Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

com

Riset Komputer & Operasi 40 (2013) 1972–1978

Daftar isi tersedia diSciVerse ScienceDirect

Riset Komputer & Operasi

beranda jurnal:www.elsevier.com/locate/caor

Model pengoptimalan stokastik untuk penempatan

kembali ambulans waktu nyata
Joe Naoum-SawayaSebuah,n, Samir ElhedhliB
SebuahProgram Manajemen Teknik, Universitas Amerika Beirut, Beirut, Lebanon
BDepartemen Ilmu Manajemen, University of Waterloo, 200 University Avenue West, Waterloo, Ontario, Kanada

info artikel abstrak

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%.

&2013 Elsevier Ltd. Semua hak dilindungi undang-undang.

1. Perkenalan
Penyebaran ambulans adalah masalah yang menantang yang dihadapi dalam layanan medis darurat (EMS). Dalam praktiknya,
penyebaran ambulans dilakukan di dua tingkat. Pada tingkat strategis, lokasi stasiun ambulans ditentukan dengan
mempertimbangkan pertumbuhan penduduk jangka panjang. Banyak faktor, seperti populasi yang menua dan perkiraan kenaikan
permintaan untuk layanan medis mempengaruhi perencanaan jangka panjang dari penempatan ambulans. Di tingkat operasional,
pengiriman dan pemindahan ambulans direncanakan. Pengiriman ambulans adalah proses penentuan ambulans yang harus
menanggapi panggilan darurat yang diterima. Biasanya, ketika beberapa ambulans terlibat dalam menanggapi panggilan darurat,
kemampuan untuk merespons panggilan di masa mendatang dengan cepat akan terganggu. Masalah pemindahan terdiri dari
relokasi ambulans yang tersedia untuk membangun kembali cakupan maksimum. Cakupan mengacu pada area yang dapat dilayani
dalam jangka waktu tertentu oleh ambulans yang tersedia. Pada tahun 2006–2007, Region of Waterloo Emergency Medical Systems
(ROWEMS) menyumbang 25.877 pemindahan yang merupakan 27% dari total jumlah kegiatan ambulans untuk periode tersebut.
Standar kinerja saat ini untuk ROWEMS mensyaratkan bahwa 90% panggilan darurat harus dapat dijangkau oleh ambulans dalam
waktu 10 menit dan 30 detik. Peraturan Undang-Undang Ambulans baru yang mengharuskan ambulans tiba di tempat kejadian
dalam waktu kurang dari 8 menit telah diperkenalkan baru-baru ini. Sejak Wilayah Sistem Medis Darurat Waterloo (ROWEMS)
menyumbang 25.877 pemindahan yang merupakan 27% dari total jumlah kegiatan ambulans untuk periode tersebut. Standar kinerja
saat ini untuk ROWEMS mensyaratkan bahwa 90% panggilan darurat harus dapat dijangkau oleh ambulans dalam waktu 10 menit
dan 30 detik. Peraturan Undang-Undang Ambulans baru yang mengharuskan ambulans tiba di tempat kejadian dalam waktu kurang
dari 8 menit telah diperkenalkan baru-baru ini. Sejak Wilayah Sistem Medis Darurat Waterloo (ROWEMS) menyumbang 25.877
pemindahan yang merupakan 27% dari total jumlah kegiatan ambulans untuk periode tersebut. Standar kinerja saat ini untuk
ROWEMS mensyaratkan bahwa 90% panggilan darurat harus dapat dijangkau oleh ambulans dalam waktu 10 menit dan 30 detik.
Peraturan Undang-Undang Ambulans baru yang mengharuskan ambulans tiba di tempat kejadian dalam waktu kurang dari 8 menit
telah diperkenalkan baru-baru ini. Sejak Peraturan Undang-Undang Ambulans baru yang mengharuskan ambulans tiba di tempat
kejadian dalam waktu kurang dari 8 menit telah diperkenalkan baru-baru ini. Sejak Peraturan Undang-Undang Ambulans baru yang
mengharuskan ambulans tiba di tempat kejadian dalam waktu kurang dari 8 menit telah diperkenalkan baru-baru ini. Sejak
nPenulis
yang sesuai.
Alamat email:joe.sawaya@aub.edu.lb (J. Naoum-Sawaya),
elhedhli@uwaterloo.ca (S. Elhedhli).
menambahkan ambulans baru dikaitkan dengan biaya yang sangat tinggi,
manajer EMS mengandalkan peningkatan pemanfaatan armada saat ini
dengan menggunakan sistem pendukung keputusan canggih untuk
membantu mereka mencapai strategi pemindahan yang lebih baik. Saat ini,
relokasi di ROWEMS dilakukan dengan menggunakan tabel kepatuhan yang
telah direncanakan sebelumnya yang menunjukkan di mana ambulans
harus ditempatkan dengan sejumlah ambulans yang tersedia. Tabel
kepatuhan tidak memperhitungkan waktu, tidak menunjukkan ambulans
mana yang harus dipindahkan, dan bergantung pada pengalaman operator
saat membuat keputusan relokasi.
Seperti yang disajikan secara menyeluruh dalam Brotcorne et al.[3],
model lokasi ambulans dapat diklasifikasikan ke dalam dua kategori
utama: model deterministik yang biasanya digunakan pada tahap
perencanaan dan model probabilistik yang menjelaskan fakta bahwa
ambulans tidak selalu tersedia untuk menanggapi panggilan darurat.
Model pengoptimalan lokasi ambulans awal berfokus pada strategi
statis dan deterministik yang digunakan untuk perencanaan jangka
panjang. Set meliputi masalah lokasi (SCLP) disajikan oleh Toregas et al.
[19]bertujuan untuk meminimalkan jumlah ambulans yang dibutuhkan
untuk mencakup area tertentu. Masalah lokasi cakupan maksimal
(MCLP) disajikan oleh Gereja dan ReVelle[5]memaksimalkan area yang
dapat dijangkau dengan jumlah ambulans yang tetap. Baik SCLP dan
MCLP mempertimbangkan cakupan tunggal di mana titik tertentu
tercakup jika dapat dicapai dalamTmenit dengan ambulans. Model lain
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
secara tidak realistis berasumsi bahwa semua ambulans selalu tersedia
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.

memungkinkan pemodelan beberapa fitur rumit seperti jadwal shift 0 sebaliknya:

8
ambulans dan perubahan permintaan pada siang hari. >
<1 jika ambulanssayaditugaskan untuk panggilan yang diterima dalam

xnya¼. periode waktuTdari skenarioS, sebaliknya:

Sisa dari makalah ini disusun sebagai berikut. Model optimasi >
:
0
stokastik disajikan dalamSeksi 2. Tes komputasi disajikan dalamBagian
3.Bagian 4menyimpulkan.

Program stokastik dua tahap dirumuskan sebagai berikut:

!
2. Formulasi pemrograman stokastik dua tahap XX XX x
min RsayaDaku jkamuaku jthaku PS 1- xnya, D1TH
Kami memodelkan masalah pemindahan ambulans sebagai
sayaSEBUAHaku jSEBUAHJ SSEBUAHS TSEBUAHT sayaSEBUAHsaya

program stokastik dua tahap berdasarkan skenario[6]. Pada tahap x

s:t: xnya- D2TH
pertama, model menentukan penempatan ambulans yang optimal.
DRijtSebuahjtskamuaku jTHR0, 8sayaSEBUAHSAYA,8TSEBUAHT,8SSEBUAHS,

Keputusan ini dibuat sebelum mengetahui lokasi pasti dari panggilan

JSEBUAHJ

darurat di masa mendatang. Ketidakpastian lokasi panggilan darurat x

xnyath xdia0SR1, 8sayaSEBUAHSAYA,8TSEBUAHT,8SSEBUAHS, D3TH
diwakili oleh serangkaian skenario terbatas yang mewakili tahap kedua T0SEBUAHkamuDTTH

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

meminimalkan jumlah relokasi ambulans sambil memenuhi tingkat x

kinerja minimum. Skenario dibentuk berdasarkan data historis. kamuaku jRCJ, 8JSEBUAHJ, D5TH
Layanan Medis Darurat menyimpan data historis terperinci dari semua 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

skenario dapat dibangun dengan melihat jumlah dan lokasi panggilan

kamuaku jSEBUAHF0,1G,xnyaSEBUAHF0,1G, 8sayaSEBUAHSAYA,8JSEBUAHJ,8TSEBUAHT,8SSEBUAHS: D7TH
untuk hari tertentu.
Fungsi tujuan memiliki dua komponen. Tahap pertama
Untuk memodelkan masalah relokasi dinamis, kami mendefinisikan meminimalkan jumlah relokasi sedangkan tahap kedua meminimalkan
notasi berikut: jumlah panggilan darurat yang tidak dilayani
1974 J. Naoum-Sawaya, S. Elhedhli / Riset Komputer & Operasi 40 (2013) 1972–1978
dalam waktu yang ditargetkan. Mirip dengan Gendreau et al.[10], parameterRsaya
adalah koefisien penalti yang terkait dengan relokasi ambulanssaya.Oleh
karena itu, hukuman yang besar diberlakukan pada ambulans yang telah
sering dipindahkan di masa lalu atau pada ambulans yang mendekati akhir
shift mereka. Kami mencatat bahwa koefisien penalti diperbarui setiap kali mengambil sampel data historis secara acak. Waktu layanan yang
model diselesaikan. Kendala(2)tunjukkan ambulans itusayadapat melayani
panggilan dalam waktu yang diinginkan jika ditetapkan ke stasiun dari mana menggunakan kecepatan kendaraan konstan 50 km/jam, dan jarak
panggilan dapat dicapai dalam waktu target. Kami mencatat bahwa jika
ambulanssayasaat ini tidak di stasiunJ dan diperintahkan untuk pindah ke
stasiunJ,parameterRijtmemastikan bahwa waktu tempuh relokasi ambulans
sayadiperhitungkan dan karenanya ambulanssayatidak dianggap hadir di
stasiunJsebelum benar-benar tiba. Kendala(3)memastikan bahwa jika
ambulanssayaditugaskan untuk melayani panggilan periode waktuTmaka
ambulans ini tidak akan tersedia untuk semua periode waktuT0SEBUAH
kamuDTTH.Kendala(4) memastikan bahwa paling banyak satu ambulans
ditugaskan untuk setiap panggilan. Kendala(5)memastikan bahwa jumlah
maksimum ambulans yang ditugaskan ke stasiunJtidak melebihi kapasitas
maksimumnyaCJ. Kendala(6)menunjukkan bahwa setidaknyaP%panggilan
harus dicapai dalam waktu target. Kami mencatat bahwa kendala(6)dapat
dijatuhkan dari model jika tidak ada tingkat layanan yang diterapkan.
Membuat skenario untuk model relatif mudah karena semua EMS
menyimpan data historis yang terperinci. Untuk pengujian komputasi
kami, Wilayah Waterloo EMS memberi kami data historis 2 tahun yang
terdiri dari 95.840 panggilan. Dalam kasus di mana data historis tidak
tersedia, simulasi dapat digunakan untuk menghasilkan skenario
seperti di Domenica et al.[8].
2.1. Panjang periode waktu
Untuk menghitung panjang masing-masing periode waktuTSEBUAHT,
kita asumsikan bahwa panggilan darurat tiba menurut distribusi Poisson
dengan tingkat kedatanganakupanggilan/jam. Probabilitas memiliki 0 atau
1 panggilan dalam periode waktuTmaka
PD0Þþ.PD1Þ¼.e-lTthakute-lT¼ð1thakuTTHe-lT: D8TH 30 detik. Jumlah relokasi bervariasi antara 1 dan 4. Mampu
Untuk kecil -akut, e-lTdapat didekati sebagaie-lTsaya1-akuT.
Mempertimbangkan bahwa periode waktu harus cukup singkat untuk
menjamin bahwa probabilitas memiliki 0 atau 1 panggilan setidaknya 1-E,
Persamaan.(8) mengarah ke
D1thakuTÞþ1-akuTTHZ1-E,
1-aku2T2Z1-E,
pffiffi
menyiratkan bahwa periode waktu harus paling banyakDE=lTH.sebagai
contoh, untukE¼.0:01 danaku¼.2 panggilan/jam, jangka waktu harus
kurang dari 3 menit yang berarti 20 periode waktu untuk perencanaan
cakrawala 1 jam.
3. Hasil komputasi
Masalah(1)–(7)diimplementasikan di Matlab dan diselesaikan
menggunakan CPLEX 11.0. Ada dua set penting variabel keputusan
dalam perumusan. Ini adalah penugasan ambulans ke stasiun (variabel
kamuaku j) dan penugasan ambulans untuk panggilan (variabelxnya). Jika
ambulans ditugaskan ke stasiun, masalahnya berkurang menjadi
mengidentifikasi panggilan mana yang dilayani dalam waktu target.
Karena jumlahkamuaku jvariabel lebih kecil dari jumlahxnyavariabel,
diinginkan untuk melakukan cabang pertama padakamuaku j. CPLEX
diatur ke cabang pertama pada variabel tahap pertamakamuaku j
sebelum bercabang dixnyavariabel.
Instance pengujian dihasilkan dari data historis yang disediakan
oleh ROWEMS. Wilayah Waterloo memiliki luas geografis 1382 km2dan
ditampilkan diGambar 1. Wilayah ini dibagi menjadi 76 kotak, masing-
masing dengan luas 25 km2. Ini adalah
pada gilirannya dibagi menjadi 25 unit kotak yang diidentifikasi oleh
Universal Transverse Mercator (UTM) yang unik. Data historis
menunjukkan alamat UTM dari setiap panggilan darurat. Untuk
menguji model kami, kami menghasilkan 128 masalah dengan
ditargetkanTmaksimaldiatur ke 10 menit 30 detik, waktu tempuh dihitung
dihitung berdasarkan norma Euclidean. Kami mengevaluasi kualitas
solusi dalam hal persentase panggilan darurat yang tercapai dalam
waktu yang ditargetkan dan dalam hal jumlah relokasi. Untuk
memperhitungkan perubahan tingkat kedatangan panggilan darurat,
hari itu dibagi menjadi 48 periode masing-masing 30 menit dan tingkat
kedatangan dihitung untuk periode ini. Mengingat tingkat kedatangan,
cakrawala perencanaan harus dibagi menjadi periode waktuT¼.1 menit
untuk menjamin probabilitas 99% bahwa 0 atau 1 panggilan diterima di
setiap periode waktu (lihatBagian 2.1untuk detailnya). Akhirnya, jumlah
ambulans untuk setiap shift diberikan. Data historis dirangkum dalam
Tabel 1. Kami perhatikan bahwa tingkat panggilan darurat meningkat
dari pukul 06:00 sampai siang, puncaknya pada pukul 11:00 dan 13:00,
stabil pada sore dan malam hari, dan mulai menurun sekitar pukul
20:00 hingga 6 : 00 pagi (Gambar 2.).
Hasil komputasi untuk 30 tes yang terjadi pada waktu yang berbeda
dalam satu hari ditampilkan diMeja 2. Kolom (1) menunjukkan nomor
tes. Kolom (2) menunjukkan waktu hari itu. Kolom (3), (4) dan (5)
masing-masing menunjukkan jumlah ambulans yang bertugas, jumlah
periode waktu di cakrawala perencanaan, dan jumlah skenario yang
dihasilkan. Jumlah relokasi ditampilkan di Kolom (6), tingkat layanan
ditampilkan di Kolom (7), dan terakhir waktu komputasi dalam detik
ditampilkan di Kolom (8). Cakrawala perencanaan ditetapkan untuk 120
periode (2 jam) dan 50 skenario panggilan darurat dihasilkan untuk
setiap pengujian. Jumlah ambulans yang bertugas diatur ke jumlah
sebenarnya ambulans pada shift. Hasil komputasi menunjukkan bahwa
strategi relokasi optimal dihitung dalam waktu kurang dari 39 detik.
Tingkat layanan untuk strategi relokasi yang dihitung bervariasi antara
91% dan 96% dari panggilan yang dilayani dalam batas waktu 10 menit
menyelesaikan masalah pemindahan dalam waktu kurang dari 40 detik
memberikan ROWEMS keunggulan dalam meningkatkan kinerja
layanan mereka dan yang lebih penting mempertahankan tingkat
layanannya di atas 90%.
Di dalamTabel 3, kami mengevaluasi efek dari perencanaan cakrawala pada
D9TH
kinerja algoritma. Kami melakukan dua pengujian terpisah, yang pertama terjadi
pada pukul 3:00 (pengujian 31–72) dan yang kedua terjadi pada pukul 14:00
D10TH
(pengujian 41–50). Untuk pengujian (31–40), kami menetapkan jumlah
Gambar 1.Wilayah Waterloo.
 J. Naoum-Sawaya, S. Elhedhli / Riset Komputer & Operasi 40 (2013) 1972–1978 1975

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

6:00–6:30 2.02 7 18:00–18:30 4.86 16

6:30–7:00 2.34 8 18:30–19:00 4.64 16
7:00–7:30 2.68 8 19:00–19:30 4.84 15
7:30–8:00 3 9 19:30–20:00 4.22 15
8:00–8:30 3.82 10 20:00–20:30 4.26 13
8:30–9:00 3.72 10 20:30–21:00 4.08 13
9:00–9:30 4.7 12 21:00–21:30 4.04 11
9:30–10:00 4.86 12 21:30–22:00 4.02 11
10:00–10:30 4.98 12 22:00–22:30 3.58 11
10:30–11:00 5.12 12 22:30–23:00 3.14 11
11:00–11:30 5.14 12 23:00–23:30 3.18 11
11:30–12:00 4.74 12 23:30–00:00 2.84 11
12:00–12:30 4.86 14 00:00–00:30 2.76 9
12:30–13:00 4.94 14 00:30–1:00 2.72 9
13:00–13:30 5.12 14 1:00–1:30 2.64 9
13:30–14:00 5.06 14 1:30–2:00 2.72 9
14:00–14:30 4.78 14 2:00–2:30 2.66 9
14:30–15:00 4.82 14 2:30–3:00 2.48 9
15:00–15:30 4.84 15 3:00–3:30 1.98 8
15:30–16:00 4.76 15 3:30–4:00 1.8 8
16:00–16:30 4.56 16 4:00–4:30 1.62 7
16:30–17:00 4,54 16 4:30–5:00 1.56 7
17:00–17:30 4.72 16 5:00–5:30 1.62 7
17:30–18:00 4.74 16 5:30–6:00 1.62 7

Gambar 2.Perubahan jumlah panggilan darurat yang diharapkan selama periode 24 jam.

ambulans yang bertugas ke 7, memvariasikan cakrawala perencanaan
dari 70 hingga 160 menit dalam langkah 10, dan memperbaiki jumlah
skenario menjadi 50. Kami melihat bahwa perubahan ini memiliki
sedikit pengaruh pada waktu komputasi yang bervariasi antara 29 dan
33 detik, dengan tidak ada peningkatan waktu komputasi karena
jumlah periode waktu meningkat. Tingkat layanan bervariasi antara
90% dan 97% sedangkan jumlah relokasi bervariasi antara 1 dan 2.
Untuk tes (41–50), jumlah ambulans yang bertugas ditetapkan ke 14
dan cakrawala perencanaan bervariasi antara 70 dan 160. Mirip dengan
tes (31-40) kami melihat bahwa peningkatan perencanaan cakrawala
memiliki sedikit pengaruh pada waktu komputasi, antara 31 dan 36
detik. Tingkat layanan bervariasi antara 91% dan 97% dan jumlah
relokasi bervariasi antara 0 dan 2.
Di dalamTabel 4, kami mengevaluasi pengaruh jumlah ambulans
pada kinerja algoritme. Kami melakukan dua tes terpisah, yang
pertama terjadi pada pukul 8:00 (tes 51–61) dan yang kedua
terjadi pada pukul 12:00 (tes 62-72). Jumlah ambulans secara bertahap
ditingkatkan dari 5 menjadi 15, cakrawala perencanaan ditetapkan menjadi
120 menit, dan jumlah skenario yang dihasilkan untuk setiap pengujian
ditetapkan menjadi 50. Hasilnya menunjukkan bahwa waktu komputasi
adalah antara 27 dan 40 detik. Seperti yang diharapkan, jumlah relokasi
berkurang karena jumlah ambulans berkurang.
Di dalamTabel 5, kami mengevaluasi pengaruh jumlah skenario pada
kinerja algoritma. Kami memvariasikan jumlah skenario antara 20 dan 160
dalam langkah 10. Kami melakukan dua pengujian terpisah, yang pertama
terjadi pada pukul 2:00 (pengujian 73–87) dan yang kedua terjadi pada pukul
14:00 (pengujian 88-102). Untuk (pengujian 73-87), waktu komputasi
meningkat dari 28 menjadi 44 detik sementara tingkat layanan bervariasi
antara 90% dan 97%. Jumlah relokasi rendah dan bervariasi antara 0 dan 2
relokasi. Untuk (pengujian 88-102), waktu komputasi meningkat dari 35
menjadi 43 detik sementara tingkat layanan bervariasi antara 90% dan 97%
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)

1 06:02 7 120 50 2 93 27 51 08:00 5 120 50 3 92 27

2 07:15 8 120 50 2 92 29 52 08:00 6 120 50 3 95 28
3 07:19 8 120 50 2 93 34 53 08:00 7 120 50 3 96 32
4 07:28 8 120 50 3 96 29 54 08:00 8 120 50 3 92 32
5 08:22 10 120 50 2 94 27 55 08:00 9 120 50 2 91 35
6 08:34 10 120 50 2 91 31 56 08:00 10 120 50 4 91 33
7 08:55 10 120 50 1 91 27 57 08:00 11 120 50 2 90 37
8 10:04 12 120 50 2 95 32 58 08:00 12 120 50 2 95 38
9 10:27 12 120 50 2 96 29 59 08:00 13 120 50 1 94 36
10 10:30 12 120 50 2 92 34 60 08:00 14 120 50 0 94 39
11 10:59 12 120 50 1 93 26 61 08:00 15 120 50 0 92 38
12 12:31 14 120 50 1 94 30
min 0 90% 27
13 13:21 14 120 50 1 91 36
Rata-rata 2.09 92,91% 34.09
14 14:00 14 120 50 2 92 30
Maks 4 96% 39
15 14:12 14 120 50 1 91 27
16 14:27 14 120 50 2 92 27 62 12:00 5 120 50 3 96 27
17 15:01 15 120 50 2 93 22 63 12:00 6 120 50 3 93 28
18 16:31 16 120 50 1 94 27 64 12:00 7 120 50 2 95 28
19 17:53 16 120 50 1 92 36 65 12:00 8 120 50 2 90 32
20 19:36 15 120 50 2 93 22 66 12:00 9 120 50 3 94 32
21 21:57 11 120 50 3 92 34 67 12:00 10 120 50 2 95 33
22 22:15 11 120 50 3 91 35 68 12:00 11 120 50 2 91 37
23 23:56 11 120 50 4 91 30 69 12:00 12 120 50 1 96 35
24 00:54 9 120 50 2 95 39 70 12:00 13 120 50 1 94 38
25 01:27 9 120 50 2 93 29 71 12:00 14 120 50 0 92 38
26 02:58 9 120 50 2 93 35 72 12:00 15 120 50 0 90 40
27 03:48 8 120 50 3 91 22
min 0 90% 27
28 04:12 7 120 50 1 94 33
1.73 93,27% 33.45
29 7 120 50 1 92 33
Rata-rata
05:23
Maks 3 96% 40
30 05:53 7 120 50 1 92 27

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

8 menit 10 menit 30 detik

relokasi Tingkat layanan CPU relokasi Tingkat layanan CPU

103 7:32 8 100 50 4 82 35 2 92 32

104 7:56 8 100 50 2 88 29 2 92 29
105 7:40 9 100 50 3 83 33 2 93 36
106 10:25 12 100 50 2 82 32 2 92 33
107 11:04 12 100 50 3 86 33 1 91 37
108 12:32 14 100 50 3 84 29 1 92 29
109 14:17 14 100 50 4 87 33 1 90 31
110 15:56 15 100 50 4 85 37 1 92 34
111 21:29 11 100 50 2 83 25 0 94 28
112 22:40 11 100 50 3 86 31 1 91 27
113 23:11 11 100 50 3 88 22 1 92 25
114 1:18 9 100 50 2 84 28 2 94 25
115 4:55 8 100 50 4 85 27 2 92 29

min 2 82% 22 0 90% 25

Rata-rata 3 84,85% 30.31 1.38 92,08% 30.38
Maks 4 88% 37 2 94% 37
1978 J. Naoum-Sawaya, S. Elhedhli / Riset Komputer & Operasi 40 (2013) 1972–1978

Tabel 7
Metrik Manhattan vs norma Euclidean.

Uji Waktu hari Ambulans bertugas Periode waktu Skenario metrik Manhattan Jarak Euclidean

relokasi Tingkat layanan CPU relokasi Tingkat layanan CPU

116 6:35 8 100 50 2 92 28 2 92 29

117 6:54 9 100 50 2 91 28 2 93 30
118 7:25 9 100 50 2 90 28 1 90 26
119 8:33 10 100 50 1 90 28 1 94 27
120 10:50 12 100 50 2 90 33 2 90 31
121 11:45 12 100 50 2 92 29 1 92 30
122 12:35 14 100 50 1 92 29 1 92 29
123 14:30 14 100 50 0 91 32 1 95 33
124 20:30 13 100 50 2 93 30 2 93 30
125 21:30 11 100 50 2 91 30 1 91 28
126 22:00 11 100 50 2 90 30 1 93 23
127 5:25 7 100 50 3 90 26 2 92 23
128 6:00 7 100 50 1 91 29 1 91 29

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.
Untuk kepuasan kru ambulans, jumlah relokasi rendah untuk jangka
waktu perencanaan 2 jam.
ucapan terima kasih
Penulis ingin mengucapkan terima kasih kepada Arman Ingolfsson
karena telah menyarankan jangka waktu maksimum dariBagian 2.1dan
Wilayah Layanan Medis Darurat Waterloo untuk menyediakan data
historis dan dukungan untuk penelitian ini. Penelitian ini juga didukung
secara finansial oleh Natural Sciences and Engineering Research
Council (NSERC) dan Mathematics of Information Technology and
Complex Systems (MITACS).
Referensi
[1] Ball M, Lin F. Model keandalan yang diterapkan pada lokasi kendaraan layanan
darurat. Riset Operasi 1993;41:18–36.
[2] Batta R, Dolan J, Krishnamorty N. Model lokasi cakupan maksimal yang diharapkan
ditinjau kembali. Ilmu Transportasi 1989;23:277–87.
[3] Brotcorne L, Laporte G, Semet F. Model lokasi dan relokasi ambulans. Jurnal Riset
Operasional Eropa 2003;147:451–63.
[4] Burwell T, Jarvis J, McKnew M. Pemodelan server co-located dan hubungan
pengiriman dalam model hypercube. Komputer & Riset Operasi 1993;20:113–9.
[5] Church R, ReVelle C. Masalah lokasi cakupan maksimal. Papers Regional Science
Association 1974;32:101–18.
[6] Dantzig G. Pemrograman linier di bawah ketidakpastian. Ilmu Manajemen
1955;1:197-206.
[7] Daskin M. Ekspektasi maksimal yang diharapkan meliputi model lokasi: formulasi,
properti, dan solusi heuristik. Ilmu Transportasi 1983;17:48–70.
[8] Domenica ND, Lucas C, Mitra G, Valente P. Pembuatan skenario untuk pemrograman
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
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.
[11] Gendreau M, Laporte G, Semet F. Masalah relokasi cakupan yang diharapkan
maksimal untuk kendaraan darurat. Jurnal Masyarakat Riset Operasional
2006;57:22–8.
[12] Model riset Goldberg J. Operasi untuk penyebaran kendaraan layanan darurat. Jurnal
Manajemen EMS 2004;1:20–39.
[13] Hogan K, ReVelle C. Konsep dan aplikasi cakupan cadangan. Ilmu Manajemen
1986;32:1434–44.
[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
dalam layanan darurat perkotaan. Komputer & Riset Operasi 1974; 1:67–95.
[16] Maxwell MS, Restrepo M, Henderson SG, Topaloglu H. Perkiraan pemrograman
dinamis untuk pemindahan ambulans. Menginformasikan Jurnal Komputasi
2010;22:266–81.
[17] ReVelle C, Hogan K. Masalah lokasi ketersediaan maksimum. Ilmu Transportasi
1989;23:192–200.
[18] Takeda R, Widmer J, Morabito R. Analisis desentralisasi ambulans di layanan darurat
medis perkotaan menggunakan model antrian hypercube. Riset Komputer &
Operasi 2007;34:727–41.
[19] Toregas C, Swain R, ReVelle C, Bergman L. Lokasi fasilitas layanan darurat. Riset
Operasi 1971;19:1363–73.
[20] Zaki A, Cheng H, Parker B. Model simulasi untuk analisis dan pengelolaan sistem
layanan darurat. Ilmu Perencanaan Sosial Ekonomi 1997;31:173–89.