3530 1 23268 1 10 20180806 PDF
3530 1 23268 1 10 20180806 PDF
Abstrak
Instalasi Gawat Darurat (IGD) merupakan unit terdepan yang bertugas menerima pasien saat
terjadi keadaan darurat. Di dalam IGD, dokter harus tersedia selama 24 jam untuk menangani pasien
yang datang kapanpun saat keadaan darurat sedang terjadi. Untuk menjaga kinerja dokter saat bekerja
24 jam di dalam IGD, maka digunakan sistem jadwal jaga berupa sistem shift. Penjadwalan dilakukan
selama 1 bulan dengan 11 orang dokter yang tiap harinya akan dibagi menjadi 3 shift kerja. Guna
mengoptimasi dan membuat kombinasi terbaik dalam jadwal jaga dokter di IGD, maka dibuat sistem
penjadwalan shift jaga dokter di IGD yang menggunakan algoritme genetika. Proses reproduksi yang
dilakukan ada 2, yaitu proses crossover dengan menggunakan extended intermediate crossover dan
proses mutasi dengan menggunakan reciprocal exchange mutation, serta digunakan proses seleksi
yaitu proses elitism. Pengujian yang digunakan untuk penjadwalan shift jaga IGD ini ada 3 jenis
pengujian. Pengujian pertama yaitu pengujian jumlah popSize dengan fitness tertinggi pada nilai 40
dengan rata-rata nilai fitness 1,766, pengujian kedua yaitu pengujian nilai generasi dengan fitness
tertinggi pada nilai generasi ke-40 dengan rata-rata nilai fitness 1,608, dan pengujian ketiga yaitu
pengujian kombinasi cr mr dengan fitness tertinggi pada kombinasi 0,7 dan 0,3 dengan rata-rata nilai
fitness 2,064. Dari hasil tersebut, dilakukan lagi pengujian untuk membandingkan nilai fitness dari
sistem dengan nilai fitness dari data real yang diberikan oleh rumah sakit. Dan hasilnya menunjukkan
bahwa nilai fitness dari sistem=11,111 lebih besar dari nilai fitness pada data real yang diberikan
rumah sakit=7,692.
Kata kunci: optimasi, penjadwalan, shift jaga dokter, algoritme genetika
Abstract
Emergency room (ER) is one of the units in a hospital who the first of receiving patients in
case of an emergency. In ER, there are doctors who should be available for 24 hours to deal with
patient who come everytime when an emergency form happen. To keep the performance of doctors
who working 24 hours in ER, then we make a schedule that use with shift system. For 1 month
scheduling, 11 doctors will split into 3 shift work in a day. In order to optimize and make the best
combination in doctor’s schedule at ER, then made the doctor’s scheduling system in a ER using
genetic algorithm. Reproductive process using 2 ways, first the process of crossover by using extended
intermediate crossover and second the mutation process by using a reciprocal exchange mutation, and
then will use the last process of algorithm and the name is elitism selection process. Testing that is
used for doctor’s scheduling system in a ER is there are 3 types of testing. The first test is testing the
number of popSize, with the highest fitness at a value of 40 with an average of 1,766, the second test is
testing the value of generation with the highest fitness at generation value 40 with an average value of
fitness 1,608, and the last test is combination of cr mr with the highest fitness value on a combination
of 0,7 and 0,3 with average fitness 2,064. From those results, do more testing to compare the fitness
value of fitness values of the system with real data provided by the hospital. And the results show that
the value of fitness of the system = 11,111 is greater than the value of the data on real fitness given
hospital = 7,692.
Keywords: optimization, scheduling, doctor’s schedule, genetic algorithm
Gambar 3. Grafik Hasil Pengujian Nilai Generasi Penentuan nilai cr dan mr ini sendiri
sebenarnya didapatkan agar terjadi
Berdasarkan hasil pengujian nilai generasi dari keseimbangan kemampuan eksplorasi dan
sistem penjadwalan shift jaga dokter di IGD, eksploitasi (Lozano & Herrera, 1998). Jika nilai
didapatkan bahwa semakin tinggi nilai generasi dari cr terlalu rendah dan nilai dari mr terlalu
yang diujikan maka kecenderungan nilai fitness tinggi maka Algoritme Genetika tersebut tidak
untuk meningkat semakin tinggi juga. Ini dapat bisa mengeksplorasi ruang pencarian secara
dibuktikan dengan hasil yang diawali dengan efektif. Dan sebaliknya, apabila nilai cr terlalu
rata-rata fitness yang cukup rendah pada tinggi dan nilai dari mr terlalu rendah maka
percobaan nilai generasi 50. Kemudian rata-rata Algoritme Genetika akan memiliki kesempatan
fitness meningkat terus menerus hingga eksplorasi ruang pencarian yang semakin
generasi 200. Setelah itu pada nilai generasi 200 sempit (Mahmudy, 2013).
hingga 500, rata-rata nilai fitness telah 4.4 Analisis Global
mengalami kestabilan atau konvergensi nilai Analisis global adalah pengujian akhir
fitness. Semakin besar nilai generasi maka yang dilakukan untuk menguji nilai parameter
proses komputasi untuk menampilkan nilai terbaik dari pengujian masing-masing
fitness akan memakan waktu yang lebih lama parameter yang telah dilakukan sebelumnya.
dibandikan dengan nilai generasi yang lebih Pengujian ini juga bertujuan untuk mengetahui
kecil. seberapa optimal sistem dalam menentukan
4.3 Pengujian Kombinasi cr dan mr proses penjadwalan shift jaga dokter. Pengujian
Pengujian kombinasi nilai crossover rate dilakukan dengan membandingkan hasil fitness
(cr) dan mutation rate (mr) ini memiliki tujuan dari data real yang didapatkan dari rumah sakit
untuk mencari nilai crossover rate (cr) dan dengan data yang dihasilkan oleh sistem. Di
mutation rate (mr) yang terbaik. Pengujian nilai dalam pengujian ini, data yang diambil dari
crossover rate (cr) dan mutation rate (mr) ini sistem menggunakan nilai popSize sebesar 40,
dilakukan terhadap 11 nilai jumlah cr dan mr banyaknya generasi adalah 350, dan nilai cr
sejumlah 10 kali percobaan dengan memakai serta mr adalah 0.7 dan 0.3. Tabel mengenai
nilai hasil dari popsize terbaik dari pengujian analisis global dapat dilihat pada Tabel 2.
Tabel 2. Analisis Global
nilai popsize sebelumnya yaitu 40 serta nilai
generasi terbaik dari pengujian nilai generasi Data Real dari Data dari
sebelumnya yaitu 350. Grafik hasil percobaan Rumah Sakit Sistem
dapat dilihat pada Gambar 4. Jumlah Constraint 1
(Terdapat 2 ID dokter
Pengujian cr mr dalam 1 shift/hard 0 0
constraint)
2,200
Jumlah Constraint 2
rata-rata nilai fitness
(Terdapat ID dokter
2,000
yang bekerja dengan 6 3
shift berurutan/soft
1,800
constraint)
Jumlah Constraint 3
1,600
(Terdapat ID dokter
yang bekerja lebih
1,400 6 5
mr 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 dari 1 shift dalam
sehari /soft
cr constraint)
1 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0
Jumlah Nilai Fitness 7,692 11,111
Gambar 4. Grafik Hasil Pengujian Kombinasi Nilai
cr dan mr
Berdasarkan hasil perbandingan pada tabel
Berdasarkan hasil dari pengujian nilai diatas, dapat disimpulkan bahwa nilai fitness
Crossover Rate (cr) dan Mutation Rate (mr) pada sistem lebih tinggi 3,419 daripada nilai
dari sistem penjadwalan shift jaga dokter di pada data real yang diberikan oleh rumah sakit.
IGD, terlihat bahwa hasil rata-rata nilai fitness Dapat dilihat juga perbandingan jumlah
dari percobaan yang telah dilakukan terdapat constraint antara data real dengan sistem yang
bermacam-macam hasil. Ini terjadi karena nilai terdapat selisih 3 constraint pada constraint 2
dari cr dan mr sendiri tidak ada ketetapan pasti dan selisih 1 constraint pada constraint 3. Maka
seperti nilai popsize dan nilai generasi. dari itu, sistem optimasi penjadwalan jaga
dokter di IGD ini dapat digunakan sebagai
acuan untuk pembuatan jadwal jaga dokter IGD Indonesia, K. K., 2006. Standar Pendidikan
di rumah sakit. Profesi Dokter. Jakarta: Konsil
Kedokteran Indonesia.
5. KESIMPULAN Ilmi, R. R., 2014. Optimasi Penjadwalan
Berdasarkan hasil implementasi dan Perawat Menggunakan Algoritma
pengujian dari sistem optimasi penjadwalan Genetika. DORO: Repository Jurnal
Mahasiswa PTIIK Universitas Brawijaya,
shift jaga dokter di IGD menggunakan
Volume 5.
algoritme genetika, maka dapat diambil
beberapa kesimpulan yakni sebagai berikut. Jamil, M., 2015. Studi Fenomenologi:
Pengalaman Keluarga Pasien Dalam
1. Sistem optimasi penjadwalan shift jaga Berkomunikasi Dengan Perawat Di
dokter di IGD dapat diimplementasi Prioritas 2 (P2) Instalasi Gawat Darurat.
dengan menggunakan algoritme genetika . Jurnal Kesehatan Hesti Wira Sakti,
Di dalam algortime genetika ini digunakan Volume 3.
metode reproduksi crossover yaitu Lozano & Herrera, 1998. Tackling real-
extended intermediate crossover, metode coded genetic algorithms: operators and
reproduksi mutasi menggunakan tools for behavioural analysis. Artificial
reciprocal exchange mutation, dan metode Intelligence Review, Volume 12, pp. 265-
untuk proses seleksi menggunakan elitism 319.
selection. Untuk mendapatkan parameter
Mahmudy, W. F., 2013. Algoritma Evolusi.
yang optimal yaitu dengan melakukan 3 Malang: Program Teknologi Informasi
pengujian yaitu pengujian untuk ukuran dan Ilmu Komputer (PTIIK).
popsize, pengujian untuk banyaknya
generasi, serta pengujian untuk kombinasi Mahmudy, W. F. & Rahman, M. A., 2011.
crossover rate (cr) dan mutation rate (mr). Optimasi Fungsi Multi-Obyektif
Berkendala Menggunakan Algoritma
2. Dari hasil pengujian dan analisis global Genetika Adaptif Dengan Pengkodean
yang telah dilakukan didapatkan rata-rata Real. Jurnal Ilmiah KURSOR, pp. 19-26.
nilai fitness dari sistem=11,111 lebih besar Mutakhiroh, I., Saptono, F., Hasanah, N. &
dari nilai fitness pada data real yang Romi, 2007. Pemanfaatan Metode
diberikan rumah sakit=7,692. Hasil Heuristik Dalam Pencarian Jalur
tersebut menunjukkan bahwa parameter Terpendek Dengan Algoritma Semut Dan
algoritme genetika sangat berpengaruh Algoritma Genetika. Yogyakarta, s.n., pp.
terhadap solusi yang didapat yaitu dengan B-33 - B-39.
memilih individu terbaik yang memiliki Sufarnap, E. & Sudarto, 2011. Analisis
nilai fitness tertinggi untuk dijadikan Optimasi Penjadwalan Jaga Dokter
sebuah solusi dalam permasalahan Residen Penyakit Dalam Pada Rumah
penjadwalan shift jaga dokter di IGD. Sakit Pendidikan. Jurnal SIFO Mikroskil,
Maka dari itu, sistem optimasi Oktober, Volume 12, pp. 97-104.
penjadwalan jaga dokter di IGD ini dapat Ulya, A., 2017. Penggunaan Algoritma
digunakan sebagai acuan untuk pembuatan Genetik Dengan Pemodelan Dua Tingkat
jadwal jaga dokter IGD di rumah sakit. Dalam Permasalahan Penjadwalan
Perawat Pada Unit Gawat Darurat Rumah
6. DAFTAR PUSTAKA Sakit Umum XYZ Surabaya. SISFO-
Jurnal Sistem Informasi.
Atmasari, 2010. Penjadwalan Perawat Unit
Gawat Darurat Dengan Menggunakan Yaqin, M. A. & Lisbiantoro, T., 2012.
Goal Programming. Optimasi Penjadwalan Perkuliahan
Jurusan Teknik Informatika Universitas
Dhuha & Suseno, 2017. Penjadwalan Islam Negeri Maulana Malik Ibrahim
Tenaga Kerja Untuk Tiga Shift Kerja Malang Menggunakan Algoritma
Dengan Pengembangan Metode Genetika dengan Metode Seleksi Rank.
Algoritma Tibrewala, Philippe Dan MATICS, pp. 191-197.
Browne. Lhokseumawe-Aceh, s.n., pp.
298-300.
Gen, M. & Cheng, R., 1997. Genetic
Algorithm and Engineering Design.