencari shelter terdekat dan memilih rute optimal (Gambar 5(a)). Jika
kapasitas shelter tersebut lebih rendah dari jumlah total pengungsi, algoritma
akan mencari rute ke shelter terdekat berikutnya (Gambar (5b)). Algoritme
tersebut mengulangi pencarian jalur evakuasi hingga semua pengungsi
didistribusikan ke tempat penampungan. Metode kami menemukan rute ke
rumah sakit terdekat jika terjadi cedera. Gambar 5(c) menyajikan hasil
pencarian multipath ketika jumlah pengungsi di titik awal adalah 300 dan
kapasitas
10 Kemajuan Sains 106(1)

Gambar 4. Jalur evakuasi pada saat gempa bumi: (a) jalur yang dihasilkan untuk
metode pencarian rute umum dan (b) jalur yang dihasilkan untuk metode yang
diusulkan.

dua shelter terdekat adalah 232 dan 196. Hasil ini mengonfirmasi bahwa
algoritma perutean multipath kami mendistribusikan semua pengungsi ke
shelter dengan benar. Metode kami memberi masyarakat rute ke beberapa
tempat penampungan, sehingga mengurangi kemacetan lalu lintas. Hal ini
mencegah kebingungan di shelter dengan mencegah banyak orang berkumpul
di satu shelter. Hasilnya, metode yang diusulkan mengurangi kerugian tidak
langsung yang dapat terjadi selama evakuasi gempa bumi.

Studi kasus 2. Perencanaan jalur evakuasi jika terjadi banjir. Pada bagian ini,
kami melakukan studi kasus mengenai kerusakan akibat banjir untuk
memastikan perlunya usulan faktor risiko r. Banjir merupakan bencana statis
dengan beberapa daerah tergenang yang dapat dibedakan menjadi banjir
sungai dan banjir daratan.56Banjir sungai disebabkan oleh genangan air di luar
ruangan berdasarkan jumlah curah hujan, sedangkan banjir di daratan
mengacu pada genangan akibat arus balik saluran pembuangan dan kapasitas
drainase yang tidak mencukupi. Dalam analisis kami, kami hanya
mempertimbangkan banjir sungai, namun jika terdapat jejak banjir, dapat
direncanakan jalur evakuasi yang juga mempertimbangkan banjir di daratan.
Skenario kami mengasumsikan hujan lebat lokal dengan curah hujan setiap
jam sebesar 105 mm menyebabkan genangan sungai yang diperoleh dengan
menggunakan simulasi hujan lebat lokal. Jangkauan dan kedalaman banjir
jalan bergantung pada jumlah curah hujan, dan kendaraan masih dapat melaju
di jalan yang tidak seluruhnya terendam banjir. Oleh karena itu, kami
menghitung biaya rute berdasarkan risiko terhadap jalan dengan
menyesuaikan nilai r untuk banjir. Biaya rute sebanding dengan waktu yang
dibutuhkan kendaraan untuk melewati jalan tersebut. Oleh karena itu, nilai r
ditentukan berdasarkan kecepatan kendaraan yang menggunakan jalan
tersebut untuk setiap tingkat risiko. Menurut penelitian,57,58kecepatan
berkendara optimal saat hujan deras adalah sekitar 15 km/jam, turun menjadi
10 km/jam di jalan dengan kedalaman banjir 0,1–0,3 m. Jadi, itu bisa saja
terjadi
Choe dkk. sebelas

Gambar 5. Urutan algoritma routing multipath: (a) menemukan shelter terdekat, (b)
berulang kali mencari shelter terdekat berikutnya, dan (c) menentukan rute akhir.

diasumsikan bahwa biaya rute jalan yang tergenang air dangkal adalah 1,5 kali
lipat dari biaya rute jalan umum. Menurut pengarahan kebijakan untuk
Korea,59menggunakan jalan yang tergenang air yang melebihi dua pertiga
 tinggi ban (sekitar 0,4 m) adalah berbahaya. Berdasarkan hal ini, r ditetapkan
ke 1 untuk jalan normal (kedalaman banjir lebih rendah dari 0,1 m), 1,5 untuk
jalan berisiko rendah (kedalaman banjir 0,1–0,3 m), dan 10 atau lebih untuk
jalan berisiko tinggi (kedalaman banjir melebihi 0,1 m). 0,3 m).
Pada Gambar 6, titik yang diberi tanda warna kuning merupakan titik awal,
titik yang diberi tanda warna biru muda adalah titik tujuan, titik yang diberi
tanda warna merah muda merupakan daerah yang tergenang air dangkal,
daerah yang berwarna merah tua adalah daerah yang tergenang air dalam,
dan garis yang berwarna hijau merupakan jalur evakuasi. Gambar 6(a)
menunjukkan hasil pencarian rute konvensional yang tidak dapat menghindari
daerah bahaya, sedangkan Gambar 6(b) menyajikan hasil untuk pendekatan
yang benar-benar menghindari daerah banjir dangkal dan dalam dengan
memberikan nilai r yang besar tanpa memperhatikan
12 Kemajuan Sains 106(1)

Gambar 6. Jalur evakuasi pada saat banjir dengan menggunakan (a) metode
pencarian rute konvensional, (b) pendekatan yang benar-benar menghindari risiko
bencana, dan (c) metode yang menghindari risiko bencana dengan
mempertimbangkan karakteristik bencana dan tingkat risiko.

kedalaman banjir. Gambar 6(c) menunjukkan jalur dengan total biaya jalur
terendah ketika nilai r diterapkan secara berbeda bergantung pada kedalaman
banjir. Biaya jalur evakuasi pada Gambar 6(c) sekitar 5% lebih rendah
dibandingkan pada Gambar 6(b). Metode kami mencari rute evakuasi yang
optimal dengan mempertimbangkan risiko bencana dan total biaya rute.
Dengan pendekatan yang kami usulkan, kami mengurangi kerusakan yang
disebabkan oleh bencana dengan memastikan bahwa waktu evakuasi tidak
diperpanjang namun tetap menjamin keselamatan para pengungsi.
Algoritma yang diusulkan mencari jalur evakuasi yang tepat sesuai dengan
perubahan risiko bencana. Gambar 7 menunjukkan jalur evakuasi menurut
perubahan wilayah risiko banjir menurut curah hujan di suatu wilayah. Untuk
curah hujan 50 mm per jam, tidak ada daerah banjir, sehingga algoritma
mencari rute terpendek antara titik awal dan tujuan. Pada Gambar 7(b) dan
Gambar 7(c), metode kami menghindari area bencana sambil
mempertimbangkan total biaya evakuasi. Hasilnya, algoritma kami bekerja
dengan baik dengan berbagai risiko bencana.
Choe dkk. 13

Gambar 7. Jalur evakuasi dengan variasi wilayah risiko bencana: (a) hujan lebat
dengan curah hujan 50 mm/jam, (b) hujan lebat dengan curah hujan 105 mm/jam, dan
(c) hujan lebat dengan curah hujan 150 mm/jam.

Analisis untuk studi kasus

Bagian ini membahas evaluasi kualitatif untuk studi kasus mengenai apakah
 kerangka kerja yang diusulkan sesuai untuk manajemen tanggap bencana.
Kami membangun jaringan jalan dengan struktur berlapis-lapis untuk
merespons bencana. Jaringan jalan mempunyai keunggulan dalam hal
tanggap bencana dan pengelolaan informasi. Seperti yang ditunjukkan pada
Gambar 4 dan Gambar 6, metode kami mencari rute yang menghindari jalan
dengan risiko bencana menggunakan koneksi berbasis GIS antara lapisan
jaringan jalan dan lapisan bencana. Selain itu, kita dapat mengeksplorasi
beberapa jalur evakuasi yang mengarahkan pengungsi dengan
mempertimbangkan jumlah pengungsi dan kapasitas shelter di sekitarnya
dengan menggunakan zona aman.
14 Kemajuan Sains 106(1)

layer seperti disajikan pada Gambar 5. Setiap layer menyimpan informasi

jalan, bencana, dan shelter secara paralel sehingga jika terjadi perubahan
pada komponen tertentu, struktur jaringan secara keseluruhan tidak perlu
diubah. Sebagai contoh, dalam studi kasus kerusakan akibat banjir yang kami
lakukan, hanya banjir sungai yang dipertimbangkan, namun tidak mencakup
daerah yang terkena banjir karena dampak lokal akibat buruknya drainase. Jika
jejak banjir baik di sungai maupun di daratan dipertimbangkan, kita dapat
merefleksikannya pada lapisan bencana dan menetapkan rencana evakuasi
tanpa mengatur ulang seluruh struktur jaringan. Oleh karena itu, representasi
jaringan jalan berlapis-lapis cocok untuk manajemen tanggap bencana.
Dalam metode kami, respons terhadap berbagai bencana dapat dilakukan
dengan menyimpan zona khusus bencana di lapisan informasi bencana dan
informasi shelter khusus bencana di lapisan zona aman. Selain itu, metode
yang diusulkan mencari rute evakuasi yang berbeda sesuai dengan tingkat
risiko yang terkait dengan bencana tertentu. Gambar 6(c) menunjukkan hasil
pencarian rute yang mempertimbangkan risiko banjir dan biaya keseluruhan
rute, sedangkan metode yang diterapkan pada Gambar 6(b) menghindari
seluruh area banjir untuk memastikan keamanan rute tetapi waktu evakuasi
lebih lama karena biaya rute secara keseluruhan tinggi, yang merupakan suatu
kerugian. Oleh karena itu, metode kami mencerminkan karakteristik
masing-masing bencana untuk mengurangi risiko sekaligus menyeimbangkan
biaya seluruh rute untuk menemukan rute yang optimal.

Diskusi
Dalam tulisan ini, jaringan jalan terdiri dari informasi jalan dan wilayah risiko
bencana dari data publik. Struktur jaringan jalan yang berlapis-lapis menyimpan
berbagai jenis informasi tentang jalan. Dengan struktur grafik, kami mengelola
komponen jaringan melalui koneksi node di setiap lapisan. Kerangka kerja
yang diusulkan tidak hanya menghindari risiko bencana tetapi juga mengurangi
kemacetan lalu lintas dengan mengarahkan pergerakan personel evakuasi.
Algoritme rute evakuasi kami mengurangi beban jalan dengan menyediakan
rute ke beberapa tempat penampungan, mencegah semua personel evakuasi
bergerak melalui satu rute tertentu. Algoritme ini juga memastikan bahwa
jumlah pengungsi tidak melebihi kapasitas satu tempat penampungan,
sehingga mencegah kekurangan material atau ruang di tempat penampungan.
Oleh karena itu, kerangka kerja kami menghindari area yang berisiko bencana
untuk mencegah kerusakan langsung akibat bencana alam dan mengurangi
kerusakan akibat bencana sosial dengan mengurangi kemacetan lalu lintas dan
kemacetan di tempat penampungan.
 Di sisi lain, model kami mengevaluasi rute evakuasi dengan fokus pada
waktu evakuasi berdasarkan panjang jalan. Artinya, kurang
mempertimbangkan permasalahan rekayasa transportasi dan kapasitas jalan.
Metode kami memiliki informasi lebar jalan, sehingga kami dapat
memperkirakan kapasitas setiap jalan berdasarkan lebar jalan, namun sulit
untuk mengidentifikasi kemacetan jaringan secara keseluruhan.

Kesimpulan
Makalah ini mengeksplorasi respons bencana yang kompleks yang mencegah
reaksi berantai antara bencana alam dan bencana sosial dengan menyediakan
jalur evakuasi yang aman. Kami merancang struktur berlapis-lapis untuk
jaringan jalan yang sesuai untuk manajemen tanggap bencana, menggunakan
pendekatan perencanaan rute yang mempertimbangkan faktor risiko dan
tingkat risiko untuk setiap bencana, dan mengusulkan kerangka kerja tanggap
bencana berdasarkan pada
Choe dkk. limabelas

hasil penelitian. Metode yang diusulkan dirancang untuk mencegah kecelakaan

sekunder yang mungkin terjadi selama evakuasi dengan menyediakan jalur
evakuasi yang aman selama bencana berdasarkan jaringan jalan berlapis-lapis
yang mencakup informasi yang diperlukan untuk evakuasi bencana. Hasilnya,
kami mengurangi kerentanan kota terhadap bencana dengan mempersulit
bencana alam untuk berkembang menjadi bencana yang kompleks melalui
perencanaan jalur evakuasi yang efektif. Di masa depan, kita perlu mengurangi
kerusakan akibat kemacetan lalu lintas dengan menyediakan berbagai rute
yang mempertimbangkan faktor tambahan seperti lalu lintas jalan raya.

Pernyataan konflik kepentingan

Penulis menyatakan tidak ada potensi konflik kepentingan sehubungan dengan
penelitian, kepenulisan, dan/atau publikasi artikel ini.

Pendanaan
Penulis mengungkapkan penerimaan dukungan finansial berikut untuk penelitian,
kepenulisan, dan/atau publikasi artikel ini: Karya ini sebagian didukung oleh hibah
Dewan Riset Sains & Teknologi Nasional (NST) dari pemerintah Korea ( MSIT)
(1711101951) dan sebagian oleh hibah Institut Korea untuk Kemajuan Teknologi (KIAT)
yang didanai oleh Pemerintah Korea (MOTIE) (P0012724, Program Pengembangan
Kompetensi untuk Spesialis Industri) dan sebagian oleh Hibah Beasiswa Penelitian
Universitas Chung-Ang di 2022.

ORCID iD
Mucheol Kim https://orcid.org/0000-0003-2682-2195

Referensi
1. Song C dan Park S. Strategi peningkatan sistem tanggap bencana bencana hybrid
di Korea. Inspeksi Pemeliharaan Struktur Inst J Korea 2017; 21: 45–53.
2. Yu M, Yang C dan Li Y. Data besar dalam pengelolaan bencana alam: tinjauan.
Geosains (Basel) 2018; 8: 165.
3. Hiete M dan Merz M. Kerangka indikator untuk menilai kerentanan sektor industri
terhadap kerugian bencana tidak langsung. Dalam: Prosiding Konferensi ISCRAM
 Internasional ke-6— Gothenburg, Swedia. Mei 2009.
4. Pescaroli G dan Alexander D. Definisi bencana berjenjang dan dampak berjenjang:
melampaui metafora “menggulingkan domino”. Planet@Risiko 2015; 3: 58–67. 5. Lee
KH, Yi WH dan Yang WJ. Kajian analisis risiko bencana sosial. J Bencana Soc Korea
Sec 2016; 9: 15–21.
6. Rencana penanggulangan bencana kompleks perkotaan Han W.: berfokus pada
konstruksi dan pemanfaatan peta manajemen bencana yang kompleks. Ringkasan
Pol KRIHS 2020: 1–8.
7. Kita SM. Kerentanan perkotaan, pengurangan risiko bencana dan pemukiman
kembali di Kota Mzuzu, Malawi. Pengurangan Risiko Bencana Int J 2017; 22:
158–166.
8. Minhans A. Pengukuran efektivitas dan kesulitan tindakan manajemen lalu lintas
pada bencana. J Teknol 2013; 65: 41–51.
9. Saadatseresht M, Mansourian A dan Taleai M. Perencanaan evakuasi
menggunakan pendekatan optimasi evolusi multiobjektif. Euro J Oper Res 2009;
198: 305–314.
10. Stepanov A dan Smith JM. Rute evakuasi multi-tujuan dalam jaringan transportasi.
Euro J Oper Res 2009; 198: 435–446.
16 Kemajuan Sains 106(1)

11. Han LD, Yuan F, Chin SM, dkk. Optimalisasi global penugasan evakuasi darurat.
Antarmuka (Providence) 2006; 36: 502–513.
12. Redzuan AA, Anuar AN, Zakaria R, dkk. Tinjauan: Adaptasi jalur evakuasi untuk
kerangka jalan berketahanan bencana. Dalam: Seri Konferensi IOP: Ilmu dan
Teknik Material. Penerbitan IOP; 2019;615(1):012002.
13. Pregnolato M, Ford A, Wilkinson SM, dkk. Dampak banjir terhadap transportasi
jalan raya: fungsi gangguan kedalaman. Transp Res D Transp Lingkungan 2017;
55: 67–81.
14. Bagloee SA, Sarvi M, Wolshon B, dkk. Mengidentifikasi skenario gangguan kritis
dan indeks ketahanan global yang disesuaikan dengan jaringan jalan di kehidupan
nyata. Transp Res E: Logist Transp Rev 2017; 98: 60–81. 15. Muriel-Villegas JE,
Alvarez-Uribe KC, Patiño-Rodríguez CE, dkk. Analisis jaringan transportasi yang
terkena bencana alam – wawasan dari kasus Kolombia. Reliab Eng Sistem Aman 2016;
152: 151–165.
16. Yuan F, Liu R, Mao L, dkk. Kerangka kerja yang mendukung Internet of People
untuk mengevaluasi penurunan kinerja dan ketahanan infrastruktur penting perkotaan.
Sains Saf 2021; 134: 105079. 17. Shahid N, Shah MA, Khan A, dkk. Menuju kota
cerdas yang lebih ramah lingkungan dan prakiraan lalu lintas jalan raya menggunakan
data polusi udara. Perkumpulan Kota Berkelanjutan 2021; 72: 103062.
18. Campos V, Bandeira R dan Bandeira A. Sebuah metode perencanaan jalur
evakuasi dalam situasi bencana. Procedia Soc Perilaku Sci 2012; 54: 503–512.
19. Quagliarini E, Bernardini G, Romano G, dkk. Simulasi evakuasi banjir yang
disederhanakan di lingkungan binaan luar ruangan. Perbandingan awal antara
perangkat lunak generik berbasis pengaturan dan simulator khusus. Perkumpulan
Kota Berkelanjutan 2022; 81: 103848.
20. Mostafavi A dan Ganapati NE. Menuju penelitian bencana konvergensi:
membangun teori integratif menggunakan simulasi. Analisis Risiko 2021; 41:
1078–1086.
21. Yang Q, Sun Y, Liu X, dkk. Simulasi evakuasi masyarakat perkotaan berbasis MAS
saat terjadi bencana hujan badai perkotaan di Tiongkok. Keberlanjutan 2020; 12:
546.
22. Li J, Lai, KK, Fu,Y, & Shen, H. Pendekatan optimalisasi yang kuat untuk perutean
fasilitas seluler darurat. Prog Sains 2021; 104: 0036850420982685.
23. Guo J, Wu X dan Wei G. Sistem penilaian kerugian ekonomi baru untuk bencana
curah hujan tinggi dan banjir perkotaan berdasarkan fusi data besar. Resolusi
Lingkungan 2020; 188: 109822. 24. Lin A, Wu H, Liang G, dkk. Model estimasi dinamis
berbasis data besar mengenai permintaan pasokan bantuan dalam bencana banjir
perkotaan. Pengurangan Risiko Bencana Int J 2020; 49: 101682. 25. Shan S, Zhao F,
Wei Y, dkk. Manajemen bencana 2.0: model penilaian kerusakan akibat bencana secara
real-time berdasarkan data media sosial seluler—studi kasus dari Weibo (twitter
berbahasa Mandarin). Saf Sains 2019; 115: 393–413.
26. Almeida LS, Goerlandt F dan Pelot R. Tren dan kesenjangan dalam literatur
perbaikan dan restorasi jaringan jalan dalam konteks operasi tanggap bencana.
Ilmu Pengetahuan Perencanaan Sosial 2022; 101398, Diterbitkan online Juli 2022.
27. Akbari V dan Salman FS. Perutean busur pengumpulan hadiah multi-kendaraan
untuk masalah konektivitas. Resolusi Operasi Komputasi 2017; 82: 52–68.
28. Çelik M, Ergun Ö dan Keskinocak P. Masalah pembersihan puing pascabencana
berdasarkan informasi yang tidak lengkap. Operasi Res 2015; 63: 65–85.
29. Almeida LS, Goerlandt* F dan Pelot R. Dampak badai besar di Atlantik Kanada dari
tahun 2003 hingga 2018. Dalam: Analisis risiko berdasarkan data dan respons krisis
di luar pengetahuan 2019: 390–396. Diterbitkan online 11 Oktober 2019.
30. Lu Q, George B dan Shekhar S. Algoritma perutean dengan kapasitas terbatas
untuk perencanaan evakuasi: Ringkasan hasil. Dalam: Simposium Internasional
tentang Basis Data Spasial dan Temporal. Peloncat; 2005:291–307.
31. Kim S, George B dan Shekhar S. Perencanaan rute evakuasi: heuristik yang dapat
diskalakan. Dalam: Prosiding Simposium Internasional ACM Tahunan ke-15 tentang
Kemajuan Sistem Informasi Geografis. 2007:1–8.
Choe dkk. 17

32. Herschelman R dan Yang K. Perencana jalur evakuasi bebas konflik. Dalam:
Prosiding Konferensi Internasional ACM SIGSPATIAL ke-27 tentang Kemajuan
Sistem Informasi Geografis. 2019:480–483.
33. Hsieh YC dan Anda PS. Algoritme kecerdasan buatan evolusioner untuk masalah
perencanaan orientasi jalan satu arah dengan banyak tempat: contoh perencanaan
evakuasi di Taiwan. Prog Sains 2021; 104: 00368504211063258.
34. Liu Q, Hou P, Wang G, dkk. Perencanaan rute yang cerdas pada jaringan jalan
besar dengan efisiensi dan privasi. J Komputasi Distribusi Paralel 2019; 133:
93–106.
35. Kim J, Park J, Kim K, dkk. RnR-SMART: rencana evakuasi kota pintar yang
berketahanan berdasarkan konfigurasi ulang jaringan jalan sebagai respons terhadap
wabah. Perkumpulan Kota Berkelanjutan 2021; 75: 103386. 36. Madkour A, Aref WG,
Rehman FU, dkk. Survei algoritma jalur terpendek. arXiv pracetak arXiv. 2017; 1705,
02044.
37. Potamias M, Bonchi F, Castillo C, dkk. Estimasi jarak jalur terpendek yang cepat
dalam pekerjaan jaringan besar. Dalam: Prosiding Konferensi ACM ke-18 tentang
Manajemen Informasi dan Pengetahuan. 2019:867–876.
38. Hu B, Qian HY, Shen Y, dkk. Strategi pencarian jalur optimal dalam jaringan
berdasarkan jalan acak. Komputasi Cluster 2016; 19: 2179–2188.
39. Honiden S, Houle ME, Sommer C, dkk. Perkiraan kueri jalur terpendek
menggunakan Voronoi duals. Dalam: Transaksi Ilmu Komputasi IX. Peloncat;
2010:28–53. 40. Kumari SM dan Geethanjali N. Sebuah survei tentang algoritma
routing jalur terpendek untuk perjalanan angkutan umum. Teknologi Sains Komputasi
Glob J 2010; 9: 73–76.
41. Chao Y. Algoritma Dijkstra yang dikembangkan dan simulasi pencarian jalur
perkotaan. Dalam: Konferensi Internasional ke-5 tentang Ilmu & Pendidikan Komputer
tahun 2010. IEEE; 2010:1164–1167. 42. Kaleeswari B, Boopathi G, Anitha K, dkk.
Survei penambangan jalur terpendek dalam grafik terarah dan dinamis. Int J Sci Res
Sci Eng Teknologi 2016; 5: 431–437.
43. Sabri NAM A, Samad Hasan Basari BH, Hussin B, dkk. Pemanfaatan algoritma
Dijkstra untuk membantu jalur evakuasi pada bangunan yang lebih tinggi dan dekat. J
Komputasi Sains 2015; 11: 330–336. 44. Sularno S, Mulya DP dan Astri R. Penentuan
rute terpendek berdasarkan algoritma BFS untuk tujuan shelter evakuasi bencana. Sci J
 Informasikan 2021; 8: 33–42.
45. Astri R. Implementasi algoritma A-star untuk pencarian rute di dekat titik shelter
evakuasi tsunami. J RESTI 2020; 4: 254–259.
46. Pratiwi AF, Riyanto SD, Listyaningrum R, dkk. Pencari jalur terpendek untuk strategi
evakuasi tsunami menggunakan algoritma Dijkstra. Dalam: Seri Konferensi IOP:
Ilmu dan Teknik Material. Penerbitan IOP; 2020;854(1):012035.
47. Wu N, Zhao XW, Wang J, dkk. Mempelajari representasi jaringan jalan yang efektif
dengan jaringan saraf grafik hierarki. Dalam: Prosiding Konferensi Internasional
ACM SIGKDD ke-26 tentang Penemuan Pengetahuan & Penambangan Data.
2020:6–14.
48. Mulya DP dan Astri R. Pendidikan Sistem Informasi Geografis (GIS) Evakuasi
Tsunami sebagai Mitigasi Bencana. Dalam: Seri Konferensi IOP: Ilmu Bumi dan
Lingkungan. Penerbitan IOP; 2021;708(1):12004.
49. Dong S, Yu T, Farahmand H, dkk. Pemodelan probabilistik dari risiko kegagalan
berjenjang pada saluran dan jaringan jalan yang saling bergantung pada banjir
perkotaan. Perkumpulan Kota Berkelanjutan 2020; 62: 102398. 50. Konakalla SV.
Algoritma bintang-A. 2014.
51. Lembaga Penelitian Nasional Penanggulangan Bencana. Penerapan penilaian
risiko bencana alam dan penggunaan praktis sistem peringatan banjir perkotaan.
2018.
52. Zhang Y, Cheng T dan Ren Y. Metode pembelajaran mendalam grafik untuk
perkiraan lalu lintas jangka pendek pada jaringan jalan besar. Infrastruktur Sipil
Berbantuan Komputasi Eng 2019; 34: 877–896. 53. Brown S dan Dawson R.
Membangun ketahanan tingkat jaringan terhadap gangguan sumber daya akibat banjir:
Studi kasus dari Kepulauan Shetland dan Badai Sandy. Di: Web Konferensi E3S. Ilmu
EDP; 2016;7:04008.
18 Kemajuan Sains 106(1)

54. Giuliani F, De Falco A dan Cutini V. Peran konfigurasi perkotaan selama bencana.
Metodologi berbasis skenario untuk manajemen darurat pasca gempa di pusat toric
Italia. Saf Sains 2020; 127: 104700.
55. Kim G. Sebuah studi tentang pengumpulan data dan prediksi sistem penilaian risiko
seismik. Konten J Digit Soc 2020; 21: 1495–1500.
56. Cho W, Han K, Kim H, dkk. Kajian analisis genangan dengan mempertimbangkan
banjir daratan dan sungai. J Korea Assoc Geogr Inf Stud 2015; 18: 74–89.
57. Shin S, Cho Y dan Lee C. Strategi penyediaan informasi rute memutar dan
manajemen arus lalu lintas pada bencana banjir. J Trans Korea Soc 2007; 25:
33–42.
58. Choo KS, Kang DH dan Kim BS. Penilaian dampak banjir perkotaan terhadap
gangguan lalu lintas menggunakan hubungan curah hujan-kedalaman-kecepatan
kendaraan. Air (Basel) 2020; 12: 926.
59. Kementerian Administrasi Pemerintahan dan Dalam Negeri. Jika Jalan Terendam
Banjir, Ini Yang Harus Dilakukan!. Pengarahan Kebijakan Korea. 9 Agustus 2022.
https://www.korea.kr/news/policyNewsView. lakukan?newsId=148875772.

Biografi penulis
Taeyoung Choe adalah mahasiswa master di Departemen Ilmu dan Teknik Komputer di
Universitas Chung Ang. Minat penelitiannya meliputi Data Mining, Analisis Data,
Penyematan Grafik.

Jiho Kim saat ini adalah peneliti di Divisi Penelitian Pencegahan Bencana di Institut
Penelitian Manajemen Bencana Nasional (NDMI). Beliau memperoleh gelar MS dari
School of Computer Science and Engineering di ChungAng University, Seoul, Korea
pada tahun 2022. Minat penelitiannya meliputi evakuasi bencana, ketahanan perkotaan,
dan analisis jaringan.
Mincheol Shin adalah mahasiswa PhD di Departemen Ilmu dan Teknik Komputer di
Universitas Chung Ang. Beliau memperoleh gelar MS dari Department of Computer
Science and Engineering di ChungAng University, Seoul, Korea pada tahun 2021 dan
BS, gelar di bidang teknik komputer dari Wonkwang University, Korea, pada tahun
2019. Minat penelitiannya meliputi Data Mining, Data Analysis, High Komputasi Kinerja,
Penyematan Grafik.

Kwangyoung Kim adalah peneliti di Departemen Solusi Data di Pusat Penelitian

Konvergensi untuk Solusi Berbasis Data di Institut Sains dan Teknologi Informasi Korea
(KISTI). Minat penelitiannya meliputi Data Mining, Information Retrieval dan High
Performance Computing.

Mucheol Kim adalah staf pengajar di Departemen Ilmu dan Teknik Komputer di
Universitas Chung-Ang. Beliau menerima gelar BS, MS, PhD dari fakultas Ilmu dan
Teknik Komputer di ChungAng University, Seoul, Korea masing-masing pada tahun
2005, 2007 dan 2012. Beliau pernah menjadi asisten profesor di departemen rekayasa
komputer & perangkat lunak di Universitas Wonkwang (2017-2018). Pada tahun
2014-2016, beliau menjabat sebagai asisten profesor di Departemen Perangkat Lunak
Media di Universitas Sungkyul, Korea. Pada tahun 2011-2014, beliau pernah bekerja
sebagai peneliti senior di Korea Institute of Science and Technology Information (KISTI),
Daejeon, Korea. Minat penelitiannya meliputi Penambangan Data, Pengambilan
Informasi, Teknologi Web, Jaringan Sosial, dan Komputasi Kinerja Tinggi.