TA_5026201012

Summary

This 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

00:00

🏥 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.

05:00

📊 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.

10:02

🔍 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.

15:05

🆚 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.

20:07

📈 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.

Keywords

💡Optimization

Optimization refers to the process of making something as effective, efficient, or functional as possible. In the context of the video, optimization is used to improve the scheduling of nurses in a surgical unit, aiming to ensure that the nurses' work schedules meet certain criteria without violating any constraints. The script mentions using simulated annealing to achieve this optimization.

💡Simulated Annealing

Simulated Annealing is a probabilistic technique used for approximating the global optimum of a given function. It is a metaheuristic to probabilistically approximate global optimization despite its inherent randomness. In the script, simulated annealing is applied to the nurse scheduling problem to find a solution that minimizes the number of nurses working outside the desired weekly work hour range.

💡Constraints

Constraints are limitations or restrictions that must be taken into account when trying to achieve a goal or solve a problem. In the video's narrative, constraints refer to the hard limits that the scheduling algorithm cannot violate, such as the maximum number of workdays or specific shift requirements for nurses.

💡Shift Scheduling

Shift Scheduling is the process of assigning work shifts to employees in a way that meets both the operational needs and the employees' preferences. The video discusses optimizing shift scheduling for nurses in a surgical unit to ensure adequate staffing levels are maintained while also adhering to labor laws and hospital regulations.

💡Objective Function

An objective function is a function that a mathematical model aims to optimize. It is a key component in optimization problems. In the script, the objective function is designed to minimize the total number of hours worked by nurses outside the range of 38 to 45 hours per week, ensuring compliance with labor laws and hospital policies.

💡Staffing Requirements

Staffing Requirements refer to the number of employees needed to cover different shifts in a given time period. The script mentions different staffing needs for various teams and shifts, emphasizing the importance of having the right number of staff to ensure the smooth operation of the hospital's surgical unit.

💡Hard Constraints

Hard constraints are conditions that must be satisfied in an optimization problem; they represent inviolable rules. In the context of the video, hard constraints include rules such as the maximum number of休假 days a nurse can take in a week or the minimum number of shifts a nurse must work within a certain period.

💡Soft Constraints

Soft constraints are conditions that are preferred to be satisfied but are not as critical as hard constraints. Although not explicitly mentioned in the script, the concept could be inferred when discussing the balance between the number of hours worked and the nurses' preferences, which might be considered as 'nice-to-have' conditions.

💡Nurse Scheduling

Nurse Scheduling is the process of creating work schedules for nursing staff while considering various factors such as staffing needs, nurse availability, and shift preferences. The video's main theme revolves around optimizing this process using simulated annealing to improve efficiency and compliance with work regulations.

💡Algorithm

An algorithm is a set of rules or steps used to solve a problem. In the script, the algorithm refers to the simulated annealing method used to find an optimal solution for nurse scheduling. The algorithm iteratively adjusts the scheduling to find a solution that best meets the objectives and constraints.

💡Parameters

Parameters are the variables or coefficients in a function or equation that can be adjusted to control the behavior of the model. In the context of simulated annealing as discussed in the video, parameters like 'alpha' (the cooling rate), 'initial temperature', and 'iterations' are tuned to influence the search process for the optimal nurse scheduling solution.

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