Hapsari, Shafira Widya (2020) Optimasi Penjadwalan Perawat Dengan Algoritma Self Adaptive Learning - Great Deluge Based Hyper-heuristic Menggunakan Dataset Benchmark Rumah Sakit Di Norwegia. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
05211640000041-Undergraduate_Thesis.pdf Download (1MB) | Preview |
Abstract
Penjadwalan perawat merupakan sebuah permasalahan yang umum dijumpai oleh instansi kesehatan misalnya rumah sakit. Salah satu karakteristik utama dari penjadwalan perawat terletak pada penerapannya yang berkelanjutan dalam periode waktu. Meski merupakan sebuah permasalahan yang umum, solusi yang ditawarkan cenderung belum mendekati optimal sehingga persoalan ini dikategorikan sebagai permasalahan NP-Hard. Dalam menemukan solusi yang optimal, perusahaan dibenturkan dengan banyaknya batasan ataupun aturan yang harus ditaati. Sejauh ini, masih terdapat sejumlah rumah sakit yang menggunakan penjadwalan secara manual, padahal dengan banyaknya jumlah perawat yang terlibat akan menyebabkan kompleksnya penjadwalan sehingga memungkinkan jadwal yang dihasilkan tidak lagi efisien dan efektif. Pertimbangan mengenai kemampuan yang dimiliki tiap-tiap perawat juga menambah kompleksitas dalam penentuan jadwal kerja. Hal tersebut kemudian dapat diatasi dengan membuat penjadwalan otomatis. Dengan cara otomatis, pembuatan jadwal kerja membutuhkan waktu yang relatif lebih singkat namun mampu memberikan solusi yang mendekati optimal. Penjadwalan otomatis yang akan diterapkan tentunya akan mempertimbangkan hal-hal penting baik yang termasuk dalam hard constraint bahkan memaksimalkan pemenuhan terhadap soft constraint. Pembuatan jadwal juga akan memperhatikan kemampuan, keadilan, hukum, regulasi dan kebijakan yang diterapkan pada rumah sakit. Berdasarkan permasalahan yang ada maka penyelesaian akan dilakukan oleh penulis dengan menerapkan metode Self Adaptive Learning Great Deluge (SAGD) yang berbasis pada Hyper-heuristic. Dengan menerapkan skenario nilai alpha (α) sebesar 0,9 pada penelitian didapatkan jadwal kerja perawat yang memiliki penurunan pelanggaran sebesar 80,10%% untuk OpTur5 dan 6,30% untuk OpTur7. Persentase ini lebih baik daripada kedua algoritma pembandingnya yaitu Hill Climbing dan Great Deluge Namun, untuk OpTur4 performa SAGD hanya mampu menurunkan nilai penalti sebesar 78,88% yang artinya tidak lebih baik dari pada algoritma Great Deluge yang mampu menurunkan penalti awal sebesar 80,50%.
=========================================================
Nurse Rostering is one of the common problem that encountered by health institution such as hospital. One of the main characteristic of nurse rostering lies in its continous application over a period of time. However, even it is a common problem, the solution that given tend to not being an optimum solution. This problem is categorized as a NP-Hard. While trying to find the optimum solution, an institution will meet rules that must be obeyed. So far, there still a few hospitals that use manual rostering despite the fact that numbers of nurse will increase the complexity that caused the schedule is no longer effective and efficient. Also, each nurse competence needed to be considered. All of that above, can be overcome by making an automatic rostering. Relatively it requires a shorter time and the same time provide a roster that is near optimum. The automatic rostering will consider to fulfill the hard constraint and maximize its fulfillment of soft constraint. In making a roster it necessary to pay attention to the competence, fairness, law, regulation and policies that are applied. Based on the mentioned problem, the solution will be carried out by applying Self Adaptive Learning – Great Deluge based Hyper-heuristic. The application of algorithm is expected to give a better nurse roster for hospital. Through this research, it shows that Self Adaptive Learning – Great Deluge, with alpha (α) equals to 0.9, give a better roster with 80,10% improvement for OpTur 5 and 6,30% for OpTur7. This shows that the algorithm is capabale of giving a better solution compared to Hill Climbing and Great Deluge. However, for OpTur 4, SAGD performance can only improve the solution up to 78,88% which means that Great Deluge algorithm is better with 80,50% improvement.
| Item Type: | Thesis (Undergraduate) |
|---|---|
| Uncontrolled Keywords: | Penjadwalan Perawat, Self Adaptive Learning - Great Deluge, Hyper-heursitic Nurse Rostering Problem, Self Adaptive Learning - Great Deluge, Hyper-heursitic |
| Subjects: | T Technology > T Technology (General) > T57.84 Heuristic algorithms. |
| Divisions: | Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Information System > 57201-(S1) Undergraduate Thesis |
| Depositing User: | Shafira Widya Hapsari |
| Date Deposited: | 25 Aug 2020 02:27 |
| Last Modified: | 15 May 2023 14:33 |
| URI: | http://repository.its.ac.id/id/eprint/78364 |
Actions (login required)
 |
View Item |