A Stochastic Optimization Model For Real-Time Ambulance Redeployment - En.id
A Stochastic Optimization Model For Real-Time Ambulance Redeployment - En.id
com
Tersedia online 26 Februari 2013 Ketika ambulans terlibat dalam menanggapi panggilan darurat, kemampuan untuk merespons panggilan di masa
Kata kunci:
mendatang dengan cepat sangat terganggu. Ambulans yang tersedia biasanya dipindahkan untuk membangun
Pemrograman bilangan bulat kembali cakupan maksimal. Kami menyajikan model optimasi stokastik dua tahap untuk masalah pemindahan
sistem medis darurat ambulans yang meminimalkan jumlah relokasi di atas cakrawala perencanaan sambil mempertahankan tingkat
layanan yang dapat diterima. Kami melakukan pengujian komputasi berdasarkan data historis nyata dari Wilayah
Layanan Medis Darurat Waterloo. Hasilnya menunjukkan bahwa strategi relokasi yang optimal dapat dihitung dalam
waktu 40 detik dari waktu komputasi untuk tingkat layanan yang diinginkan sebesar 90%.
1. Perkenalan menambahkan ambulans baru dikaitkan dengan biaya yang sangat tinggi,
manajer EMS mengandalkan peningkatan pemanfaatan armada saat ini
Penyebaran ambulans adalah masalah yang menantang yang dihadapi dalam layanan medis darurat (EMS). Dalam praktiknya, dengan menggunakan sistem pendukung keputusan canggih untuk
penyebaran ambulans dilakukan di dua tingkat. Pada tingkat strategis, lokasi stasiun ambulans ditentukan dengan membantu mereka mencapai strategi pemindahan yang lebih baik. Saat ini,
mempertimbangkan pertumbuhan penduduk jangka panjang. Banyak faktor, seperti populasi yang menua dan perkiraan kenaikan relokasi di ROWEMS dilakukan dengan menggunakan tabel kepatuhan yang
permintaan untuk layanan medis mempengaruhi perencanaan jangka panjang dari penempatan ambulans. Di tingkat operasional, telah direncanakan sebelumnya yang menunjukkan di mana ambulans
pengiriman dan pemindahan ambulans direncanakan. Pengiriman ambulans adalah proses penentuan ambulans yang harus harus ditempatkan dengan sejumlah ambulans yang tersedia. Tabel
menanggapi panggilan darurat yang diterima. Biasanya, ketika beberapa ambulans terlibat dalam menanggapi panggilan darurat, kepatuhan tidak memperhitungkan waktu, tidak menunjukkan ambulans
kemampuan untuk merespons panggilan di masa mendatang dengan cepat akan terganggu. Masalah pemindahan terdiri dari mana yang harus dipindahkan, dan bergantung pada pengalaman operator
relokasi ambulans yang tersedia untuk membangun kembali cakupan maksimum. Cakupan mengacu pada area yang dapat dilayani saat membuat keputusan relokasi.
dalam jangka waktu tertentu oleh ambulans yang tersedia. Pada tahun 2006–2007, Region of Waterloo Emergency Medical Systems Seperti yang disajikan secara menyeluruh dalam Brotcorne et al.[3],
(ROWEMS) menyumbang 25.877 pemindahan yang merupakan 27% dari total jumlah kegiatan ambulans untuk periode tersebut. model lokasi ambulans dapat diklasifikasikan ke dalam dua kategori
Standar kinerja saat ini untuk ROWEMS mensyaratkan bahwa 90% panggilan darurat harus dapat dijangkau oleh ambulans dalam utama: model deterministik yang biasanya digunakan pada tahap
waktu 10 menit dan 30 detik. Peraturan Undang-Undang Ambulans baru yang mengharuskan ambulans tiba di tempat kejadian perencanaan dan model probabilistik yang menjelaskan fakta bahwa
dalam waktu kurang dari 8 menit telah diperkenalkan baru-baru ini. Sejak Wilayah Sistem Medis Darurat Waterloo (ROWEMS) ambulans tidak selalu tersedia untuk menanggapi panggilan darurat.
menyumbang 25.877 pemindahan yang merupakan 27% dari total jumlah kegiatan ambulans untuk periode tersebut. Standar kinerja Model pengoptimalan lokasi ambulans awal berfokus pada strategi
saat ini untuk ROWEMS mensyaratkan bahwa 90% panggilan darurat harus dapat dijangkau oleh ambulans dalam waktu 10 menit statis dan deterministik yang digunakan untuk perencanaan jangka
dan 30 detik. Peraturan Undang-Undang Ambulans baru yang mengharuskan ambulans tiba di tempat kejadian dalam waktu kurang panjang. Set meliputi masalah lokasi (SCLP) disajikan oleh Toregas et al.
dari 8 menit telah diperkenalkan baru-baru ini. Sejak Wilayah Sistem Medis Darurat Waterloo (ROWEMS) menyumbang 25.877 [19]bertujuan untuk meminimalkan jumlah ambulans yang dibutuhkan
pemindahan yang merupakan 27% dari total jumlah kegiatan ambulans untuk periode tersebut. Standar kinerja saat ini untuk untuk mencakup area tertentu. Masalah lokasi cakupan maksimal
ROWEMS mensyaratkan bahwa 90% panggilan darurat harus dapat dijangkau oleh ambulans dalam waktu 10 menit dan 30 detik. (MCLP) disajikan oleh Gereja dan ReVelle[5]memaksimalkan area yang
Peraturan Undang-Undang Ambulans baru yang mengharuskan ambulans tiba di tempat kejadian dalam waktu kurang dari 8 menit dapat dijangkau dengan jumlah ambulans yang tetap. Baik SCLP dan
telah diperkenalkan baru-baru ini. Sejak Peraturan Undang-Undang Ambulans baru yang mengharuskan ambulans tiba di tempat MCLP mempertimbangkan cakupan tunggal di mana titik tertentu
kejadian dalam waktu kurang dari 8 menit telah diperkenalkan baru-baru ini. Sejak Peraturan Undang-Undang Ambulans baru yang tercakup jika dapat dicapai dalamTmenit dengan ambulans. Model lain
mengharuskan ambulans tiba di tempat kejadian dalam waktu kurang dari 8 menit telah diperkenalkan baru-baru ini. Sejak yang diperkenalkan oleh Hogan dan ReVelle[13] dan Gendreau dkk.[9]
mengasumsikan cakupan ganda yang mengharuskan semua
permintaan tercakup dalamT1menit sementara sebagian kecil dari
permintaan tercakup dalamT2menit. Meskipun SCLP, MCLP, dan model
cakupan ganda digunakan untuk perencanaan jangka panjang, mereka
nPenulis
yang sesuai.
Alamat email:joe.sawaya@aub.edu.lb (J. Naoum-Sawaya),
secara tidak realistis berasumsi bahwa semua ambulans selalu tersedia
elhedhli@uwaterloo.ca (S. Elhedhli). saat panggilan darurat dilakukan.
0305-0548/$ - lihat materi depan & 2013 Elsevier Ltd. Hak cipta dilindungi undang-
undang. http://dx.doi.org/10.1016/j.cor.2013.02.006
J. Naoum-Sawaya, S. Elhedhli / Riset Komputer & Operasi 40 (2013) 1972–1978 1973
diterima. Masalah lokasi cakupan maksimum yang diharapkan Indeks, parameter, dan set:
(MEXCLP) dari Daskin[7]memperhitungkan ketidaktersediaan ambulans
dan memaksimalkan nilai pertanggungan yang diharapkan dengan saya:indeks untuk ambulans,sayaSEBUAHSAYA.
jumlah ambulans yang tetap. Ekstensi untuk MEXCLP telah disajikan di J:indeks untuk stasiun ambulans,JSEBUAHJ.
Batta et al.[2], ReVelle dan Hogan[17], dan Bola dan Lin[1]. Garis T:indeks untuk periode waktu,TSEBUAHT.
penelitian lain menggunakan teori antrian untuk menganalisis model S:indeks untuk skenario,SSEBUAHS. CJ¼.
probabilistik EMS. Model hypercube yang diperkenalkan di Larson[15] kapasitas stasiunJ. n¼.jumlah panggilan.
telah banyak diterapkan oleh Burwell et al.[4], Goldberg[12], dan
Takeda dkk.[18]untuk menganalisis sistem EMS. Selain itu, Zaki dkk.[20] U(t)menunjukkan himpunan periode waktuT0SEBUAHT,dimana ambulans
dan Ingolfsson dkk.[14] mengadopsi simulasi untuk memodelkan tidak akan tersedia jika menjawab panggilan pada periode waktuT.
8
sistem EMS. >
<1 jika menugaskan ambulanssayake stasiunJmembutuhkan
Baru-baru ini, model relokasi ambulans dinamis yang ditujukan
Daku j¼. relokasi,
untuk perencanaan operasional jangka pendek diperkenalkan. Model >
:
0 sebaliknya:
relokasi dinamis memperhitungkan lokasi ambulans saat ini untuk
8
memberikan strategi pemindahan yang membangun kembali cakupan >
<1 jika panggilan diterima dalam periode waktuTdari skenarioS
maksimum setelah ambulans dikirim. Model relokasi dinamis berulang dan dapat dicapai dalam waktu target dari stasiunJ,
kali diselesaikan secara real time, dan karena sangat penting untuk
Sebuahjts¼.
>
:
0 sebaliknya:
menemukan strategi relokasi dalam waktu yang sangat singkat,
8
heuristik biasanya diterapkan. Gendreau dkk. >1 jika ambulanssayadapat mencapai stasiunJsebelum periode waktu TDjika
>
<
[10]mempresentasikan model cakupan ganda untuk relokasi dinamis dan diperintahkan untuk pindah pada waktunyaT¼.0 dari
menerapkan algoritma pencarian tabu untuk menyelesaikan model yang Rijt¼. >
lokasinya saat iniTH,
dihasilkan. Mereka juga mempertimbangkan fitur-fitur praktis seperti :>
0 sebaliknya:
menghindari pemindahan ambulans yang sama dalam pemindahan yang
(
berurutan, menghindari perjalanan pulang pergi yang berulang antara dua 1 jika panggilan diterima dalam periode waktuTdalam skenarioS,
lokasi yang sama, dan menghindari perjalanan jauh. Gendreau dkk.[11]
Gts¼.
0 sebaliknya:
merumuskan dan memecahkan masalah dinamis yang timbul dalam
relokasi kendaraan dokter. Maxwell dkk.[16]menyajikan model
pemrograman dinamis untuk masalah relokasi ambulans dan perkiraan Rsaya¼.Biaya relokasi ambulanssaya.
dibangun untuk menjelaskan ruang keadaan dimensi tinggi dari masalah. aku¼.Biaya yang terkait dengan tidak melayani panggilan darurat dalam
Perkiraan tersebut disetel menggunakan simulasi. waktu yang diinginkan.
Dalam makalah ini, kami mengusulkan program stokastik dua tahap PS¼.Probabilitas skenarioSterjadi.
untuk masalah relokasi ambulans. Pada tahap pertama, model P¼.Persentase panggilan yang harus dicapai dalam waktu target.
meminimalkan jumlah relokasi, sedangkan pada tahap kedua,
meminimalkan jumlah panggilan yang tidak tercapai dalam waktu Variabel keputusan
layanan yang diinginkan. Formulasi yang disajikan memodelkan waktu (
secara eksplisit untuk cakrawala perencanaan yang diberikan. Hal ini 1 jika ambulanssayaditugaskan ke stasiunJ,
kamuaku j¼.
model, di mana setiap skenario berisi hasil acak untuk lokasi panggilan
x
darurat. Keputusan tahap kedua memodelkan penugasan ambulans xnyaRGts, 8TSEBUAHT,8SSEBUAHS, D4TH
untuk panggilan darurat. Tujuan dari model ini adalah untuk sayaSEBUAHsaya
aktivitas ambulans yang merupakan aset berharga yang kami gunakan XXX
dalam model relokasi kami. Contohnya, data historis berisi lokasi yang xnyaZPN, D6TH
tepat, waktu hari itu, dan waktu perjalanan ambulans. Oleh karena itu sayaSEBUAHItuSEBUAHT sSEBUAHS
3. Hasil komputasi
Tabel 1
Ringkasan data historis.
Waktu hari Panggilan darurat Ambulans aktif Waktu Panggilan darurat Ambulans aktif
tingkat kedatangan per menggeser tingkat kedatangan per menggeser
jam jam
Gambar 2.Perubahan jumlah panggilan darurat yang diharapkan selama periode 24 jam.
ambulans yang bertugas ke 7, memvariasikan cakrawala perencanaan terjadi pada pukul 12:00 (tes 62-72). Jumlah ambulans secara bertahap
dari 70 hingga 160 menit dalam langkah 10, dan memperbaiki jumlah ditingkatkan dari 5 menjadi 15, cakrawala perencanaan ditetapkan menjadi
skenario menjadi 50. Kami melihat bahwa perubahan ini memiliki 120 menit, dan jumlah skenario yang dihasilkan untuk setiap pengujian
sedikit pengaruh pada waktu komputasi yang bervariasi antara 29 dan ditetapkan menjadi 50. Hasilnya menunjukkan bahwa waktu komputasi
33 detik, dengan tidak ada peningkatan waktu komputasi karena adalah antara 27 dan 40 detik. Seperti yang diharapkan, jumlah relokasi
jumlah periode waktu meningkat. Tingkat layanan bervariasi antara berkurang karena jumlah ambulans berkurang.
90% dan 97% sedangkan jumlah relokasi bervariasi antara 1 dan 2. Di dalamTabel 5, kami mengevaluasi pengaruh jumlah skenario pada
Untuk tes (41–50), jumlah ambulans yang bertugas ditetapkan ke 14 kinerja algoritma. Kami memvariasikan jumlah skenario antara 20 dan 160
dan cakrawala perencanaan bervariasi antara 70 dan 160. Mirip dengan dalam langkah 10. Kami melakukan dua pengujian terpisah, yang pertama
tes (31-40) kami melihat bahwa peningkatan perencanaan cakrawala terjadi pada pukul 2:00 (pengujian 73–87) dan yang kedua terjadi pada pukul
memiliki sedikit pengaruh pada waktu komputasi, antara 31 dan 36 14:00 (pengujian 88-102). Untuk (pengujian 73-87), waktu komputasi
detik. Tingkat layanan bervariasi antara 91% dan 97% dan jumlah meningkat dari 28 menjadi 44 detik sementara tingkat layanan bervariasi
relokasi bervariasi antara 0 dan 2. antara 90% dan 97%. Jumlah relokasi rendah dan bervariasi antara 0 dan 2
Di dalamTabel 4, kami mengevaluasi pengaruh jumlah ambulans relokasi. Untuk (pengujian 88-102), waktu komputasi meningkat dari 35
pada kinerja algoritme. Kami melakukan dua tes terpisah, yang menjadi 43 detik sementara tingkat layanan bervariasi antara 90% dan 97%
pertama terjadi pada pukul 8:00 (tes 51–61) dan yang kedua dan jumlah
1976 J. Naoum-Sawaya, S. Elhedhli / Riset Komputer & Operasi 40 (2013) 1972–1978
Meja 2 Tabel 4
Hasil komputasi untuk tes yang terjadi pada waktu yang berbeda dalam sehari. Mengevaluasi pengaruh jumlah ambulans yang bertugas.
Uji Waktu Ambulans Waktu Jumlah relokasi Melayani CPU Uji Waktu Ambulans Waktu Jumlah relokasi Melayani CPU
hari sedang bertugas periode skenario tingkat (S) hari sedang bertugas periode skenario tingkat (S)
(1) (2) (3) (4) (5) (6) (7) (8) (1) (2) (3) (4) (5) (6) (7) (8)
min 1 91% 22
1.87 92,73% 29.97
relokasi bervariasi antara 0 dan 2 relokasi. Hasil komputasi
Rata-rata
Maks 4 96% 39
menunjukkan tren peningkatan yang jelas dalam waktu komputasi
seiring dengan bertambahnya jumlah skenario.
Di dalamTabel 6, kami mengevaluasi dampak Peraturan Undang-Undang
Ambulans baru yang mengharuskan ambulans tiba di lokasi dalam waktu
Tabel 3 kurang dari 8 menit dan membandingkan hasilnya dengan persyaratan
Mengevaluasi pengaruh jumlah periode waktu dalam horizon perencanaan.
waktu layanan 10 menit dan 30 detik saat ini. Seperti yang diharapkan,
Uji Waktu Ambulans Waktu Jumlah Layanan Relokasi CPU persyaratan baru yang lebih ketat berdampak negatif pada tingkat layanan
hari sedang bertugas skenario periode tingkat (S) dan jumlah relokasi. Dengan waktu layanan 8 menit, tingkat layanan selalu
(1) (2) (3) (4) (5) (6) (7) (8) lebih rendah dari tingkat 90% yang diinginkan. Untuk itu kami harus
menurunkan tingkat layanan yang diperlukan (kendala(6)) hingga 80%
31 03:00 7 70 50 1 93 29
sehingga model menjadi layak. Rata-rata service level 84,85% sedangkan
32 03:00 7 80 50 2 90 32
33 03:00 7 90 50 2 93 33 dengan service time 10 menit 30 detik service level 92,08%. Relokasi juga
34 03:00 7 100 50 2 92 32 meningkat karena waktu layanan berkurang. Rata-rata dengan waktu
35 03:00 7 110 50 1 97 32 pelayanan 8 menit, jumlah relokasi adalah 3 dibandingkan dengan 1,38
36 03:00 7 120 50 2 97 29
untuk standar waktu pelayanan 10 menit 30 detik.
37 03:00 7 130 50 1 95 31
38 03:00 7 140 50 1 91 29 Akhirnya, kami menguji apakah tingkat layanan 90% dengan waktu layanan 8
39 03:00 7 150 50 2 92 21 menit dapat dicapai jika ambulans baru ditambahkan. Hasilnya ditampilkan dalam
40 03:00 7 160 50 2 94 30 Gambar 3. Seperti yang diharapkan, menambahkan ambulans meningkatkan
min 1 90% 29 tingkat layanan. Tingkat layanan meningkat dari 84,93% menjadi 87,05% dengan
Rata-rata 1.6 93,4% 30.8 10 ambulans tambahan namun gagal mencapai 90% tingkat layanan yang
Maks 2 97% 33 dibutuhkan bahkan jika 20 ambulans ditambahkan. Yang terpenting, hasil ini
41 14:00 14 70 50 1 91 31 menunjukkan bahwa dengan standar waktu layanan yang baru, ROWEMS akan
42 14:00 14 80 50 1 96 35 gagal memenuhi tingkat layanan 90% yang disyaratkan bahkan jika ambulans
43 14:00 14 90 50 0 93 36 tambahan ditambahkan ke armada dan oleh karena itu ROWEMS harus mencari
44 14:00 14 100 50 1 95 35
opsi lain seperti membangun stasiun baru dan merelokasi stasiun yang sudah
45 14:00 14 110 50 0 97 34
46 14:00 14 120 50 1 95 35 ada. untuk memenuhi tingkat layanan minimum. Bahkan, ROWEMS telah memulai
47 14:00 14 130 50 2 96 34 studi lain untuk menemukan lokasi stasiun baru yang meningkatkan tingkat
48 14:00 14 140 50 1 93 34 layanan mereka.
49 14:00 14 150 50 0 91 32
50 14:00 14 160 50 1 91 36
3.1. Menggunakan metrik Manhattan untuk menghitung jarak perjalanan
min 0 91% 31
Rata-rata 0.8 93,8% 34.2
Selain norma Euclidean, metrik Manhattan biasanya digunakan untuk
Maks 2 97% 36
memperkirakan jarak perjalanan. Di beberapa daerah dan sebagian besar
J. Naoum-Sawaya, S. Elhedhli / Riset Komputer & Operasi 40 (2013) 1972–1978 1977
di daerah pusat kota, jaringan jalan memiliki geografi yang menyerupai Metrik Manhattan dan membandingkannya dengan menggunakan jarak
kisi persegi panjang di mana metrik Manhattan memberikan perkiraan Euclidean. Hasilnya ditampilkan dalamTabel 7. Kami melihat bahwa masalah
jarak perjalanan yang lebih realistis. Di bagian ini, kami mengevaluasi yang menggunakan metrik Manhattan memiliki jumlah relokasi yang lebih
hasil yang diperoleh saat menggunakan tinggi dan tingkat layanan yang lebih rendah daripada masalah yang
menggunakan jarak Euclidean. Ini karena jarak yang diperkirakan
Tabel 5 menggunakan metrik Manhattan biasanya lebih besar daripada yang
Mengevaluasi pengaruh jumlah skenario. diperkirakan saat menggunakan jarak Euclidean. Untuk pengujian 116–128,
dengan menggunakan metrik Manhattan diperoleh rata-rata jumlah relokasi
Waktu Tes Ambulans Waktu Jumlah skenario Layanan Relokasi CPU
1,69 dan tingkat layanan rata-rata 91%, sedangkan untuk masalah yang
hari sedang bertugas periode tingkat (S)
(1) (2) (3) (4) (5) (6) (7) (8) sama, dengan menggunakan jarak Euclidean jumlah relokasi adalah 1,38
dan tingkat layanan 92,15 % rata-rata.
73 02:00 12 100 20 1 94 28
74 02:00 12 100 30 1 90 31
75 02:00 12 100 40 0 96 33
4. Kesimpulan
76 02:00 12 100 50 1 95 32
77 02:00 12 100 60 1 95 35
78 02:00 12 100 70 2 92 34 Dalam makalah ini, kami mempertimbangkan masalah relokasi
79 02:00 12 100 80 0 97 36 ambulans untuk Layanan Medis Darurat, masalah penting yang
80 02:00 12 100 90 1 95 37 bertujuan untuk memaksimalkan efisiensi Unit Layanan Medis Darurat
81 02:00 12 100 100 0 93 38
dengan mengerahkan kembali ambulans yang tersedia untuk
82 02:00 12 100 110 1 91 38
83 02:00 12 100 120 1 95 37 membangun kembali cakupan maksimum ketika beberapa ambulans
84 02:00 12 100 130 0 92 39 menanggapi panggilan darurat. Karena relokasi merupakan bagian
85 02:00 12 100 140 1 95 38 besar dari kegiatan ambulans, kami menyajikan model optimasi
86 02:00 12 100 150 1 93 42
stokastik yang meminimalkan jumlah relokasi selama cakrawala
87 02:00 12 100 160 1 94 44
perencanaan sambil mempertahankan tingkat layanan yang memadai.
min 0 90% 28 Model optimasi stokastik didasarkan pada data historis yang
Rata-rata 0.8 93,8% 36.13
biasanya tersedia untuk Layanan Medis Darurat dan merupakan sumber
Maks 2 97% 44
daya yang berharga untuk perencanaan yang efisien.
88 14:00 14 100 20 1 93 35
Pengujian komputasi yang dilakukan dengan menggunakan data nyata
89 14:00 14 100 30 0 95 38
90 14:00 14 100 40 2 93 36 dari Wilayah Waterloo EMS menunjukkan bahwa relokasi optimal
91 14:00 14 100 50 1 96 38
92 14:00 14 100 60 1 95 37
93 14:00 14 100 70 1 97 37
94 14:00 14 100 80 0 90 38
95 14:00 14 100 90 0 93 38
96 14:00 14 100 100 0 93 39
97 14:00 14 100 110 1 95 39
98 14:00 14 100 120 1 94 40
99 14:00 14 100 130 0 90 39
100 14:00 14 100 140 1 96 40
101 14:00 14 100 150 1 93 42
102 14:00 14 100 160 1 96 43
min 0 90% 35
Rata-rata 0.73 93,93% 38.6
Maks 2 97% 43
Gambar 3.Tingkat layanan.
Tabel 6
8 menit vs 10 menit 30 detik waktu layanan.
Uji Waktu hari Ambulans bertugas Periode waktu Skenario Waktu layanan
Tabel 7
Metrik Manhattan vs norma Euclidean.
Uji Waktu hari Ambulans bertugas Periode waktu Skenario metrik Manhattan Jarak Euclidean
0 90% 26 1 90% 23
1.69 91% 29.23 1.38 92,15% 28.31
3 93% 33 2 95% 33
strategi dapat dihitung dalam waktu 40 detik dari waktu komputasi. [7] Daskin M. Ekspektasi maksimal yang diharapkan meliputi model lokasi: formulasi,
properti, dan solusi heuristik. Ilmu Transportasi 1983;17:48–70.
Untuk kepuasan kru ambulans, jumlah relokasi rendah untuk jangka
[8] Domenica ND, Lucas C, Mitra G, Valente P. Pembuatan skenario untuk pemrograman
waktu perencanaan 2 jam. dan simulasi stokastik: perspektif pemodelan. IMA Journal of Management
Mathematics 2009;20(1):1–38.
[9] Gendreau M, Laporte G, Semet F. Memecahkan model lokasi ambulans dengan
ucapan terima kasih pencarian tabu. Ilmu Lokasi 1997;5:75–88.
[10] Gendreau M, Laporte G, Semet F. Model dinamis dan heuristik pencarian tabu paralel
untuk relokasi ambulans real-time. Komputasi Paralel 2001; 27:1641–53.
Penulis ingin mengucapkan terima kasih kepada Arman Ingolfsson
karena telah menyarankan jangka waktu maksimum dariBagian 2.1dan [11] Gendreau M, Laporte G, Semet F. Masalah relokasi cakupan yang diharapkan
maksimal untuk kendaraan darurat. Jurnal Masyarakat Riset Operasional
Wilayah Layanan Medis Darurat Waterloo untuk menyediakan data 2006;57:22–8.
historis dan dukungan untuk penelitian ini. Penelitian ini juga didukung [12] Model riset Goldberg J. Operasi untuk penyebaran kendaraan layanan darurat. Jurnal
secara finansial oleh Natural Sciences and Engineering Research Manajemen EMS 2004;1:20–39.
[13] Hogan K, ReVelle C. Konsep dan aplikasi cakupan cadangan. Ilmu Manajemen
Council (NSERC) dan Mathematics of Information Technology and
1986;32:1434–44.
Complex Systems (MITACS). [14] Ingolfsson A, Erkut E, Budge S. Mensimulasikan stasiun awal tunggal untuk
Edmonton EMS. Jurnal Masyarakat Riset Operasional 2003;54:736–46.
[15] Larson R. Sebuah model antrian hypercube untuk lokasi fasilitas dan redistricting
Referensi
dalam layanan darurat perkotaan. Komputer & Riset Operasi 1974; 1:67–95.
[16] Maxwell MS, Restrepo M, Henderson SG, Topaloglu H. Perkiraan pemrograman
[1] Ball M, Lin F. Model keandalan yang diterapkan pada lokasi kendaraan layanan dinamis untuk pemindahan ambulans. Menginformasikan Jurnal Komputasi
darurat. Riset Operasi 1993;41:18–36. 2010;22:266–81.
[2] Batta R, Dolan J, Krishnamorty N. Model lokasi cakupan maksimal yang diharapkan [17] ReVelle C, Hogan K. Masalah lokasi ketersediaan maksimum. Ilmu Transportasi
ditinjau kembali. Ilmu Transportasi 1989;23:277–87. 1989;23:192–200.
[3] Brotcorne L, Laporte G, Semet F. Model lokasi dan relokasi ambulans. Jurnal Riset [18] Takeda R, Widmer J, Morabito R. Analisis desentralisasi ambulans di layanan darurat
Operasional Eropa 2003;147:451–63. medis perkotaan menggunakan model antrian hypercube. Riset Komputer &
[4] Burwell T, Jarvis J, McKnew M. Pemodelan server co-located dan hubungan Operasi 2007;34:727–41.
pengiriman dalam model hypercube. Komputer & Riset Operasi 1993;20:113–9. [19] Toregas C, Swain R, ReVelle C, Bergman L. Lokasi fasilitas layanan darurat. Riset
[5] Church R, ReVelle C. Masalah lokasi cakupan maksimal. Papers Regional Science Operasi 1971;19:1363–73.
Association 1974;32:101–18. [20] Zaki A, Cheng H, Parker B. Model simulasi untuk analisis dan pengelolaan sistem
[6] Dantzig G. Pemrograman linier di bawah ketidakpastian. Ilmu Manajemen layanan darurat. Ilmu Perencanaan Sosial Ekonomi 1997;31:173–89.
1955;1:197-206.