Indonesia adalah salah satu negara yang paling rentan terhadap bencana di dunia. DKI Jakarta sebagai ibukota Indonesia tidak luput dari kerentananan ini, terutama dalam hal bencana banjir. Oleh karena itu, DKI Jakarta perlu menerapkan suatu strategi untuk meminimalisasi dampak bencana. Salah satu yang dapat dilakukan dalam adalah minimalisasi total waktu evakuasi korban bencana. Permasalahan tersebut dapat dimodelkan sebagai Rescue Units Assignment and Scheduling Problem (RUASP). Penelitian ini menggunakan algoritma SCHED heuristics serta column generation dalam mengurangi waktu evakuasi melalui 3 parameter evaluasi: average, makespan, dan weighted sum of completion time. Algoritma tersebut diterapkan pada 25 skenario yang dikembangkan berdasarkan 4 variabel: (1) Jumlah tim evakuasi; (2) Jumlah titik bencana; (3) Jenis fungsi objektif; dan (4) Kondisi jalanan. Secara rata-rata, column generation dapat mengurangi waktu average sebesar 38%, waktu makespan sebesar 1%, dan weighted sum of completion time sebesar 57%. Setiap variabel memiliki pengaruh yang berbeda terhadap ketiga parameter waktu evakuasi. Jumlah titik bencana adalah variabel yang paling berpengaruh sedangkan kondisi jalanan adalah variabel yang memiliki pengaruh paling kecil.

---

Indonesia is one of the most vulnerable countries to disasters in the world. DKI Jakarta, the capital city of Indonesia, is also as vulnerable, especially in case of flood disaster. Therefore, DKI Jakarta needs to implement strategies to minimize disaster impacts when it happens. One of the ways to do so is to minimize the evacuation time needed to rescue flood casualties. This can be modeled as Rescue Units Assignment and Scheduling Problem (RUASP). This study utilizes SCHED heuristics and column generation algorithm to reduce evacuation time measured in three parameters: average, makespan, and weighted sum of completion time. These algorithms are implemented on 25 scenarios that are developed based on 4 variables: (1) Number of rescue units; (2) Number of incidents; (3) Type of objective function; and (4) Road condition. On average, column generation is able to reduce average completion time by 38%, makespan of completion time by 1%, and weighted sum of completion time by 57%. Each variable has yields different sensitivity on each of the three parameters. Number of incidents is the most sensitive variable while road condition is the least sensitive variable.