Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.
com
Perbandingan model lokasi ambulans statis
Pieter L. van den Berg
Universitas Teknologi Delft
Mekelweg 4,
2628 CD Delft
Belanda
PLvandenBerg@tudelft.nl
Abstrak-Selama bertahun-tahun, beberapa model lokasi
ambulans telah dibahas dalam literatur. Sebagian besar model
ini telah dikembangkan lebih lanjut untuk memperhitungkan
situasi yang lebih rumit. Namun, model standar yang ada tidak
pernah dibandingkan secara komputasi sesuai dengan kriteria
yang digunakan dalam praktik. Dalam makalah ini, kami
membandingkan beberapa model lokasi ambulans pada
kriteria cakupan dan waktu respons. Selain empat model lokasi
ambulans standar dari literatur, kami juga menyajikan dua
model yang berfokus pada waktu respons rata-rata dan yang
diharapkan. Hasil komputasi menunjukkan bahwa Maximum
Expected Covering Location Problem (MEXCLP) dan Expected
Response Time Model (ERTM) berkinerja terbaik di atas semua
kriteria yang dipertimbangkan. Namun, karena waktu
komputasi untuk ERTM panjang,
sayaPENDAHULUAN
Untuk layanan medis darurat, penting untuk menempatkan
ambulans sedemikian rupa sehingga insiden dapat dilayani
secepat mungkin. Sudah ada sejumlah model yang
menempatkan pangkalan dan ambulans sedemikian rupa
sehingga fraksi permintaan yang dilayani dalam waktu respons
target yang ditentukan sebelumnya dimaksimalkan. Beberapa
contoh model tersebut adalah Maximal Covering Location
Problem (MCLP) [1], Double Standard Model (DSM) [2],
Maximum Expected Covering Location Problem (MEXCLP) [3],
dan Maximum Availability Location Problem (MALP). ) [4].
Model-model ini juga digunakan sebagai dasar untuk
penelitian saat ini, namun tidak pernah dibandingkan secara
komputasi berdasarkan persyaratan kompleks dari praktik.
Dalam tulisan ini, beberapa model lokasi ambulans yang ada
dibandingkan. Selain itu, kami mempertimbangkan dua model
lokasi ambulans alternatif yang, alih-alih memaksimalkan cakupan,
meminimalkan waktu respons rata-rata. Sebagian besar model
yang ada menggunakan waktu respons target yang menunjukkan
apakah lokasi permintaan tercakup atau tidak. Yaitu, ketika lokasi
permintaan dapat dicapai dalam waktu respons target oleh salah
satu ambulans yang ada, maka lokasi ini akan tercakup. Namun,
model-model ini tidak memperhitungkan bahwa semakin cepat
suatu insiden disajikan semakin baik. Untuk model ini, tidak
masalah apakah insiden disajikan dalam tiga atau delapan menit
ketika waktu respons target diatur ke sepuluh menit. Selain itu,
untuk lokasi permintaan di mana tidak ada ambulans yang dapat
melayani insiden dalam waktu respons target, waktu respon yang
dihasilkan tidak mempengaruhi fungsi tujuan. Ini
J. Theresia van Essen Eline J. Harderwijk
CWI Universitas Teknologi Delft
Kotak PO 94079, Mekelweg 4,
1090 GB Amsterdam 2628 CD Delft
Belanda Belanda
JTvanEssen@tudelft.nl
berarti waktu respons bisa sangat lama jika tidak
memenuhi target waktu respons.
Selama bertahun-tahun, banyak model telah diusulkan. Kami tidak
dapat memasukkan semua model dalam perbandingan ini, dan oleh
karena itu, kami memilih enam model. Untuk tinjauan komprehensif
model lokasi ambulans yang telah diusulkan, kami merujuk pada
makalah ulasan oleh Brotcorne et al. [5] dan Li dkk. [6]. Di samping dua
model waktu respons rata-rata, kami menyertakan MCLP, DSM, MALP,
dan MEXCLP dalam perbandingan ini. MCLP adalah salah satu model
pertama dan paling dasar, sementara DSM mencakup cakupan
cadangan dengan cara yang mudah. Model lain yang mencakup
cakupan back-up adalah BACOP1 dan BACOP2, yang diperkenalkan
oleh Hogan dan ReVelle [7]. MALP dan MEXCLP disertakan, karena
mereka menggabungkan bagian sibuk ambulans dengan cara yang
berbeda.
Perbandingan model yang berbeda adalah penting
karena berbagai alasan. Pertama-tama, model yang
dipertimbangkan telah digunakan untuk berbagai studi
kasus yang berbeda untuk menemukan pangkalan
ambulans. Oleh karena itu, penting untuk menilai
kinerja model pada kriteria yang berbeda yang timbul
dari praktik. Kebanyakan peneliti mengevaluasi model
mereka hanya pada beberapa kriteria yang dipilih.
Biasanya, kriteria dipilih untuk model yang berkinerja
baik. Oleh karena itu, evaluasi model yang lebih
komprehensif diperlukan. Contoh studi kasus dapat
ditemukan di [2], [8], [9], [10], [11], [12], [13], [14], [15],
[16], dan [ 17]. Kedua, model telah digunakan sebagai
dasar untuk penelitian lebih lanjut. Karena banyak
karakteristik model dasar dipertahankan dalam ekstensi,
penting untuk memahami perilaku versi dasar model.
[31], [32], dan [33].
Kami membandingkan model yang dipilih pada beberapa kriteria yang
timbul dari praktek. Salah satu persyaratan terpenting dalam praktiknya
adalah cakupan yang dicapai. Karena membuat perbedaan besar dengan
berapa banyak ambulans yang dicakup oleh lokasi permintaan, kami
membandingkan cakupan dengan satu, dua, dan tiga ambulans. Selain itu,
kami membandingkan cakupan yang diharapkan, yang merupakan tujuan
dari MEXCLP. Seperti yang ditunjukkan sebelumnya, waktu respons yang
dicapai setidaknya sama pentingnya dengan waktu respons target. Oleh
karena itu, kami juga menentukan cakupan yang dicapai untuk waktu
respons target selain yang digunakan untuk mendapatkan solusi. Akhirnya,
kami mempertimbangkan rata-rata dan maksimum
waktu merespon. Untuk mengevaluasi bagaimana hasil yang dicapai lokasi permintaansaya∈.sayaditanggung oleh setidaknya satu
bertahan dalam pengaturan yang lebih realistis, kami juga melakukan studi ambulans yangdikirim
reprΣ oleh variabel binerkamusaya1.
simulasi. Di sini, kami membandingkan model pada cakupan yang dicapai maksimal Dsayakamusaya1 (1)
dalam beberapa ambang waktu, dan pada waktu respons maksimum dan ∈.saya
sayaΣ
rata-rata yang direalisasikan.
st xJ≥.kamusaya1, ∀.saya∈.saya (2)
Makalah ini disusun sebagai berikut. Pada Bagian II, kami
∈.J saya
memperkenalkan dan mendiskusikan enam model yang JΣ
dipertimbangkan dan penyesuaian yang dilakukan untuk dapat xJ=P, (3)
J∈.J
membandingkan model secara adil. Kriteria model yang
dibandingkan dibahas dalam Bagian III. Di Bagian IV, kami xJ{0, 1}, ∀.J∈.J (4)
menyajikan hasil eksperimen kami dan menarik kesimpulan kamusaya1{0, 1}, ∀.saya∈.saya (5)
tentang kinerja model. Bagian V menyajikan kesimpulan dan
MCLP dapat digunakan untuk menentukan lokasi basis yang optimal.
memberikan rekomendasi untuk penelitian lebih lanjut.
Selain itu, dengan memecahkan model untuk nilai yang berbeda dariP,
kita dapat menentukan berapa banyak lokasi basis yang dibutuhkan
II. DMODEL ESKRIPSI
untuk cakupan tertentu. Namun, model mengasumsikan bahwa setiap
Pada bagian ini, kami memperkenalkan enam model yang kami ambulans selalu tersedia. Namun dalam praktiknya, tidak demikian.
bandingkan di Bagian IV. Untuk masing-masing model, himpunan Oleh karena itu, cakupan yang ditunjukkan oleh model kemungkinan
lokasi permintaan diberikan oleh himpunansayadan himpunan lokasi besar tidak dapat dijamin dalam praktiknya.
basis potensial diberikan oleh himpunanJ.Waktu perjalanan, termasuk
B. Model Standar Ganda
penundaan pra-perjalanan tetap, dari semua lokasi basis potensialJ∈.J
untuk menuntut lokasisaya∈.sayadiberikan olehTJi. Sebagian besar Karena lokasi permintaan mungkin tidak lagi tercakup saat
model menggunakan waktu respons target yang dilambangkan ambulans ditempati, Model Standar Ganda (DSM) dari
denganRyang harus dipenuhi untuk lokasi permintaan yang akan Gendreau et al. [2] berfokus untuk mencakup setiap lokasi
dicakup. Untuk lebih spesifik, setiap lokasi permintaansaya∈.sayayang permintaan dengan dua ambulans. DSM menggunakan dua
basisnyaJ∈.Jdibuka dengan TJi≤.R,dicakup oleh lokasi dasar ini. Dari target waktu respon, yaituR1danR2. Waktu respons targetR1
perspektif pemodelan, akan berguna untuk memperkenalkan sama denganRuntuk MCLP, bagaimanapun, sebagian kecil dari
himpunanJsaya= {J∈.J|tJi≤.R} yang mewakili lokasi basis potensial yang lokasi permintaan tertimbang harus tercakup dalam waktu
mencakup lokasi permintaansaya∈.SAYA.Ketika setidaknya salah satu respons ini, yang dipastikan oleh kendala 8. Selain itu, semua
dari pangkalan ini dibuka, minta lokasisaya∈.sayatertutup. lokasi permintaan harus tercakup dalamR2yang dijamin oleh
Semua model yang diperkenalkan menggunakan variabel integerxJ kendala 7. Secara alami, nilaiR2harus lebih besar dari nilai
untuk menunjukkan berapa banyak ambulans yang terletak di lokasi dariR1. Variabel binerkamu1 sayadankamu2sayamenunjukkan apakah permintaan
pangkalanJ∈.J. KapanxJadalah nol, ini berarti lokasi dasarJ∈.Jtidak lokasisaya∈.sayatercakup dalam waktuR1danR2, masing-masing.
dibuka. Variabel binerkamuikmenunjukkan apakah lokasi permintaan Demikian pula sebagaiJsaya, kami perkenalkanJ1 sayadanJ2sayasebagai himpunan potensial

saya∈.sayadicakup oleh setidaknyakambulans. Jumlah ambulans yang lokasi dasar yang dapat mencakup titik permintaansayadi dalamR1danR2

dapat ditempatkan di lokasi pangkalan secara total ditetapkan dan menit. Tujuan DSM adalah untuk memaksimalkan permintaan
diberikan olehP. tertimbang yang dicakup dua kali dalam waktu respons target
Untuk menunjukkan pentingnya setiap lokasi permintaansaya∈. R1. Berbeda dengan MCLP, jumlah ambulans yang ditempatkan
SAYA, model menggunakan bobotDsaya. Bobot ini dapat, misalnya, di lokasi pangkalan bisa lebih dari satu. Selain itu, nomor
mewakili jumlah rata-rata panggilan per tahun atau populasi di ambulans per lokasi pangkalan dibatasi olehPJ.
Σ
lokasi permintaan ini. Bobot ini digunakan untuk memberikan maksimal
saya
Dsayakamu2 (6)
preferensi ke lokasi permintaan yang lebih penting saat ∈.saya
sayaΣ
menempatkan ambulans. st xJ≥.1, ∀.saya∈.saya (7)
Perhatikan bahwa kami menyajikan model dengan cara yang sama J∈.J2 saya
seperti aslinya diterbitkan. Untuk perbandingan yang adil, beberapa Σ Σ
model kemudian disesuaikan. Penyesuaian ini dijelaskan dalam Bagian D1 sayakamusaya≥ α. Dsaya, (8)
II-G. saya∈.saya saya∈.saya

1
saya2≤.kamusaya,
kamu ∀.saya∈.saya (9)
Σ
A. Masalah Lokasi Penutupan Maksimal xJ≥.kamusaya1+kamu2 ∀.saya∈.saya (10)
saya,

Model pertama yang kita bahas adalah Maximal Covering J∈.J2 saya
Σ
Location Problem (MCLP) yang diperkenalkan oleh Church dan
xJ=P, (11)
Revelle [1] pada tahun 1974. Model ini memaksimalkan jumlah J∈.J
bobot lokasi permintaan yang dicakup oleh setidaknya satu
xJ≤.PJ, ∀.J∈.J (12)
ambulans. variabelxJhanya dapat mengambil nilai nol atau satu. Ini
berarti bahwa paling banyak satu ambulans dapat ditempatkan di xJ∈.N, ∀.J∈.J (13)
setiap lokasi pangkalan. Nilai darixJdigunakan untuk menentukan
2
saya1,kamu
kamu saya{0, 1}, ∀.saya∈.saya (14)
C. Model Waktu Respon Rata-Rata
Salah satu alternatif model lokasi ambulans yang Σ
dipertimbangkan adalah Average Response Time Model (ARTM).
maksimal Dsayakamusaya
(26)
saya∈.saya

Model ini setara denganP-model median diperkenalkan oleh

Σ ΣB
ReVelle dan Swain [34] dan diterapkan ke lokasi ambulans oleh st xJ≥. kamuik, ∀.saya∈.saya (27)
Dzator dan Dzator [11]. Dalam makalah ini, kami menyebut model J∈.Jsaya k=1

ini sebagai ARTM, karena ini lebih sesuai dengan penerapan model kamuik≤.kamuik−1, ∀.saya∈.saya, k{2, . . . ,B} (28)
Σ
kami. Dalam model, variabel binerzaku jadalah salah satu jika basis xJ=P, (29)
terbukaJ∈.Jadalah basis terdekat dengan lokasi permintaansaya∈. J∈.J
SAYA. Oleh karena itu, model meminimalkan waktu respons rata- xJ{0, 1}, ∀.J∈.J (30)
rata dari basis terdekat. Karena menempatkan lebih dari satu kamuik{0, 1}, ∀.saya∈.saya, k{1, . . . ,B} (31)
ambulans per pangkalan tidak meningkatkan fungsi tujuan, jumlah
ambulans per pangkalan dibatasi satu.
Σς. F. Model Waktu Respon yang Diharapkan
min DsayaTJizaku j (15)
J∈.Ji∈.saya
Σ ARTM hanya mempertimbangkan waktu mengemudi dari yang terdekat
st zaku j=1, ∀.saya∈.saya (16) lokasi dasar untuk setiap lokasi permintaan. Dengan demikian, model ini
J∈.J tidak memperhitungkan fakta bahwa ambulans terdekat mungkin tidak
xJ≥.zaku j, ∀.saya∈.Aku j∈.J (17) tersedia. Oleh karena itu, kami juga mempertimbangkan Model Waktu
Σ Respons yang Diharapkan (ERTM) yang meminimalkan
xJ≤.P, (18) waktu respons yang diharapkan untuk semua lokasi permintaan.
J∈.J
Model ini mirip dengan ReliabilityP -Masalah Median (RPMP)
xJ{0, 1}, ∀.J∈.J (19) diperkenalkan oleh Snyder dan Daskin [35]. Mereka menerapkan ini
zaku j{0, 1}, ∀.saya∈.Aku j∈.J (20) model untuk masalah lokasi fasilitas dan termasuk penalti ketika semua
fasilitas tidak tersedia. Model kami berbeda dalam kasus ini, karena
D. Maksimum yang Diharapkan Meliputi Masalah kami berasumsi bahwa semua panggilan darurat dilayani tidak peduli
Lokasi jika semua ambulans ditempati secara teori. Ini adalah asumsi yang
Salah satu model pertama yang mengambil pecahan sibukQ realistis, karena dalam praktiknya, selalu ada kemungkinan keputusan
ambulans yang diperhitungkan adalah Maximum Expected Covering adhoc yang memungkinkan semua panggilan darurat dilayani. Oleh
Location Problem (MEXCLP) yang diperkenalkan oleh Daskin [3]. Model karena itu, kami berasumsi bahwa ketika semua ambulans terisi secara
memaksimalkan cakupan tertimbang yang diharapkan dari semua teori, panggilan darurat dilayani oleh ambulans terjauh.
lokasi permintaan sambil mempertimbangkan probabilitas bahwa
ambulans tersedia dalam waktu respons targetR. Variabel binerkamuik ERTM menentukan untuk setiap lokasi permintaan ambulans
menunjukkan apakah setidaknyakambulans dapat mencakup lokasi terdekat, ambulans terdekat kedua, dll., dengan menggunakan
permintaansaya∈.SAYA.Dalam fungsi tujuan, probabilitas bahwa salah variabel binerzijk. Variabel biner ini adalah satu ketika ambulans di
satu ambulans tersedia ditentukan. Ini memberikan total cakupan pangkalanJ∈.Jadalahkth-ambulans terdekat untuk lokasi
tertimbang yang diharapkan. permintaansaya∈.SAYA.Dengan informasi ini, waktu respons yang
Σς. P
diharapkan untuk lokasi permintaansaya∈.sayadapat ditentukan.
maksimal Dsaya(1q)qk−1kamuik (21) Probabilitas permintaan lokasisaya∈.sayadilayani oleh
ΣP
Σ
saya∈.saya k=1
ambulans terdekat diberikan oleh1Q,kemungkinan
st xJ≥. kamuik, ∀.saya∈.saya (22) lokasi yang menuntutsaya∈.sayadilayani oleh terdekat kedua
∈.Jsaya k=1 ambulans diberikan olehQ(1Q),dll. Probabilitas yang menuntut
JΣ
xJ≤.P, (23) lokasisaya∈.sayadilayani oleh yang terjauh atauPth- ambulans
J∈.J terdekat sedikit berbeda untuk memastikan bahwa probabilitas
berjumlah satu. Oleh karena itu, probabilitas ini diberikan
xJ∈.N, ∀.J∈.J (24)
Σ
P1
kamuik{0, 1}, ∀.saya∈.saya, k{1, . . . ,P} (25) oleh1 (1q)qk−1=Qp−1. ERTM kemudian meminimalkan waktu respons
k=1
yang diharapkan tertimbang.
E. Masalah Lokasi Ketersediaan Maksimum
Model lain yang mengambil pecahan sibukQdiperhitungkan 1
Σς.PΣ
adalah Masalah Lokasi Ketersediaan Maksimum (MALP) yang min DsayaTJi(1q)qk−1zijk (32)
diperkenalkan oleh ReVelle dan Hogan [4]. Sebelum k=1
merumuskan contoh model, jumlah minimum ambulansB J∈.JΣ saya∈.sayaΣ
p−1zijp
diperlukan untuk menjamin cakupan ditentukan dengan
+ dt saya jiQ (33)
J∈.Ji∈.saya
penggunaan pecahan sibukQ.Nilai dariBdiberikan olehlog(1−α)
catatanQ

karena kita harus memilikinya1QB.

 Σ
st zijk=1, ∀.saya∈.saya, k{1, . . . ,P} (34) dalam praktek. Perhatikan bahwa model yang dipertimbangkan tidak

J∈.J berfokus pada pengoptimalan semua kriteria ini, tetapi kami ingin

ΣP menentukan seberapa baik kinerja model pada kriteria penting meskipun

xJ≥. zijk, ∀.saya∈.SAYA,∀.J∈.J (35) kriteria ini tidak diperhitungkan oleh model. Kami
k=1 membedakan tiga kategori kriteria: cakupan, alternatif
Σ
xJ≤.P, (36) target waktu respons, dan waktu respons rata-rata. Selain itu,
J∈.J kami melacak waktu komputasi model. Satu mungkin
(37) berpendapat bahwa kriteria ini tidak penting, karena kita berhadapan
xJ∈.N, ∀.J∈.J
dengan keputusan strategis. Namun, model yang sering digunakan
zijk{0, 1}, ∀.saya∈.SAYA,∀.
(38) sebagai dasar untuk model yang lebih rumit, di mana komputasi
J∈.J, k{1, . . . ,P} kali bisa meledak. Selain itu, kami menjalankan simulasi dengan
hasil model yang berbeda untuk mengevaluasi kinerja solusi dalam
G. Penyesuaian
pengaturan yang lebih realistis. Selanjutnya, kami
Untuk membuat perbandingan yang adil di antara model, kita harus memperkenalkan 11 kriteria dan cara penghitungannya.
menyesuaikan beberapa di antaranya. Salah satu penyesuaiannya adalah kita
membatasi jumlah base yang bisa dibuka. Alasan untuk melakukan ini ada dua. A. Kriteria cakupan
Pertama, dalam praktiknya, pembukaan pangkalan mahal dan oleh karena itu
Kami mendefinisikan empat kriteria berdasarkan cakupan dalam
jumlah pangkalan terbatas. Kedua, beberapa model tidak mendapat manfaat dari
ambang waktuR.Tiga yang pertama adalah fraksi panggilan yang
membuka lebih banyak pangkalan, sementara model lain melakukannya. Oleh
ditanggung oleh satu, dua, atau tiga ambulans. Kriteria pertama
karena itu, dengan tidak membatasi jumlah basis, kami mendukung beberapa
setara dengan nilai objektif MCLP. Oleh karena itu, model ini akan
model yang mungkin menghasilkan perbandingan yang bias.
selalu berkinerja terbaik pada kriteria ini. Kriteria kedua adalah
Dua kendala berikut ditambahkan ke model.
nilai objektif DSM. Namun, karena tambahan
P·HJ≥.xJ, ∀.J∈.J (39) kendala ditambahkan ke DSM, model lain mungkin mengungguli
Σ DSM pada kriteria ini. Dalam halb =3,kriteria ketiga
HJ≤.Smaksimal,
J∈.J (40) sesuai dengan tujuan MALP. Kriteria keempat
HJ{0, 1}, ∀.J∈.J (41) adalah cakupan yang diharapkan dan setara dengan tujuan
MEXCLP.
Variabel binerHJadalah satu saat lokasi dasarJ∈.Jdibuka Empat kriteria dihitung sebagai berikut: Σ
dan nol sebaliknya. Σ
Jumlah maksimum lokasi pangkalan yang akan dibukaSmaksimal Dsayakamusaya1 Dsayakamusaya2

saya saya
mungkin bertentangan dengan jumlah maksimum ambulans P 1:saya∈.Σ ×100%, 2:saya∈.Σ ×100%,
Dsaya Dsaya
untuk model MCLP, MALP dan ARTM. Untuk model ini, variabelxJ saya∈.saya saya∈.saya

adalah variabel biner yang dapat melarang model yang disebutkan Σ Σσ P

untuk ditempatkan secara tepatPambulans. Oleh karena itu, kami Dsayakamusaya3 Dsaya(1q)qk− 1kamuik

saya
mengubah variabel binerxJke variabel integer untuk memastikan 3:saya∈.Σ ×100%, 4:saya∈.
saya k=1
Σ ×100%.
Dsaya Dsaya
bahwa solusi yang layak ada untuk model MCLP, MALP dan ARTM.
saya∈.saya saya∈.saya

Penyesuaian tersebut di atas menyebabkan masalah baru untuk
MCLP dan ARTM. Model-model ini hanya fokus pada penempatan satu
ambulans di pangkalan dan mendistribusikan ambulans yang tersisa
secara acak di pangkalan terbuka. Untuk membuat perbandingan lebih
adil, kami membatasi jumlah ambulans per pangkalan untuk
memastikan ambulan yang tersisa tersebar secara merata di pangkalan
terbuka alih-alih menempatkan semuanya hanya di satu pangkalan.
Untuk memodelkan ini, kami menambahkan batasan berikut untuk
MCLP dan ARTM,
xJ≤.PJ, ∀.J∈.J
(42) waktu respons yang berlebihan, kami menambahkan beberapa kriteria untuk
P
di manaPJ=Smaksimal .
AKU AKU AKU. EDESAIN XPERIMENTAL
Di bagian ini, kami menjelaskan bagaimana kami
membandingkan model yang disajikan di Bagian II. Kami
menerapkan model ke satu set contoh uji dan mengevaluasi hasil
pada 11 kriteria. Kriteria ini didasarkan pada tujuan dari model
yang berbeda dan beberapa indikator kinerja lainnya yang penting
Di Sini,kamuikadalah 1 jika titik permintaansaya∈.sayadicakup oleh
setidaknyak ambulans dalam ambang waktuR.
B. Target waktu respons
Karena target waktu respons yang ditetapkan oleh regulator tidak
didasarkan pada kebutuhan medis dan oleh karena itu agak sewenang-
wenang, kami mengevaluasi hasil model pada target waktu respons
yang berbeda. Di banyak negara, target 8 menit digunakan. Oleh
karena itu, kami memasukkan cakupan dalam waktu 8 menit sebagai
kriteria kelima. Karena model penutup tidak menghukum
memasukkan ini dalam evaluasi model sebagai berikut. Pertama, kami
memasukkan cakupan dalam waktu 20 menit sebagai kriteria keenam.
Untuk DSM, batasan ditambahkan untuk memastikan cakupan penuh dalam
ambang ini. Selain itu, kami mempertimbangkan waktu respons maksimum
ke titik permintaan sebagai kriteria ketujuh. Akhirnya, untuk menghindari
area kecil yang mendominasi ukuran ini, kami juga mempertimbangkan
waktu respons kasus terburuk setelah penghapusan panggilan 5% dengan
waktu respons tertinggi sebagai kriteria kedelapan.
 Untuk menentukan apakah waktu respons 8 atau 20 menit tercapai, IV. EHASIL PERCOBAAN
kami memperkenalkan variabel binerwsaya8danwsaya20. Variabel-variabel
Pada bagian ini, enam model lokasi ambulans yang
ini mengambil nilai satu ketika waktu respons 8 masing-masing 20
dibahas di Bagian II dibandingkan berdasarkan 11 kriteria
menit dicapai untuk lokasi permintaansaya∈.SAYA. Untuk menentukan
yang dijelaskan di Bagian III. Pertama, data yang menjadi
nilai yang benar untukwsaya8danwsaya20, kami memperkenalkan setJsaya8
dasar hasil dijelaskan secara lengkap. Setelah itu, model
:= {JΣ |tJi≤.8}danJsaya20:= {j|tJi≤.20}.Kami mengatur
dibandingkan pada keluaran model dan hasil studi simulasi.
wsaya8ke satu ketika xJ>0dan, demikian pula, kami menetapkanwsaya20untuk satu
Kami mengakhiri bagian ini dengan kesimpulan tentang
Σ J∈.Jsaya8
Kapan xJ>0.Kemudian, kriteria 5 dan 6 dapat dihitung kinerja model.
J∈.Jsaya20
dengan cara yang sama seperti kriteria 1.
A. Data
Σ Σ
Dsayawsaya8 Dsayawsaya20 Kami menerapkan model ke 24 wilayah ambulans (RAV) di Belanda.
saya
5:saya∈.Σ ×100% 6:saya∈.sayaΣ ×100% Wilayah-wilayah ini berbeda dalam jumlah titik permintaan, ukuran populasi,
Dsaya Dsaya
luas permukaan dan kepadatan seperti yang ditunjukkan pada Tabel I. Oleh
saya∈.saya saya∈.saya

karena itu, wilayah-wilayah yang dipertimbangkan menyajikan berbagai

Untuk menghitung kriteria 7 dan 8, kami memperkenalkansayasebagai jarak karakteristik geografis yang luas.
ke titik permintaansaya∈.sayadari basis terbuka terdekatnya. Kami memiliki
Sebagai titik permintaan, kami mengambil kode pos 4 digit. Ini
itusaya=minTJi, di manaG = {j∈.J|xJ>0}.Kita mendapatkan
J∈.G memberi kita total 3990 kode pos, di mana wilayah terkecil
memiliki 40 kode pos dan wilayah terbesar memiliki 456 kode pos.
7:maksimalsaya. Semua kode pos ini tersedia sebagai stasiun pangkalan potensial,
saya∈.saya

yaitusaya = J
Untuk kriteria 8, kami menentukan waktu respons minimumR Ukuran populasi wilayah bervariasi antara 243.540 dan
sedemikian rupa sehingga 95% panggilan dapat dicapai dalamRmenit. 1.247.858, luas permukaan antara 273 dan 5748 km2, dan
kepadatan antara 111 dan 2510 orang per km2. Wilayah dengan
C. Waktu respons rata-rata
ukuran populasi terkecil juga merupakan wilayah terkecil dalam
Meskipun sebagian besar penyedia layanan ambulans memiliki hal jumlah titik permintaan dan luas permukaan total. Namun,
target terkait cakupan, penting juga untuk memberikan waktu respons wilayah dengan populasi terbesar adalah salah satu wilayah yang
rata-rata yang rendah. Dalam analisis kami, kami menggabungkan dua lebih kecil dalam hal luas permukaan. Wilayah dengan luas
ukuran untuk waktu respons rata-rata. Yang pertama adalah waktu permukaan terbesar juga merupakan wilayah dengan kepadatan
respons rata-rata dari basis terbuka terdekat. Hal ini sesuai dengan terkecil yaitu 111 jiwa per km2. Wilayah dengan kepadatan
tujuan dari ARTM. Yang kedua adalah waktu respons yang diharapkan, tertinggi (2.510 jiwa per km .)2) merupakan salah satu daerah
yang sesuai dengan tujuan ERTM. Mengingat variabelzaku jdanzijkseperti dengan jumlah penduduk yang lebih tinggi.
yang diperkenalkan pada Bagian II, Tabel I juga menunjukkan apakah daerah tersebut perkotaan atau pedesaan. 16 dari
kami menghitung kriteria ini dengan: 24 wilayah yang dipertimbangkan adalah pedesaan, 4 wilayah perkotaan dan 4 wilayah
Σ memiliki bagian pedesaan dan perkotaan.
Dsayaτ.saya

saya Waktu perjalanan antara dua node diberikan oleh model waktu
9:saya∈.Σ , perjalanan yang dikembangkan oleh Institut Nasional Kesehatan Masyarakat
Dsaya

saya∈.saya dan Lingkungan Belanda (RIVM) [37]. Waktu perjalanan ini didasarkan pada
Σ σPΣ 1 Σσ kecepatan perjalanan ambulans yang diamati pada jenis jalan yang berbeda.
DsayaTJi(1q)qk−1zijk+ DsayaTJiQp−1zijp Dalam model, kami menggunakan beratDsayauntuk setiap permintaan
10:J∈.Ji∈.saya k=1 J∈.Ji∈.saya
Σ . titik, yang menunjukkan kepentingan relatif dari menutupi permintaan
Dsaya

saya∈.saya
titiksaya∈.SAYA.Kami menggunakan populasi titik permintaan
sebagai indikasi pentingnya ini.
D. Waktu komputasi
Seperti yang dinyatakan sebelumnya, target waktu respon di Belanda
Kriteria terakhir yang kami pertimbangkan adalah waktu adalah 15 menit. Waktu respons terdiri dari tiga bagian: waktu pengiriman,
komputasi. Meskipun model digunakan pada tingkat strategis dan waktu peluncuran, dan waktu perjalanan, di mana waktu peluncuran adalah
taktis, waktu komputasi masih dapat menjadi penting ketika model waktu antara saat kru dikirim ke panggilan dan saat ambulans mulai
digunakan sebagai dasar untuk model yang lebih rumit. Model mengemudi. Rata-rata waktu pengiriman pada tahun 2012 adalah 1:58
diimplementasikan dalam AIMMS 3.14 dan diselesaikan dengan menit, sedangkan rata-rata waktu peluncuran adalah 1:01 menit [38]. Untuk
CPLEX 12.5.1 pada CPU Intel Core i5-4300 @ 1,90 GHz 2,50 GHz penelitian ini, kami mengasumsikan penundaan pra-perjalanan tetap, waktu
dengan RAM 8 GB. Kami hanya mengimplementasikan formulasi pengiriman ditambah waktu peluncuran, sebesar 3 menit. Kami
ILP yang diberikan dalam makalah ini tanpa mempertimbangkan memasukkan ini ke dalam model dengan menambahkan 3 menit ke waktu
cara cerdas untuk meningkatkan waktu komputasi karena ini di perjalanan, yang menyiratkan bahwar = r1=15. Untuk DSM, kami
luar cakupan makalah. Waktu komputasi ARTM, misalnya, dapat membutuhkan ambang waktu lain, di mana semua permintaan harus
sangat dikurangi dengan menggunakan relaksasi Lagrangian dipenuhi. Karena 20 menit tampaknya masuk akal, kami menetapkanR2=20.
berbasis optimasi yang dikembangkan oleh Daskin [36].
 Tabel I
CSET DATA HARAKTERISTIK

Karakteristik geografis Karakteristik ambulans

# Pos Daerah Kepadatan Sibuk
Wilayah Populasi pedesaan # Ambulans # Basis
kode (km2) (pop/km2) pecahan

1 250 576.615 2,96 195 Pedesaan 0.18 15 13

2 456 635,7 5.748 111 Pedesaan 0,10 18 15
3 255 489,61 2,626 186 Pedesaan 0.17 13 13
4 170 506.845 1,9 267 Pedesaan 0.16 12 10
5 120 623,05 1,5 415 Pedesaan 0,20 11 9
6 201 809.865 2,74 296 Pedesaan 0.21 14 13
7 134 655.725 1.184 554 Pedesaan 0.27 8 7
8 158 526.835 1,04 507 Pedesaan 0,20 10 11
9 217 1,220,125 1,449 842 Mencampur 0,30 15 11
10 160 628.025 1,35 465 Pedesaan 0,22 9 8
11 161 1.261.997 813 1,552 perkotaan 0.38 16 9
12 98 519.757 420 1,238 perkotaan 0.31 8 7
13 40 243,54 273 892 Mencampur 0,23 4 3
14 141 1.016.400 405 2,51 perkotaan 0.39 12 8
15 124 760,93 875 870 Mencampur 0,30 10 10
16 185 1.247.858 856 1,458 perkotaan 0,45 12 10
17 98 479.435 836 573 Pedesaan 0,22 8 6
18 153 381.395 1,788 213 Pedesaan 0,09 18 11
19 217 1.070.885 2.258 474 Pedesaan 0.27 16 13
20 146 636,87 1,396 456 Pedesaan 0,26 9 7
21 137 734.841 1,458 504 Pedesaan 0,28 9 7
22 137 513.855 1,521 338 Pedesaan 0.21 10 7
23 141 607,54 661 919 Mencampur 0.36 7 4
24 91 386.184 2.412 160 Pedesaan 0,20 8 6

Tabel II
SEBUAHKINERJA RATA-RATA SELAMANYA24WILAYAH

Kriteria Keterangan MCLP DSM SENI MEEXCLP MALP ERTM

1 Cakupan tunggal 100,0% 97,6% 97,6% 99,4% 93,9% 96,6%
2 Cakupan ganda 55,3% 95,4% 73,7% 91,3% 92,6% 83,5%
3 Cakupan tiga kali lipat 25,1% 29,5% 49,3% 59,1% 54,4% 52,6%
4 Cakupan yang diharapkan 88,0% 93,2% 90,4% 95,5% 91,4% 91,8%
5 ambang batas 8 menit 22,3% 25,3% 55,8% 34,5% 21,3% 55,3%
6 ambang batas 20 menit 100,0% 100,0% 99,9% 99,9% 98,4% 99,8%
7 Maks. waktu respons (mnt) 15.3 18.1 19.8 18.1 22.8 20.4
8 Rata-rata. waktu respons 9.9 10.0 7.9 9.2 10.6 8.0
9 (min) 95% ambang (min) 13.9 14.4 13.6 13.7 16.4 14.0
10 Rata-rata ERT (menit) 11.2 10.6 9.2 10.0 11.0 9.0
11 Waktu komputasi (dtk) 0.15 21.30 69,92 3.59 0,81 14263.60

Model yang disajikan bertujuan untuk menemukan distribusi terbaik dari
sejumlah ambulans yang tetap. Jumlah tetap ini didasarkan pada kapasitas
yang dibutuhkan menurut sebuah studi oleh RIVM [37] yang diberikan pada
Tabel I. Kami menambahkan batasan pada model pada jumlah maksimum
basis yang dapat dibuka di suatu wilayah. Untuk nomor iniSmaksimal, kami
menggunakan jumlah basis saat ini yang ditunjukkan pada Tabel I.
Beban kerja = #panggilan A1×durasi panggilan A1 +
# panggilan A2×durasi panggilan A2
Jumlah panggilan per wilayah diambil dari laporan
tahunan kinerja layanan ambulans Belanda [38]. Untuk
kapasitas ambulans, kami mengalikan jumlah rata-rata
ambulans dengan jumlah menit dalam setahun.

Kapasitas total =P×60×24×365

Tetap mencari nilai yang sesuai untuk pecahan sibuk
Q.Kami menggunakan fraksi sibuk rata-rata sepanjang hari. Ini
dihitung dengan membagi total beban kerja dalam menit dengan
total kapasitas ambulans dalam menit. Dalam perhitungan beban
kerja total, kami membedakan dua jenis panggilan darurat, A1 dan
A2. Di sini, panggilan A1 mengancam jiwa dan memiliki durasi
panggilan rata-rata 42,9 menit. Panggilan A2 tidak mengancam
jiwa dan memakan waktu rata-rata 50,1 menit [39].
Dengan membagi total beban kerja dengan total kapasitas untuk setiap
wilayah, kami mendapatkan fraksi sibuk antara 0,089 dan 0,447. Fraksi
sibuk dari semua daerah diberikan pada Tabel I.
Baik DSM dan MALP membutuhkan keandalan tetap . Untuk
perhitungan kami, kami mengambil =95%.Sebagai akibat langsung dari
Qdan , kita mendapatkan nilai untukBdiberikan olehlog(1−α)
catatanQ
.Untuk
wilayah yang berbeda,Bbervariasi antara 2 dan 4.
 108
MCLP DSM
SENI MEEXCLP
106 MALP ERTM
Waktu komputasi dalam detik
104
102
100
102
0 50 100 150 200 250 300 350
Ukuran instans dalam jumlah titik permintaan
Gambar 1. Waktu komputasi untuk model dan ukuran instans yang berbeda
B. Hasil komputasi
Tabel II memberikan gambaran kinerja model yang berbeda
pada 11 kriteria. Tabel menunjukkan nilai rata-rata selama 24
wilayah. Perhatikan bahwa rata-rata ini dapat menyesatkan
ketika satu wilayah memberikan nilai yang berlebihan.
Misalnya, waktu komputasi rata-rata ERTM sangat dipengaruhi
oleh wilayah terbesar, yang memiliki waktu komputasi 3,5 hari.
Untuk semua wilayah lain, waktu komputasi lebih mudah
dilakukan, yakni tidak lebih dari 4 jam. Di sisa bagian ini, kami
mengevaluasi model pada empat kelompok kriteria utama:
cakupan, waktu respons target, waktu respons rata-rata, dan
waktu komputasi.
1) Kriteria cakupan:Menurut definisi, MCLP mengungguli semua
model lain pada cakupan tunggal. Namun, ketika cakupan
pencadangan diperlukan, kinerja MCLP sangat buruk. Untuk cakupan
ganda, tiga kali lipat, dan yang diharapkan, model ini berkinerja paling
buruk. DSM memiliki kinerja yang baik pada cakupan tunggal dan
ganda. Karena untuk wilayah dengan fraksi sibuk yang relatif rendah,
cakupan ganda sudah cukup, cakupan yang diharapkan juga masuk
akal. Dua model waktu respons rata-rata, ARTM dan ERTM,
memberikan cakupan yang cukup baik, meskipun cakupan ganda
secara signifikan lebih rendah daripada untuk DSM, MEXCLP, dan
MALP. MALP memberikan cakupan tunggal terburuk, sementara
mencetak cukup baik pada tujuan cakupan lainnya. Secara
keseluruhan, MEXCLP jelas mengungguli semua model lain dalam
cakupan. Untuk keempat kriteria yang mencakup, MEXCLP termasuk di
antara tiga model terbaik. Untuk cakupan tiga kali lipat dan cakupan
yang diharapkan,
2) Target waktu respons:Kecuali untuk DSM, tidak ada model yang
mempertimbangkan target waktu respons lain selain target 15 menit.
Namun, hampir semua model memberikan cakupan yang hampir selesai
dalam waktu 20 menit. Hanya MALP yang menyisakan lebih dari 1%
permintaan yang tidak tercakup dalam ambang batas ini. Juga ketika
mempertimbangkan waktu respons yang berlebihan, kami melihat bahwa
MALP berkinerja buruk. Meskipun ARTM dan ERTM memiliki waktu respons
maksimum yang agak tinggi, efek ini hilang ketika hanya 95% permintaan
dengan cakupan terbaik yang dipertimbangkan. Ini menyiratkan bahwa
hanya titik permintaan dengan populasi rendah yang mengalami waktu
respons yang berlebihan. MALP memberikan kinerja terburuk untuk waktu
respons maksimum, karena untuk nilai yang tinggiB,MALP cenderung
mengabaikan banyak titik permintaan untuk fokus pada sebagian kecil
wilayah.
3) Waktu respons rata-rata:Seperti yang diharapkan, ARTM dan ERTM
memberikan waktu respons rata-rata terbaik. Di sini, ARTM memiliki waktu
respons rata-rata yang sedikit lebih baik, sedangkan ERTM memberikan
waktu respons yang diharapkan lebih baik. Meskipun waktu respons rata-
rata tidak dipertimbangkan oleh MEXCLP, model masih berkinerja relatif
baik pada kriteria ini. Terutama waktu respons yang diharapkan lebih baik
daripada untuk MCLP, DSM, dan MALP.
4) Waktu komputasi:Meskipun kami dapat menyelesaikan
400 450 500
semua contoh dengan optimal, perbedaan besar antara model
diamati. Model berbasis cakupan semuanya dapat diselesaikan
dalam beberapa detik. Model waktu respons rata-rata, di sisi lain,
membutuhkan waktu lebih lama secara signifikan. ARTM
membutuhkan waktu rata-rata lebih dari satu menit untuk
diselesaikan, sedangkan ERTM memiliki waktu komputasi rata-rata
4 jam. Perhatikan bahwa rata-rata ini sangat didominasi oleh satu
instance besar, yang memiliki waktu komputasi 3,5 hari. Untuk
semua contoh lain, waktu komputasi kurang dari 4 jam. Gambar 1
menunjukkan hubungan antara ukuran instance dan waktu
komputasi untuk model yang berbeda. Garis tren eksponensial
ditambahkan berdasarkan 23 contoh yang lebih kecil. Instans
terbesar, dengan 456 titik permintaan, dalam banyak kasus
memiliki waktu komputasi sesuai dengan tren tersebut. Untuk
ERTM, angka ini menunjukkan bahwa waktu komputasi untuk
instance terbesar tidak terlalu besar. Bahkan di bawah tren
berdasarkan 23 contoh lainnya.
C. Studi simulasi
Untuk mendapatkan pemahaman yang lebih baik tentang kinerja
model dalam praktik, kami telah melakukan studi simulasi. Sebagai
masukan, kami memiliki data yang dijelaskan di Bagian IV-A dan lokasi
ambulans sebagaimana ditentukan oleh model di Bagian IV-B. Tingkat
kedatangan per wilayah ditentukan dengan penggunaan jumlah
panggilan darurat yang dilayani pada tahun 2012 seperti yang
diberikan dalam [38]. Dari dokumen ini, juga ditentukan fraksi
panggilan A1 dan A2.
Untuk setiap ambulans, kami berasumsi bahwa ambulans kembali
ke pangkalan yang ditugaskan ketika panggilan telah sepenuhnya
dilayani. Namun, ambulans ini sudah tersedia untuk melayani
panggilan baru saat berkendara dari rumah sakit kembali ke
pangkalan. Waktu tempuh ambulans yang berkendara ke rumah sakit
atau kembali ke lokasi dasarnya diasumsikan sekitar 10% lebih lama
dari waktu perjalanan ambulans menuju lokasi panggilan. Yang
terakhir adalah waktu tempuh yang digunakan sebagai input.
Kami berasumsi bahwa panggilan tiba sebagai proses Poisson
dengan tarif berdasarkan data tahun 2012. Untuk setiap panggilan,
kami juga harus membuat lokasi panggilan, waktu yang dihabiskan di
lokasi kecelakaan, apakah pasien perlu diangkut ke rumah sakit, dan
jika demikian, berapa lama transfer di rumah sakit akan berlangsung.
Distribusi spasial panggilan ditentukan melalui fraksi orang yang
tinggal di kode pos tertentu. Waktu yang dihabiskan di lokasi kejadian
terdistribusi secara eksponensial seperti pada [40] dengan rata-rata 18
menit. Probabilitas seorang pasien membutuhkan perawatan di rumah
sakit adalah 0,8034 dan waktu yang dihabiskan di rumah sakit memiliki
distribusi Weibull seperti pada [40] dengan rata-rata 12 menit. Angka-
angka ini semua ditentukan dari data Belanda.
 Tabel III
SEBUAHKINERJA RATA-RATA SELAMANYA24WILAYAH BERDASARKAN SIMULASI

Keterangan MCLP DSM SENI MEEXCLP MALP ERTM

ambang batas 15 menit 82,6% 89,0% 88,8% 93,6% 88,6% 90,7%
ambang batas 8 menit 19,3% 22,4% 44,6% 28,3% 20,2% 46,7%
ambang batas 20 menit 93,9% 96,3% 97,0% 98,1% 96,0% 97,9%
Maks. waktu respons (mnt) 43.3 43.1 41.0 39.9 41.2 39.0
Rata-rata. waktu respons 11.7 11.0 9.5 10.1 11.2 9.2
(min) 95% ambang (min) 20.4 18.3 18.0 16.2 19.0 16.9

Ketika panggilan baru memasuki sistem, ambulans terdekat 1

berada dan ditugaskan untuk panggilan ini. Bila ini adalah
ambulans yang mengemudi kembali dari rumah sakit ke lokasi 0.8

Cakupan pecahan
dasarnya, waktu mengemudi antara lokasi panggilan dan lokasi
0.6
ambulans ditentukan sebagai berikut. Waktu yang dibutuhkan
MCLP
ambulans untuk berkendara dari rumah sakit ke lokasi dasarnya DSM
0.4
ditentukan dari waktu tempuh yang digunakan sebagai input. MALP
MEEXCLP
Seperti yang kita ketahui juga waktu saat ini dalam simulasi, kita 0.2 SENI
dapat menghitung bagian mana dari perjalanan yang sudah ERTM
selesai. Kemudian, kami menarik garis lurus antara rumah sakit 0
0 5 10 15 20 25 30
dan lokasi pangkalan ambulans dan dengan menggunakan (x, y)-
Waktu respons (menit)
koordinat dari dua lokasi ini, kami menentukan (x, y)-koordinat
lokasi ambulans saat ini. Kemudian, kode pos terdekat dengan ini ( Gambar 2. Distribusi waktu respon berdasarkan simulasi

x, y)- koordinat ditentukan yang kita tahu waktu mengemudi yang

sebenarnya ke lokasi panggilan.
Mungkin terjadi bahwa semua ambulans ditempati ketika panggilan
baru tiba. Jika hal ini terjadi, panggilan dimasukkan ke dalam antrian.
Urutan di mana panggilan dalam antrian ini dilayani tergantung pada
waktu panggilan dan prioritas panggilan, yang dapat berupa A1 atau
A2.
Sebagai output, kami hanya mempertimbangkan waktu respons
panggilan A1 karena ini juga merupakan fokus dari model yang
dipertimbangkan. Ingat, bahwa di Belanda 95% panggilan A1
harus dilayani dalam waktu 15 menit. Pada Tabel III, kami
membandingkan hasil studi simulasi untuk model yang
dipertimbangkan. Perhatikan bahwa kriteria seperti cakupan
tunggal, ganda, rangkap tiga, dan yang diharapkan, serta waktu
respons yang diharapkan tidak relevan dalam kasus ini. Kriteria
cakupan diganti dengan persentase panggilan dengan waktu
respons kurang dari atau sama dengan 15 menit. Waktu respons
yang diharapkan dihilangkan karena ini digantikan oleh waktu
respons rata-rata. Perhatikan lebih lanjut bahwa hasil ini diperoleh
dari simulasi dan dengan demikian memasukkan tidak tersedianya
ambulans. Sebagian besar hasil pada Tabel II hanya berdasarkan
ambulans terdekat. Karenanya,
Ambang batas 15 menit pada Tabel III dapat dibandingkan dengan
cakupan yang diharapkan pada Tabel II. Kami melihat bahwa untuk
semua model cakupan realisasi dalam simulasi kurang dari cakupan
yang diharapkan. Hal ini dapat dijelaskan dengan fakta bahwa untuk
studi simulasi beban sistem berfluktuasi sepanjang hari sementara
dalam menentukan cakupan yang diharapkan diasumsikan situasi yang
stabil. Namun, kesimpulan keseluruhan masih berlaku. MEXCLP
melakukan yang terbaik pada norma 15 menit dan MCLP melakukan
yang terburuk. Ketika kita melihat ambang batas 8 menit, kita melihat
bahwa ARTM dan ERTM masih memiliki performa terbaik
dan MALP dan MCLP melakukan yang terburuk. Meskipun
untuk setiap titik permintaan terdapat lokasi dasar dalam
waktu 15 menit (lihat Tabel II), ambulans tiba di pasien dalam
waktu 20 menit hanya dalam 93,9% kasus. Hal ini disebabkan
kurangnya perhatian untuk back-up coverage di MCLP.
MEXCLP dan ERTM berkinerja terbaik pada ambang batas 20
menit dengan cakupan sekitar 98%.
Nilai untuk waktu respons rata-rata, waktu respons maksimum dan
waktu respons di mana 95% panggilan dilayani semuanya lebih tinggi
untuk studi simulasi dibandingkan dengan hasil pada Tabel II. Untuk
waktu respon rata-rata, hal ini dapat dijelaskan lagi dengan fakta
bahwa untuk studi simulasi beban sistem berfluktuasi sepanjang hari
sementara dalam menentukan cakupan yang diharapkan diasumsikan
situasi yang stabil. Untuk dua kriteria lainnya, alasannya adalah tidak
tersedianya ambulans, yang terutama mempengaruhi waktu tanggap
maksimum. Jika semua ambulans dalam sistem ditempati, panggilan
akan diantrekan yang mengarah ke waktu respons maksimum yang
sangat tinggi. Karena waktu respons maksimum didominasi oleh efek
antrian, tidak ada perbedaan besar antara model yang diamati. Untuk
kriteria ambang batas 95%, efek ini hilang dan kami melihat bahwa
kinerja MEXCLP terbaik. MCLP kembali berkinerja buruk, karena terlalu
fokus pada cakupan tunggal. Seperti yang diharapkan, waktu respons
rata-rata terkecil untuk ERTM dan ARTM. Mengingat pengaturan
MEXCLP, ambulans rata-rata akan tiba hampir satu menit kemudian di
tempat kejadian, dibandingkan dengan ERTM.
Ketika kita melihat distribusi waktu respon dari model yang berbeda
pada Gambar 2, kita melihat bahwa ERTM dan ARTM melayani sebagian
besar panggilan dalam waktu respon yang singkat. Untuk waktu
respons yang lebih dekat dengan waktu respons target, MEXCLP
semakin dekat dan akhirnya mengungguli keduanya
 Tabel IV
RPENGATURAN MODEL PADA KRITERIA YANG BERBEDA

Kriteria Keterangan MCLP DSM SENI MEEXCLP MALP ERTM

1 Cakupan tunggal ++ + + ++ - +
2 Cakupan ganda -- ++ - + + + /-
3 Cakupan tiga kali lipat -- -- + /- ++ + +
4 Cakupan yang diharapkan - - + + + + /- + + + + + + + +
5 ambang batas 8 menit - - - - + + + + + /- +/- - -++++
6 ambang batas 20 menit - - + + + /- ++ + + + + + + /- - + + +
7 Maks. waktu respons (mnt) - + + - + + /- + /- + + + /- - - ++ +/-
8 Rata-rata. waktu respons + /- + /- ++ + - ++
9 (min) 95% ambang (min) - - + + /- +/- +/- ++ ++ ++ ---+ +
10 Rata-rata ERT - - - - + /- ++++ + + - -++ ++
11 Waktu komputasi ++ + /- - + + --

model. Selanjutnya, dapat dilihat bahwa hanya untuk waktu respons
yang lebih tinggi, skor ERTM lebih baik daripada ARTM. DSM dan MALP
menunjukkan perilaku yang sangat mirip, sedangkan MCLP jelas
menunjukkan kinerja terburuk.
Untuk menyimpulkan, studi simulasi menegaskan kesimpulan
dari Bagian IV-B. MEXCLP dan ERTM masih merupakan dua model
yang memiliki performa terbaik. Dari model-model lain, ARTM akan
menjadi alternatif terbaik.
D. Kesimpulan
Berdasarkan hasil observasi pada Bagian IV-B dan IV-C, Tabel IV
memberikan skor untuk semua model pada 11 kriteria. Skor
dinyatakan dari sangat buruk hingga sangat baik: - -, -, +/-, +, ++. Di
kolom kanan untuk setiap model, diberikan skor yang diperoleh di
Bagian IV-B, dan (jika ada) di kolom kiri, skor simulasi
digambarkan. Kita dapat dengan mudah menyimpulkan bahwa
MCLP dan MALP mengungguli model lainnya. Skor MALP buruk
pada hasil komputasi dan skor MCLP buruk pada hasil simulasi.
Fungsi tujuan MALP terlalu fokus pada satu kriteria untuk
memberikan skor yang baik pada ukuran yang berbeda. MCLP
mudah dihitung dan memberikan cakupan tunggal yang baik dan
waktu respons yang relatif baik dalam hasil komputasi, namun,
dalam hasil simulasi, skor MCLP buruk pada semua kriteria. Skor
DSM sedikit lebih baik pada sebagian besar kriteria jika
dibandingkan dengan MCLP, tetapi masih mengungguli ARTM,
MECCLP dan ERTM. Ketiga model ini memberikan hasil yang baik
untuk sebagian besar kriteria, baik dalam komputasi maupun hasil
simulasi, meskipun ARTM mengungguli cakupan back-up.
Performa MEXCLP sedikit lebih baik pada kriteria cakupan,
sementara ERTM mengalahkan MEX-CLP pada waktu respons rata-
rata. Kedua model tampaknya memberikan solusi yang
mempertimbangkan sebagian besar ukuran kinerja.
Satu-satunya kriteria yang perbedaan antara kedua model lebih
besar adalah waktu komputasi. ERTM memakan waktu rata-rata hampir
empat jam, sementara MEXCLP dapat diselesaikan dalam hitungan
detik. Orang dapat berargumentasi bahwa ini bukan kriteria penting,
karena kita berurusan dengan keputusan strategis dan sebagian besar
kasus masih dapat diselesaikan dalam beberapa jam. Namun, ketika
model digunakan sebagai dasar untuk komputasi lebih lanjut, yang
lebih kompleks atau ukuran instans yang meningkat, itu mungkin
penting. Dalam hal ini, MEXCLP tampaknya lebih tepat.
V.CKESIMPULAN
Dalam makalah ini, kami telah membandingkan beberapa
model lokasi ambulans. Empat dari model ini fokus pada
memaksimalkan cakupan sementara dua lainnya fokus pada
meminimalkan waktu respons. Model yang fokus untuk
memaksimalkan coverage adalah Maximal Covering Location
Problem (MCLP) [1], Double Standard Model (DSM) [2],
Maximum Expected Covering Location Problem (MEXCLP) [3],
dan Maximum Availability Location Problem. (MALP) [4]. Dua
model yang berfokus pada meminimalkan waktu respons
adalah Model Waktu Respons Rata-Rata (ARTM) dan Model
Waktu Respons yang Diharapkan (ERTM). ARTM adalahP-
masalah median [34] yang juga telah diterapkan pada masalah
lokasi ambulans [11]. Versi modifikasi dari ERTM telah
diterapkan pada masalah lokasi fasilitas [35], tetapi belum
diterapkan pada masalah lokasi ambulans.
Tujuan dari penelitian kami adalah untuk menyelidiki
mana dari enam model melakukan yang terbaik pada 11
kriteria yang timbul dari praktek. Kriteria tersebut meliputi
kriteria cakupan, kriteria target dan waktu respons rata-
rata, serta waktu komputasi. Hasilnya menunjukkan bahwa
baik MEXCLP dan ERTM secara keseluruhan berkinerja baik
pada 11 kriteria. Skor MEXCLP terbaik pada kriteria cakupan
dan ERTM adalah salah satu model terbaik ketika kita
mempertimbangkan kriteria waktu respon. Namun, ERTM
memiliki waktu komputasi paling lama yang untuk wilayah
terbesar berjumlah sekitar 3,5 hari. Oleh karena itu,
MEXCLP adalah pilihan terbaik ketika cakupan dan waktu
komputasi penting. Ketika waktu respons paling penting,
kami akan menyarankan ERTM. Ketika waktu respons
paling penting, tetapi waktu komputasi terbatas, orang
juga dapat memilih ARTM. Namun,
Pilihan yang menarik untuk diteliti dalam penelitian masa depan
adalah kombinasi dari MEXCLP dan ARTM. ARTM mendapat skor
terbaik pada kriteria waktu respons tetapi tidak begitu baik pada
kriteria cakupan. Selain itu, waktu komputasi untuk ARTM masih
wajar. MEXCLP mendapat nilai terbaik pada kriteria cakupan dan
juga relatif baik pada kriteria waktu respon. Dengan
menambahkan ARTM ke MEXCLP, skor pada kriteria waktu respons
kemungkinan akan meningkat.
 SEBUAHPENGETAHUAN
Penelitian ini didukung oleh Dutch Technology
Foundation STW, divisi ilmu terapan NWO dan Program
Teknologi Kementerian Perekonomian.
REFERENSI
[1] R. Church dan C. ReVelle, “Masalah lokasi penutup maksimal,” Makalah
dalam Ilmu Regional,jilid 32, tidak. 1, hlm. 101–118, 1974.
[2] M. Gendreau, G. Laporte, dan F. Semet, “Memecahkan model lokasi ambulans
dengan pencarian tabu,”Ilmu Lokasi,jilid 5, tidak. 2, hlm. 75–88, 1997.
[3] M. Daskin, “Model lokasi cakupan maksimum yang diharapkan:
formulasi, properti, dan solusi heuristik,”Ilmu Transportasi,jilid 17,
tidak. 1, hlm. 48–70, 1983.
[4] C. ReVelle dan K. Hogan, "Masalah lokasi ketersediaan maksimum," Ilmu
Transportasi,jilid 23, tidak. 3, hlm. 192–200, 1989.
[5] L. Brotcorne, G. Laporte, dan F. Semet, “Model lokasi dan relokasi
ambulans,”Jurnal Riset Operasional Eropa,jilid 147, tidak. 3, hlm.
451–463, 2003.
[6] X. Li, Z. Zhao, X. Zhu, dan T. Wyatt, “Meliputi model dan teknik
optimasi untuk lokasi dan perencanaan fasilitas tanggap darurat:
tinjauan,”Metode Matematika Riset Operasi,jilid 74, tidak. 3, hlm.
281–310, 2011.
[7] K. Hogan dan C. Revelle, “Konsep dan aplikasi cakupan cadangan,”
Ilmu Manajemen,jilid 32, tidak. 11, hlm. 1434–1444, 1986.
[8] VL Bennett, DJ Eaton, dan RL Church, “Memilih situs untuk petugas kesehatan
pedesaan,”Ilmu Sosial dan Kedokteran,jilid 16, tidak. 1, hlm. 63–72, 1982.
[9] M. Burkey, J. Bhadury, dan H. Eiselt, "Sebuah perbandingan berbasis lokasi layanan
perawatan kesehatan di empat negara bagian AS dengan efisiensi dan kesetaraan," Ilmu
Perencanaan Sosial Ekonomi,jilid 46, tidak. 2, hlm. 157-163, 2012.
[10] KF Doerner dan RF Hartl, "Logistik perawatan kesehatan, kesiapsiagaan
darurat, dan bantuan desistar: tantangan baru untuk masalah perutean
dengan fokus pada situasi Austria," diMasalah Perutean Kendaraan, 2008,
jilid. 43, hlm. 297–325.
[11] M. Dzator dan J. Dzator, “Sebuah heuristik yang efektif untukP-masalah
median dengan aplikasi ke lokasi ambulans, ”PENCARIAN,jilid 50, tidak.
1, hlm. 60–74, 2013.
[12] D. Eaton, M. Daskin, D. Simmons, B. Bulloch, dan G. Jansma,
"Menentukan penyebaran medis darurat di Austin, Texas,"Antarmuka,
jilid 15, tidak. 1, hlm. 96–108, 1985.
[13] DJ Eaton, HM Sánchez, R. Lantingue, dan J. Morgan, “Menentukan
penempatan ambulans di Santo Domingo, Republik Dominika,”jurnal
Masyarakat Riset Operasional,jilid 38, tidak. 6, hlm. 509–514, 1987.
[14] O. Fujiwara, T. Makjamroen, dan KK Gupta, “Ambulance
deployment analysis: A case study of Bangkok,”Jurnal Riset
Operasional Eropa,jilid 31, tidak. 1, hlm. 9–18, 1987.
[15] V. Indriasari, AR Mahmud, N. Ahmad, dan ARM Shariff, “Masalah area
pelayanan maksimal untuk penempatan fasilitas darurat yang
optimal,”Jurnal Internasional Ilmu Informasi Geografis,jilid 24, tidak. 2,
hlm. 213–230, 2010.
[16] J. Repede dan J. Bernardo, "Mengembangkan dan memvalidasi sistem
pendukung keputusan untuk menemukan kendaraan medis darurat di
louisville, kentucky,"Jurnal Riset Operasional Eropa,jilid 75, tidak. 3,
hlm. 567–581, 1994.
[17] A. Thirion, “Modles de localization et de réallocation d'ambulances.
Aplikasi aux communes di provinsi Namur et Brabant Wallon.” Tesis
magister, 2006.
[18] OI Alsalloum dan GK Rand, “Perluasan ke model lokasi kendaraan
darurat,”Komputer dan Riset Operasi,jilid 33, tidak. 9, hlm. 2725–
2743, 2006.
[19] R. Batta, JM Dolan, dan NN Krishnamurthy, “Masalah Lokasi Meliputi
yang Diharapkan Maksimal: Ditinjau Kembali,”Ilmu Transportasi, jilid
23, tidak. 4, hlm. 277–287, 1989.
[20] KF Doerner, WJ Gutjahr, RF Hartl, M. Karall, dan M. Reimann, "Solusi
heuristik dari masalah lokasi ambulans cakupan ganda yang
diperluas untuk Austria,"Jurnal Riset Operasi Eropa Tengah, jilid
13, hlm. 325–340, 2005.
[21] E. Erkut, A. Ingolfsson, dan G. Erdoğan, “Lokasi Ambulans untuk Kelangsungan Hidup
Maksimum,”Logistik Riset Angkatan Laut,jilid 55, tidak. 1, hlm. 42–58, 2008.
[22] A. Ingolfsson, S. Budge, dan E. Erkut, "Lokasi ambulans yang optimal dengan
penundaan acak dan waktu tempuh,"Ilmu Manajemen Perawatan Kesehatan, jilid
11, tidak. 3, hlm. 262–274, Januari 2008.
[23] O. Karasakal dan EK Karasakal, “Model lokasi penutupan maksimal
dengan adanya cakupan parsial,”Komputer & Riset Operasi, jilid 31,
tidak. 9, hlm. 1515–1526, Agustus 2004.
[24] VA Knight, PR Harper, dan L. Smith, "Alokasi ambulans untuk kelangsungan
hidup maksimal dengan ukuran hasil yang heterogen,"Akhir, jilid 40, tidak.
6, hlm. 918–926, Desember 2012.
[25] V. Marianov dan C. ReVelle, "Masalah lokasi ketersediaan maksimal
antrian: Sebuah model untuk penentuan tapak kendaraan darurat,"
Jurnal Riset Operasional Eropa,jilid 93, tidak. 1, hlm. 110–120, 1996.
[26] V. Marianov dan D. Serra, “Probabilistik, Lokasi Penutupan Maksimal:
Model Alokasi untuk Sistem Kemacetan,”Jurnal Ilmu Regional, jilid 38,
tidak. 3, hlm. 401–424, 1998.
[27] LA McLay, "Model lokasi cakupan maksimum yang diharapkan dengan
dua jenis server,"Transaksi IIE,jilid 41, tidak. 8, hlm. 730–741, 2009.
[28] C. Saydam dan M. McKnew, "Aplikasi dan implementasi pendekatan
pemrograman yang dapat dipisahkan untuk cakupan yang diharapkan:
Aplikasi ke lokasi ambulans,"Ilmu Keputusan,jilid 16, tidak. 4, hlm. 381–398,
1985.
[29] C. Saydam dan H. Aytuğ, “Estimasi akurat dari cakupan yang diharapkan:
Revisited,”Ilmu Perencanaan Sosial Ekonomi,jilid 37, tidak. 1, hlm. 69–80,
2003.
[30] D. Schilling, DJ Elzinga, J. Cohon, R. Church, dan C. ReVelle, “Model Tim/
Armada untuk Penempatan Fasilitas dan Peralatan Simultan,” Ilmu
Transportasi,jilid 13, tidak. 2, hlm. 163–175, 1979.
[31] DA Schilling, "Pemodelan lokasi dinamis untuk fasilitas sektor publik:
Pendekatan multikriteria,"Ilmu Keputusan,jilid 11, tidak. 4, hlm. 714–
724, 1980.
[32] P. Sorensen dan RL Church, “Mengintegrasikan cakupan yang diharapkan dan
keandalan lokal untuk masalah lokasi layanan medis darurat,”Ilmu
Perencanaan Sosial Ekonomi,jilid 44, tidak. 1, hlm. 8–18, 2010.
[33] PL van den Berg dan K. Aardal, “MEXCLP bergantung waktu dengan
biaya startup dan relokasi,”Jurnal Riset Operasional Eropa,jilid 242,
tidak. 2, hlm. 383–389, April 2015.
[34] C. ReVelle dan R. Swain, "Lokasi fasilitas pusat,"Analisis Geografis,
jilid 2, tidak. 1, hlm. 30–42, 1970.
[35] L. Snyder dan M. Daskin, "Model keandalan untuk lokasi fasilitas: kasus biaya
kegagalan yang diharapkan,"Ilmu Transportasi,jilid 39, tidak. 3, hlm. 400–
416, 2005.
[36] M.Daskin,Jaringan dan lokasi terpisah: model, algoritme, dan
aplikasi.John Wiley & Sons, 1995.
[37] G. Kommer dan S. Zwakhals, “Modellen referentiekader ambulancezorg
2008: Documentaire rijtijden-en capaciteitsmodel,” RIVM rapport
270412001, Tech. Rep., 2011.
[38] AZN, "Ambulans di-zicht 2012," Ambulancezorg Nederland, Tek.
Wakil, 2012.
[39] G. Zuidhof, "Perencanaan kapasitas layanan ambulans: Analisis statistik,
peramalan dan staf," Vrije Universiteit Amsterdam dan CWI, Tech.
Wakil, 2010.
[40] M. Maxwell, M. Restrepo, S. Henderson, dan H. Topaloglu, "Perkiraan
pemrograman dinamis untuk pemindahan ambulans,"INFORMS Jurnal
Komputasi,jilid 22, tidak. 2, hlm. 266–281, 2010.