TA_5026201012
Summary
TLDRThis presentation discusses the optimization of nursing staff scheduling in the surgery unit using simulated annealing at RSUD Sosodoro Jatikusumo, Bojonegoro. The presenter collected data and regulations for manual scheduling and identified constraints and objectives. The simulated annealing algorithm was applied to minimize the total weekly working hours violations, with parameters like alpha, initial temperature, and iterations tested for optimal solutions. The results showed no violations, and the algorithm outperformed manual scheduling in meeting hard constraints and optimizing staff scheduling.
Takeaways
- 😀 The presenter, Hilanita Sugianto, introduces their final project on optimizing nurse scheduling in the surgery unit using simulated annealing at RSUD Sosodoro Jatikusumo, Bojonegoro.
- 📊 Data collection was conducted through interviews with the head of the North Surgery Team, resulting in information on staff data and regulations used for manual scheduling.
- 🏥 The scheduling problem involves binary decision variables to determine whether a nurse is assigned to a specific shift on a given day, with constraints including daily, weekly, and monthly limits on shifts and leave.
- 🔗 Hard constraints are defined for the surgery central unit, such as daily and weekly limits on the number of shifts and specific requirements for team leaders.
- 📉 The objective function aims to minimize the number of nurses exceeding the total weekly work hours, which should be within a range of 38 to 45 hours.
- 📈 Simulated annealing was applied to optimize the scheduling for the North Surgery Team, with results showing no nurse violating the work hour limits, achieving a goal function value of zero.
- 🔧 Parameters for the simulated annealing algorithm were tested, including alpha (cooling rate), initial temperature, and number of iterations, to find the best solution.
- 📊 The results of the optimization showed that higher alpha values allowed for a slower cooling rate, leading to a broader exploration of solutions and potentially better outcomes.
- 🆚 A comparison of the optimization results with manual scheduling revealed that the manual method violated several hard constraints, while the simulated annealing and constraint programming methods did not.
- 🏅 The conclusion highlights that the simulated annealing algorithm effectively minimized the number of nurses violating work hour limits, offering a fast computation time and a solution that can be implemented with relatively minimal resources.
Q & A
What is the title of Hilanita Sugianto's final project?
-The title of Hilanita Sugianto's final project is 'Optimization of Nurse Scheduling in the Operating Room Using Simulated Annealing at RSUD Sosodiro Jatikusumo, Bojonegoro'.
What type of data did Hilanita Sugianto collect for the project?
-Hilanita Sugianto collected data related to the staff of the North, Central, and South surgical teams, including data on the surgical staff, HCU staff, and the regulations used for manual scheduling at the Central Surgical Unit of RSUD.
What are the hard constraints for the scheduling problem described in the project?
-The hard constraints include daily limits where staff can only have one shift per day, specific rules for the head of the team needing morning shifts from Monday to Saturday except for Sundays or national holidays, and weekly limits requiring each nurse to have at least one morning, afternoon, and night shift per week.
What is the objective function of the scheduling problem in Hilanita's project?
-The objective function is to minimize the total number of nurses exceeding the weekly full-time work hours range of 38 to 45 hours.
What are the results of the simulated annealing optimization for the North Surgical Team in July 2024?
-The results show that there are no nurses violating the work hour range of 38 to 45 hours per week, resulting in an objective function value of zero.
What parameters were tested in the simulated annealing algorithm for the North Surgical Team?
-The parameters tested were alpha (cooling rate) with values of 0.99, 0.999, and 0.995, initial temperature set at 10,000, and a fixed number of iterations at 100,000.
How does the initial temperature affect the solution quality in the simulated annealing process?
-A higher initial temperature allows the algorithm to accept worse solutions initially, exploring a broader range of solutions before focusing on improving them.
What was the performance comparison between manual scheduling and simulated annealing in terms of constraint satisfaction?
-Manual scheduling violated several hard constraints, while simulated annealing and constraint programming met all the constraints, indicating better performance in terms of constraint satisfaction.
What were the runtime differences between simulated annealing and constraint programming for the different teams?
-For the North Surgical Team, simulated annealing took 2 minutes and 12 seconds, while constraint programming took only 2 seconds. For the HCU and South Surgical Teams, the runtime was significantly faster, ranging from 0 to 1 second for both methods.
What are the recommendations for future research based on the project findings?
-Future research should consider adding scenarios related to the number of weekly work hours as soft constraints, developing datasets from other units with different regulations, and potentially integrating more complex patient integration requirements. Additionally, exploring other optimization algorithms like genetic algorithms for comparison could be beneficial.
Outlines
🏥 Introduction to Nursing Scheduling Optimization
The speaker, Hilanita Sugianto, introduces their final project on optimizing nursing staff scheduling in the operating room using simulated annealing at RSUD Sosodiro Jatimulyo, Bojonegoro. They discuss the collection of data from the central operating room unit, interviews with the head of the North Surgery Team, and the regulations used for manual scheduling. The project aims to model the problem of assigning nurses to shifts based on various constraints such as daily and weekly limits, special requirements for team leaders, and staff availability. The goal is to minimize the number of nurses exceeding the total weekly work hours, which range from 38 to 45 hours.
📊 Optimization Results and Parameter Testing
The speaker presents the results of the simulated annealing optimization for the North Surgery Team for July 2024, ensuring no nurse works outside the 38 to 45-hour weekly limit. They also discuss the testing of parameters for the simulated annealing algorithm, including the cooling rate (alpha), initial temperature, and number of iterations. Different alpha values are tested to find the best solution, with higher alpha values allowing for a broader exploration of solutions. The impact of initial temperature on solution quality is also examined, with higher temperatures leading to better exploration of the solution space.
🔍 Evaluation of Parameters for HCU Team Scheduling
The speaker evaluates the parameters for the HCU team's scheduling, testing different alpha values and initial temperatures to determine the best combination for the simulated annealing algorithm. They find that an alpha of 0.95 with an initial temperature of 10,000 yields the best results, with no nurse exceeding the work hour limits. The speaker also compares the performance of simulated annealing and constraint programming, noting that both methods meet all hard constraints without violations.
🆚 Comparison of Scheduling Methods and Constraint Validation
The speaker compares manual scheduling with simulated annealing and constraint programming, highlighting that both optimization methods meet all hard constraints, unlike manual scheduling which frequently violates them. They also compare the staffing requirements and find that manual scheduling often fails to meet the required staff numbers for shifts, while the optimization methods consistently do. The comparison of solution quality between manual scheduling and the two optimization methods shows that the latter two have no violations and result in a better distribution of work hours.
📈 Performance Comparison and Future Research Directions
The speaker compares the performance of simulated annealing and constraint programming in terms of execution time and total work hours, noting that while simulated annealing takes slightly longer, it offers a more effective solution for minimizing work hour violations. They also discuss preferences among nurses, with some teams preferring one method over the other based on work hour distribution. The speaker concludes by suggesting future research directions, such as incorporating weekly work hour constraints as soft constraints, expanding the dataset to include different units with varying regulations, and exploring other optimization algorithms like genetic algorithms.
Mindmap
Keywords
💡Optimization
💡Simulated Annealing
💡Constraints
💡Shift Scheduling
💡Objective Function
💡Staffing Requirements
💡Hard Constraints
💡Soft Constraints
💡Nurse Scheduling
💡Algorithm
💡Parameters
Highlights
Introduction of the thesis on optimizing nurse scheduling in the operating room using simulated annealing.
Data collection from the Central Operating Room Unit at RSUD Sosodoro Jatikusumo, Bojonegoro.
Interviews conducted with the head of the North Surgery Team for insights into manual scheduling.
Regulations used for manual scheduling include general hospital regulations, Central Operating Room Unit regulations, and Labor Laws.
Problem modeling involves decision variables to determine nurse assignments to specific shifts on certain days.
Binary nature of the decision variables where '1' indicates assignment and '0' indicates no assignment.
Hard constraints include daily and weekly limits on shifts, special requirements for team leads, and restrictions on consecutive days off.
Staffing requirements vary by team and shift, with different numbers of staff and trainees needed.
Objective function aims to minimize the number of nurses exceeding the total weekly work hours range of 38 to 45 hours.
Optimization results for the North Surgery Team in July 2024 show no violations of work hour limits.
Simulated annealing parameters tested include alpha (cooling rate), initial temperature, and number of iterations.
Higher alpha values allow for a slower cooling rate, potentially leading to better solutions by avoiding local minima.
Different initial temperatures impact the solution quality, with higher temperatures allowing for broader exploration.
Optimization results for the HC team show no violations of the 38 to 45-hour workweek range.
Comparison of hard constraints validation shows that manual scheduling often violates regulations, while simulated annealing and constraint programming do not.
Performance comparison indicates that simulated annealing and constraint programming outperform manual scheduling in terms of solution quality and adherence to constraints.
Simulated annealing demonstrated effective performance in minimizing work hour violations with relatively fast computation times.
Future research suggestions include adding scenarios for weekly work hour planning, developing datasets for different units, and trying other optimization algorithms.
Transcripts
asalamualaikum warahmatullahi
wabarakatuh perkenalkan nama saya
hilanita Sugianto NRP
5026212 di sini saya akan
mempresentasikan tugas akhir saya yang
berjudul optimasi penjadwalan perawat
unit bedah menggunakan simulated anink
pada RSUD sosodoro jatikusumo
Bojonegoro pada tahap perancangan tugas
akhir yang telah saya lakukan Saya
melakukan pengumpulan data dengan pihak
terkait yaitu unit bedah sentral di RSUD
tersebut di mana saya melakukan
wawancara dengan salah satu kepala tim
yaitu kepala tim bedah Utara dari hasil
wawancara yang telah dilakukan saya
mendapatkan informasi dan regulasi yang
digunakan untuk eh melakukan penjadwalan
manual sebelumnya di mana data yang saya
dapatkan adalah data staf tim bedah
Utara data staf tim hcu dan data staf
tim bedah Selatan sementara regulasi
penjadwalannya berdasarkan regulasi umum
Rumah Sakit regulasi unit bedah sentral
dan regulasi UU
Ketenagakerjaan dari sejumlah data dan
regul serta informasi yang telah
didapatkan tersebut maka dapat digunakan
untuk melakukan pemodelan masalah yang
pertama yaitu terkait dengan variabel
keputusan pada permasalah ini variabel
keputusannya adalah menentukan apakah
Seorang perawat akan ditugaskan pada
shift tertentu di hari terentu variabel
ini bersifat biner yang bernilai s Jika
perawat tersebut ditugaskan pada salah
satu di suatu hari dan atau akan
bernilaiika tidak ditugaskan pada salah
satu yang berartibur di suatu hari Nah
kemudian di sini terdapat ee
batasan-batasan masalah di sini terdapat
batasan yang tidak boleh dilanggar atau
sering disbut dengan hard constraint di
sini ada hard constraint untuk unit
bedah sentral di mana terdapat beberapa
tingkatan rentang waktu pada batasan ini
di mana yang pertama ada tingkatan
harian di mana terdapat batasan setiap
hari staf hanya boleh mengisi maksimal
satu sif terdapat batasan staf yang
telah mendapatkan si malam tidak boleh
mendapatkan shift pagi pada hari
berikutnya dan batasan khusus kepala tim
yang harus memiliki shift pagi pada
setiap hari pada hari Senin hingga Sabtu
kecuali hari minggu atau libur nasional
selanjutnya untuk tingkat
eh rentang mingguan di mana di sini
terdapat batasan bahwa setiap perawat
harus memiliki minimal masing-masing
satu shift pagi atau pagi libur satu
shift sore dan satu shft malam dalam
setiap minggu Selain itu terdapat
batasan jumlah maksimal hari libur
perawat adalah du hari dalam satu minggu
di mana maksimal 2 hari libur
berturut-turut tidak boleh lebih dari 2
hari tersebut Nah selanjutnya di sini
terdapat batasan jumlah minimal hari
libur perawat adalah 1 hari dalam 1
minggu Selain itu terdapat pada terdapat
batasan pada tingkat bulanan yaitu
batasan yang menunjukkan bahwa setiap
perawat minimal harus bekerja 21 hari
dalam 1
bulan Nah selanjutnya di sini terdapat
batasan yang tidak boleh dilanggar
yang lain eh terdapat hard constrain
tentang kebutuhan staf di setiap shift
pada masing-masing tim eh kebutuhan staf
pada masing-masing tim ini berbeda
antara satu tim dengan tim lainnya
karena jumlah staf anggota dan staf
magang yang ada pada setiap tim juga
berbeda Nah di sini pada shift pagi
untuk tim bedak Utara staf yang
dibutuhkan minimal adalah empat di mana
Dari keempat staf tersebut minimal ada
tig STF ST anggota untuk tim hco minimal
staf anggotanya adalah du dan untuk tim
bedah Selatan minimal stafnya adalah 5
dengan minimal staf anggota untuk shift
pagi hari libur atau Minggu minimal
stafnya adalah tig dengan minimal sat
staf anggota dan untuk tim HC minimal
staf anggotanya adalah sat dan untuk tim
bedas Selatan minimal staf minimal
stafnya adalah
dengan minimal du staf anggota untuk shf
sore dan shf Malang shf malam tim bedak
Utara dan tim bendah Selatan memiliki
komposisi yang sama di mana
ee staf yang dibutuhkan adalah harus
tepat tiga tidak boleh lebih dan tidak
boleh kurang dan untuk staf anggotanya
minimal stafnya adalah dua sementara
untuk tim hco untuk shf sore dan malam
ini minimal staf anggotanya sama yaitu
satu Nah selanjutnya yaitu fungsi tujuan
permasalahannya yaitu meminimalkan
jumlah perawat yang melanggar total toal
jam kerja pada setiap minggu utuh dalam
bulan yang ditentukan di mana total jam
kerja perawat adalah pada rentang 38
hingga 45 jam per minggu nah di sini
berbeda-beda untuk setiap shift di mana
rentang shift pagi pagi libur dan sore
memiliki rentang waktu 7 jam sementara
untuk rentang malam memiliki jumlah Wak
10 jam untuk perhitungannya e
pengodannya dihitung dikali dikali
rentang waktunya sehingga didapatkan dan
dijumlahkan dalam 1 minggu untuk batas
bawah 38 dan batas atas 45 jam sehingga
apabila perawat memiliki total jam kerja
kurang dari 38 jam atau lebih dari 45
jam maka akan
eh melanggar total jam kerja pada minggu
itu Nah berikut adalah hasil optimasi
penjadwalan dengan menggunakan simulated
aneling pada R
pada tim bedah Utara untuk bulan Juli
2024 di mana di sini terdapat 4 Minggu
utuh di mana untuk yang nomor satu ini
adalah kepala tim yang dijadwalkan
selalu shift pagi di hari di hari Senin
hingga Sabtu dan libur di hari minggu
atau libur nasional Nah untuk eh
pengodolan staf nomor 2 hingga Nomor 12
ini adalah untuk staf anggota dan untuk
staf nomor 13 dan 14 ini untuk staf
magang berikut adalah hasil
penjadwalannya nah
ee hasil optimasi penjadwalan untuk tim
bedah Utara tersebut tidak ada satu
orang perawat pun yang melanggar jumlah
jam kerja pada rentang 38 hingga 45 jam
sehingga nilai fungsi tujuan yang
dihasilkan adalah no0
Nah selanjutnya ini adalah terkait e uji
jaoba untuk parameter yang digunakan
pada simulated analing pada timudah
Utara di mana untuk simulateding ada
tiga parameter yaitu alpa atau cooling R
suh awal dan iterasi Nah di sini Yang
Pertama eh untuk
mengetahui Berapa nilai alpa yang akan
mendapat menghasilkan nilai solusi yang
paling baik Nah untuk di sini dilakukan
percobaan dengan tiga nilai Alfa yaitu
Alfa 0,99
0,999 dan alpa
0,995 dengan suhu awal diatur 10.000 dan
juga
iterasi iterasi 100100.000 dihasilkan
hasil seperti ber Line plot berikut di
mana untuk Alpha
0,99 nilai fungsi tujuan minimalnya
adalah 2 pada iterasi 118 untuk alpa
0,999 nilai fungsi
tujuannya adalah minimal 1 pada iterasi
2001 dan pada alpa
0,9995 Menghasilkan solusi fusi tujuan
yang lebih baik yaitu nilai minimal 0
pada iterasi
ke-36.283 nah alpa yang lebih tinggi ini
menyebabkan laju pendinginan yang lebih
lambat eh sehingga memungkinkan
algoritma untuk mengeksplorasi solusi
yang lebih luas untuk menghindari
jebakan minimum lokal nah dan mencapai
nilai solusi yang mungkin lebih
baik namun di sini memerlukan lebih
banyak iterasinya Nah selanjutnya di
sini untuk uji coba mengetahui pengaruh
perubahan solusi nilai fungsi tujuan
dengan perbedaan suhu awal di sini suhu
awalnya diatur tiga yaitu 1.000 10.000
dan 10000.000 untuk mengetahui mana yang
menghasilkan solusi yang baik untuk
alpanya diatur
0,9995 sesuai yang terbaik di sini dan
untuk iterasinya sejumlah Rp100.000
untuk suhu 1000 di sini menghasilkan
nilai fungsi tujuan minimalnya adalah
sat pada iterasi 2001 untuk suhu 10.000
dan suhu 1001.000 di sini bisa
menghasilkan nilai fungsi tujuan yang
lebih baik
yaitu minimal 0 di iterasi
[Musik]
36.283 nah suhu awal yang lebih tinggi
ini ee memungkinkan algoritma untuk
menerima solusi yang kurang baik pada
awalnya dan mengeksplorasi solusi yang
lebih luas sebelum fokus pada
peningkatan solusinya
Nah selanjutnya di sini ada hasil
optimasi penjadwalan dengan simulateding
pada tim hcu di mana di sini untuk yang
kode nomor s
adalah
adalah kepala tim 2 sampai 5 adalah staf
anggota dan nomor 6 adalah staf
magangnya nah di tim HC di sini e nilai
fungsi tujuan yang dihasilkan
adalah di mana tidak ada perawat yang
melebihi kurang atau melebihi rentang 38
hingga 45 jam dalam 1 minggu
utuh Nah di sini selanjutnya untuk
eh evaluasi parameter pada tim
hcu Nah untuk tim hcu di sini
eh alpa yang
digunakan alpa yang diuji coba di sini
ada tiga alpa 0,85 alpa 0,9 dan alpa 0
95 dengan suhu awalnya ditetapkan 10.000
dan juga iterasinya ditetapkan sebanyak
100.000 Nah di sini pada alpa
0,95 pada alpa
0,85 nilai yang dihasil Alpha 0,85 dan
Alpha
0,9 di sini e menghasilkan nilai fungsi
tujuannya adalah 1 sementara untuk Al
,95 fungsi tujuan yang dihasilkan lebih
baik yaitu 0 pada iterasi 298
sementara untuk di sini kita kita
lakukan uji
coba perbedaan suhu awal dengan suhu 100
1.000 dan 10.000 dengan menggunakan alpa
yang diatur yang terbaik di sini yaitu
alpa
0,95 dan sebanyak 100.000erasi di mana
ee pada suhu
1000 di
sini sudah bisa mencapai nilai fungsi
tujuan yang baik yaitu 0 sehingga
kombinasi parameter untuk tim hcu yaitu
apa
0,95 dengan suhu awal
1000 untuk menghasilkan solusi fungsi
tujuan yang mendekati
optimal nah Nah selanjutnya di sini ada
hasil optimasi penjadwalan dengan
simulated anelink pada tim bedah
Selatan Nah di sini ee untuk yang
pertama sama yaitu kepala tim kemudian
staf nomor du hingga 13 di sini adalah
staf anggota dan untuk staf Nomor 14
hingga 16 di sini
adalah staf magang ee
hasil solusi fungsi tujuan yang
dihasilkan dari tim bedah Selatan di
sini juga nol tidak ada perawat yang
melanggar ee batas rentang 38 hingga 45
jam dilihat dari tabel
berikut Nah selanjutnya di sini
dilakukan uji
coba uji coba beberapa parameter untuk
mengetahui kombinasi parameter terbaik
untuk untuk yang menghasilkan solusi
fungsi tujuan yang paling mendekati
optimal Nah untuk yang pertama di sini
eh Alpha yang digunakan diuji coba
dengan 3 alpa yaitu 0,75 0,85 dan
0,95 suhu awal diatur 10.000 dan juga
iterasi diatur sebanyak 100.000 iterasi
di mana Eh pada Alpha
0,75 nilai fungsi tujuan minimal yang
nilai fungsi tujuan minimal yang
didapatkan ada yaitu sejumlah 1 pada
iterasi 13 sementara pada Alpha
0 0,85 dan 0,95 bisa menghasilkan alpha
nilai fungsi tujuan yang lebih baik
yaitu 0 pada iterasi 97
ee selanjutnya di sini ee untuk
mengetahui perubahan solusi fungsi
tujuan dengan perbedaan Suha awal di
sini
ditetapkan alpha
0,85
dengan suhu yang berbeda ya yaitu suhu
100 1.000 dan 10.000 di mana untuk suhu
100 di sini hanya masih menghasilkan
ee fungsi tujuan yang bernilai satu dan
sementara untuk suhu 1.000 dan 10.000
sudah bisa menghasilkan nilai yang lebih
baik yaitu nilai kesitujuan 0 sehingga
kombinasi parameter terbaik untuk tim
bedah Selatan yaitu dengan Alpha 0,85
dan dan suhu awal 1000 bisa menghasilkan
nilai fungsi tujuan 0 di mana
solusi tersebut
sudah mendekati
optimal Nah selanjutnya di sini e
dilakukan Perbandingan hasil validasi
constraint hasil validasi hard
constraint untuk unit bedah Sentral
dengan
eh dengan penjadwalan manual dan
penjadwalan menggunakan constrain
programming Nah di sini untuk
konstrain Yang Pertama
eh semua semua metode penjadwalan
tersebut bisa memenuhi bisa
memenuhi bisa
memenuhi bisa
memenuhi bisa memenuhi batasan tersebut
tidak ada yang tidak ada yang melanggar
batasan yang pertama batasan kedua dan
ketig juga sama
untuk yang ke DII
manual pada penjadwal manual untuk tim
Utara batasan tersebut dilanggar
sebanyak 14 kali untuk tim hu dilanggar
sebanyak kali dan untuk tim Selatan
dilanggar sebanyak 12 kali sehingga
terdapat cukup banyak constrain yang
dilanggar di penjadwalan manual untuk
batasan yang ke ini yaitu setiap perawat
harusiki Min sat pagi sore dan malam
dalam setiap
minggu nah untuk sementara untuk
simulat simulated aneling dan co
programming di sini semuanya menunjukkan
bahwa
memenuhi memenuhi
batasan yang telah diinginkan memenuhi
head
constrainnya di sini juga terdapat ee
batasan yang dilanggar yaitu jumlah
maksimal hari libur perawat adalah 2
hari dalam S minggu pada penjadwalan
manual di
utara terjadi sebanyak tiga kali dan di
selatan sebanyak dua kali
Eh sehingga untuk manual di sini
terdapat beberapa batasan yang dilanggar
yang menyebabkan solusi tersebut
seharusnya eh tidak visibel atau tidak
layak sementara untuk simulated aneling
dan constraing programming di sini
menunjukkan bahwa memenuhi semua batasan
yang semua batasan yang tidak boleh
dilanggar atau hard constrainnya semua
dipenuhi Nah selanjutnya di sini untuk
eh Perbandingan hasil validasi constrain
terkait dengan kebutuhan staf untuk
simulated Eling dan constrain
programming di sini sudah memenuhi semua
batasan tersebut sementara untuk manual
terdapat
beberapa terdapat
beberapa batasan yang dilanggar
untuk kebutuhan total staf anggota pada
sift pagi di
[Musik]
utara juga pernah dilanggar dua sebanyak
dua kali dan yang paling banyak di sini
untuk penjadwalan manual pernah
kebutuhan total staf dan staf anggota
pada shift malam tidak
terpenuhi sebanyak empat kali di tim
Utara
Nah selanjutnya eh perbandingan
dilakukan Perbandingan hasil solusi
fungsi tujuan antara penjadwalan manual
penjadwalan dengan optimasi yaitu
sulated aneling dan constra programming
di mana di sini eh dari hasil fungsi
tujuan yang dihasilkan untuk simulated
anal dan constraint programming nilainya
adalah 0 tidak ada sehingga yang artinya
tidak ada perawat yang melanggar jumlah
jam kerja mingguan pada batas rentang 38
hingga 45 jam sementara pada penjadwalan
manual yang telah dilakukan sebelumnya
pada tim bedah Utara
ee terdapat perawat yang melanggar jam
total jam kerja tersebut pada tim hcu
terdapat empat perawat yang
tidak tidak berada pada rentang jam
kerja tersebut dan tim bedah selatan
terdapat enam perawat yang melanggar jam
kerja
tersebut Nah selanjutnya n ee di sini
dilakukan perbandingan kinerja dan hasil
kinerja dari hasil optimasi antara
simulated and Ling dan constrain
programming di mana di sini untuk tim
beda Utara runtime yang dibutuhkan untuk
menyelesaikan agar mendapatkan hasil
solusi fungsi tujuan yang minimal
dibutuhkan waktu 2 menit 12 detik
sementara untuk konstrain programming
lebih singkat yaitu 2 detik sementara
untuk minimal
total jam dan Maks total jamnya adalah
155 sampai 175 sementara untuk c
reogaming 155 jam hingga 170 jam tidak
dan average-nya 41,25 jam dan 40,75 jam
tidak ada perbedaan yang terlalu
signifikan antara tim bedah Utara
menggunakan sa dan CP namun eh yang
lebih signifikan dilihat yang terlihat
signifikan adalah di waktu
eksekusinya kemudian untuk tim hco di di
sini runtime-nya untuk sa dan constrain
programming di sini sangat cepat yaitu 0
detik hingga 1 detik sementara di sini
untuk minimal total jamnya
166 jam dan maksimalnya 172 jam
sementara untuk constrain programming
minimal total jamnya 158 jam hingga 176
jam dan
average-nya
42,58 jam
untuk tim bedah Selatan E hampir sama
antara rant minimal total jam dan
maksimal total J serta
averennya untuk prandingan preferensi di
sini untuk tim hcu jika disuruh memilih
antara
simul Pring
keduanya karena keduanya menunjukkan
kinerja yang sama-sama baik namun jika
dilihat dari preferensi perawatnya akan
memilih yang mana untuk tim hco di sini
imbang di
mana Mohon maaf untuk tim hcu di sini
ee lebih banyak perawat yang memilih
untuk menggunakan jadwal menggunakan sa
karena jadwal
eh jumlah jam kerja yang dihasilkan
lebih sedikit daripada konst
programming sementara selanjutnya di
sini untuk tim bedah Selatan untuk
perbandingan preferensinya sebanyak 7
perawat memilih sa dan 6 perawat memilih
CP sementara untuk yang tim bedah
Selatan hasilnya juga imbang sehingga
untuk referensi ini C hanya hcu yang
agak berbeda nah
kesimpulannya proses optimasi
penjadwalan dengan algoritma Wat Eling
dilakukan untuk menjadwalkan solusi
jadwal pada bulan Juli 2024 dengan
fungsi tujuan meminimalkan jumlah
perawat yang melanggar jam kerja pada
tiap Minggu penuh pada hasil optimasi
simulated aneling nilai fungsi tujuan
yang dihasilkan adalah nol yang artinya
tidak ditemukan pelanggaran jam kerja
perawat untuk tim bedah Utara hco dan
bedah
Selatan rata-rata jam kerja perawat per
minggu pada optimasi simulated anling
adalah 41,25 jam untuk pedak utar ra
42,16 jam untuk tim hcu dan 39 jam untuk
tim bedah Selatan Kombinasi pareter yang
ditemukan untuk mendapatkan hasil solusi
terbaik adalah alpa
0,995 dengan suhu awal 10.000 untuk tim
bedak Utara alpa 0,95 dengan suhu awal
1000 untuk tim hco dan alp 0,85 dengan
suhu awal 1000 untuk tim bedah
selatan pada perbandingan solusi dengan
penjadwalan manual dan optimasi kstrain
programming ditemukan bahwa solusi sa
lebih baik daripada penjadwalan manual
dan sebanding dengan constrain
programming dilihat dari nilai fungsi
tujuan yang dihasilkan kecepatan
eksekusinya serta dilihat dari tidak ada
hard constrain yang dilanggar
selanjutnya pada perbandingan dengan CP
rata-rata jumlah jam kerja perawat
menunjukkan bahwa untuk tim bedakutara
memiliki nilai rata-rata yang lebih
tinggi sedangkan untuk Pah Selatan dan
hcu sa menunjukkan nilai yang lebih
rendah Kemudian pada per dengan kinerja
waktu komputasi dengan CP ditemukan
bahwa waktu komputasi untuk bedak Utara
lebih lama dibandingkan dengan CP
Sedangkan untuk tim hcu dan b Selatan
tidak ada perbedaan yang
signifikan simulateding ini menunjukkan
kinerja yang efektif dalam meminimalkan
fungsi tujuan pelanggaran jumlah jam
kerja perawat serta menawarkan solusi
dengan waktu komputasi yang cepat dan
dapat diimplementasikan dengan sumber
daya yang relatif minim nah eh pada
penelitian selanjut nya perlu
ditambahkan skenario fineners terkait
pemeretaan jumlah jam kerja per minggu
sebagai soft constraint Kemudian pada
penelitian selanjutnya dapat dilakukan
pengembangan dataset dari unit instalasi
lain yang memiliki regulasi dan argensi
yang berbeda seperti IGD atau instalasi
lain yang memerlukan integrasi yang
lebih kompleks dengan pasien untuk
mengevaluasi sejauh mana kinerja sa
dapat diimplementasikan nah pada
penelitian selanjutnya dapat dilakukan
percobaan menggunakan algoritma optimasi
lainnya seperti genetik algoritm untuk
melakukan perbandingan pada penelitian
selanjutnya mungkin bisa ditambahkan
pengaturan untuk cuti Sehingga kebutuhan
staf tetap terpenuhi saat ada yang
sedang cuti Kemudian pada penelitian
selanjutnya mungkin bisa ditambahkan
pengaturan untuk staf magang yang
mendapatkan porsi jam kerja yang lebih
sedikit namun tetap dalam rentang yang
diperbolehkan berikut daftar pustakanya
sekian asalamualaikum warahmatullahi
wabarakatuh
5.0 / 5 (0 votes)