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

com

Jurnal Internasional Sistem Kecerdasan Komputasi (2023) 16:53

https://doi.org/10.1007/s44196-023-00224-7

ARTIKEL PENELITIAN

Sistem Pendukung Keputusan Pencocokan Tugas Perawat Berdasarkan Metode FSPC‑HEART untuk

Mencegah Kesalahan Manusia untuk Layanan Kesehatan Berkelanjutan

Salih Cihan Koseoglu1· Elif Kılıc Lezat2· Babek Erdebilli3

Diterima: 10 Oktober 2022 / Diterima: 19 Maret 2023

© Penulis 2023

Abstrak
Untuk meningkatkan tingkat keberlanjutan mutu pelayanan serta menjamin kepuasan dan jaminan pasien di bidang kesehatan,
meminimalkan kemungkinan terjadinya kesalahan perawat merupakan hal yang sangat penting. Besarnya kemungkinan ini sangat
dipengaruhi oleh jenis tugas, kondisi fisik lingkungan kerja, beban kerja, dan kondisi kerja. Selain itu, karakteristik fisik dan mental perawat
juga mempunyai pengaruh yang sangat besar terhadap kemungkinan ini. Keberlanjutan layanan kesehatan juga dapat ditingkatkan dengan
mencocokkan perawat secara tepat dengan tugas tertentu sesuai dengan tingkat risiko terkait, dan dengan menyeimbangkan beban kerja
mereka. Penelitian ini mengusulkan metode FSPC-HEART untuk tujuan tersebut, sebagai aplikasi teknik pengurangan dan penilaian
kesalahan manusia (HEART) tipe baru berdasarkan analisis rasio penilaian bobot langkah-bijaksana fuzzy dan metode analisis komponen
utama. Berbeda dengan metode dalam literatur, metode baru ini menawarkan pendekatan pencegahan kesalahan proaktif yang spesifik
untuk setiap individu. Dengan FSPC-HEART, probabilitas setiap perawat melakukan kesalahan, yaitu nilai human error Probability (HEP)
dihitung secara terpisah untuk setiap tugas. Juga, pengaruh gabungan faktor beban kerja fisik dan mental untuk setiap karyawan juga
diperhitungkan. Dalam metode yang diusulkan, pengaruh penilaian subjektif pengambil keputusan terhadap nilai HEP yang diperoleh
secara objektif dicoba untuk dikurangi. Sistem pendukung keputusan pencocokan tugas perawat yang dikembangkan memungkinkan
metode FSPC-HEART agar mudah digunakan oleh pengambil keputusan, dan menugaskan karyawan untuk tugas-tugas dengan probabilitas
kesalahan yang rendah.

Kata kunciPerawat human error · FSWARA · PCA · HATI · Sistem pendukung keputusan

Singkatan NTM-DSS Sistem pendukung keputusan pencocokan tugas

JANTUNG Pengurangan kesalahan manusia dan teknik perawat
penilaian SDM Analisis keandalan manusia
SWARA Analisis rasio penilaian bobot bertahap HEP Kemungkinan kesalahan manusia
FSWARA Fuzzy analisis rasio penilaian bobot THERP Teknik prediksi tingkat kesalahan manusia Kondisi
bertahap EPC yang menghasilkan kesalahan
PCA Analisis komponen utama GT Jenis tugas umum
DSS Sistem pendukung keputusan APOA Proporsi pengaruh yang
EEG dinilai Elektroensefalografi
* Salih Cihan Koseoglu
TN Pencitraan resonansi magnetik
sckoseoglu@erzincan.edu.tr NASA Badan Penerbangan dan Antariksa

Elif Kılıc Delice Nasional

elif.kdelice@atauni.edu.tr NASA-TLX Indeks Beban Tugas NASA Analisis

Babek Erdebilli CFA faktor konfirmatif Berbagai kriteria

berdebilli@ybu.edu.tr MCDM pengambilan keputusan Kesulitan
TD tugas
1
Sekolah Kejuruan, Universitas Erzincan Binali Yıldırım, dll Tekanan waktu
24002 Erzincan, Turki
P Pertunjukan
2
Departemen Teknik Industri, Universitas Ataturk, UMK Upaya mental/sensorik
25240 Erzurum, Turki
pe Upaya fisik
3
Departemen Teknik Industri, Universitas AYBU, FL Tingkat frustrasi
06010 Ankara, Turki

Jil.:(0123456789)
 53 Halaman 2 dari 21 Jurnal Internasional Sistem Intelijen Komputasi
dialek Level stres
F Kelelahan
PADA Tipe kegiatan
PWT Teknik berpasangan
1. Perkenalan
Meskipun terjadi kemajuan teknologi akhir-akhir ini, mutu
pelayanan kesehatan masih bergantung pada kinerja individu
tenaga kesehatan. Diketahui bahwa beban kerja, lingkungan kerja,
dan proses dalam lingkup sektor kesehatan mempengaruhi kinerja
petugas kesehatan, dan kecelakaan serta cedera akibat kerja tidak
dapat dihindari sebagai akibat dari kesalahan yang dilakukan oleh
petugas kesehatan saat memberikan layanan kesehatan. Faktor
psikologis, fisiologis, dan lingkungan tertentu berkontribusi
terhadap terjadinya kesalahan ini. Ada banyak elemen yang
mempengaruhi kemungkinan terjadinya kesalahan manusia,
termasuk kelupaan, gangguan, tidak menghormati keselamatan,
malas, kelelahan, kerja cepat, pelatihan yang tidak memadai,
keterbatasan fisik, dan penyakit. Selain itu, beban kerja mental
dapat mengakibatkan sindrom kelelahan, serangan panik,
gangguan kepribadian depresi, cedera, kematian, kerugian
finansial, dan kelumpuhan. Ketika beban kerja dipertimbangkan,
menjadi jelas bahwa beban kerja mental dan fisik merupakan salah
satu penyebab utama deformasi pekerjaan. Untuk menjamin
keberlangsungan layanan kesehatan berkualitas tinggi, skenario
buruk seperti ini harus dihindari. Dalam situasi yang mengancam
jiwa, kesalahan manusia yang dilakukan oleh staf medis sangat
mungkin mengakibatkan kematian atau malpraktek (pengobatan
yang salah) dengan konsekuensi yang tidak dapat diperbaiki [1].
Kesalahan manusia adalah kegagalan tindakan yang direncanakan
untuk mencapai hasil yang diinginkan. Keandalan manusia adalah
probabilitas bahwa personel akan menyelesaikan tugasnya dalam
sistem dalam waktu tertentu tanpa membuat kesalahan. Sebaliknya,
metode analisis keandalan manusia (HRA) mengasumsikan bahwa
kegagalan adalah suatu kemungkinan selama pelaksanaan tugas.
Evaluasi tersebut dapat membantu pihak berwenang dalam mengambil
tindakan pencegahan yang diperlukan untuk mengurangi kemungkinan
kesalahan sistem, sehingga meningkatkan keamanan sistem. HRA
melayani tiga tujuan mendasar: karakterisasi kesalahan, analisis
kesalahan, dan minimalisasi kesalahan. Probabilitas kesalahan manusia
(HEP) ditentukan dengan menggunakan teknik HRA seperti teknik
pengurangan dan penilaian kesalahan manusia (HEART), teknik prediksi
tingkat kesalahan manusia (THERP), dan jaringan Bayesian [2,3]. Metode
HEART digunakan untuk menghasilkan nilai HEP berdasarkan kondisi
penghasil kesalahan (EPC) dan nilai jenis tugas generik (GTT) yang
diperoleh untuk pekerjaan tertentu. Perkiraan nilai HEP digunakan oleh
pengambil keputusan dalam berbagai proses sistem yang kompleks [4].
Saat menghitung GTT, EPC, dan penilaian proporsi
pengaruh (APOA) [5], HATI sangat bergantung pada ahlinya
13
(2023) 16:53
penilaian. Temuan yang dikumpulkan dianalisis menggunakan
metodologi yang terbatas, dan hasil subjektif diperoleh
berdasarkan pendapat para ahli, yang tentunya meningkatkan
jumlah ketidakakuratan [6]. Karena nilai HEP bergantung pada
evaluasi subjektif GTT, EPC, dan APOA, maka nilai tersebut
merupakan nilai subjektif yang dapat berfluktuasi bergantung
pada pakar mana yang melakukan evaluasi. Keakuratan nilai
HEP terutama bergantung pada pengetahuan dan keahlian
para spesialis. Para ahli diminta untuk memberikan nilai antara
0 dan 1 tanpa menggunakan skala evaluasi yang telah
ditentukan untuk menilai peringkat APOA. Secara umum, APOA
mengacu pada pendapat para ahli mengenai pengaruh EPC
terhadap kemungkinan kesalahan untuk tugas tertentu [7].
Oleh karena itu, nilai APOA dihitung secara subyektif dan
sangat rentan untuk salah perhitungan. Selain itu,
mempengaruhi kinerja kerja, kemungkinan kesalahan manusia,
dan elemen beban kerja fisik dan mental secara negatif atau
positif. Evaluasi keadaan ini sulit dan penuh ketidakpastian.
Elemen beban kerja mental dan fisik harus dinilai berdasarkan
isi tugas, jenis tenaga mental dan fisik, dan lingkungan kerja.
Selain itu, kemungkinan kesalahan manusia harus diselidiki
dengan mempertimbangkan aspek-aspek yang disebutkan di
atas.
Ini menyajikan HEART baru (FSPC-HEART) sebagai metode
pencegahan kesalahan manusia proaktif yang disesuaikan
berdasarkan analisis rasio penilaian bobot langkah-bijaksana
fuzzy (FSWARA) dan analisis komponen utama (PCA). Nilai APOA
dalam metode yang diusulkan ini ditentukan dengan
menggabungkan teknik FSWARA dan PCA. Sejauh pengetahuan
kami, FSWARA dan PCA digabungkan untuk pertama kalinya
dalam penilaian kesalahan manusia. Dengan menggunakan
teknik FSWARA, pengaruh pengambil keputusan diminimalkan,
dan bobot EPC disesuaikan untuk setiap individu. Pendekatan
FSWARA, sebuah metode analitis, digunakan untuk menghitung
bobot penting EPC berdasarkan penilaian subjektif yang tidak
tepat dari para pengambil keputusan, sedangkan metode PCA
digunakan untuk mengukur pengaruh gabungan variabel
beban kerja fisik dan mental untuk setiap individu. Pendekatan
PCA digunakan dengan menggabungkan variabel-variabel yang
mempunyai parameter pengukuran yang beragam, dan faktor
gabungan tersebut kemudian dimasukkan ke dalam HEART
sebagai faktor tunggal. Sebagai konsekuensinya, nilai-nilai
APOA dipastikan secara obyektif, dan dampak penilaian
subyektif para pengambil keputusan terhadap nilai HEP
dikurangi seminimal mungkin. Nilai HEP diperoleh dengan
menggabungkan nilai EPCs dan GTTs.
Metode FSWARA dikenal sebagai metode operasi MCDM.
Dengan kata lain, tidak ada persyaratan jumlah pengambil
keputusan dalam aplikasi survei, karena metode ini tidak
termasuk dalam klasifikasi metode statistik multivariat.
Selain itu, informasi yang tidak lengkap, tidak tersedia, atau
tidak pasti mempersulit pengambilan keputusan yang pasti.
Pengembangan MCDM fuzzy
Jurnal Internasional Sistem Intelijen Komputasi (2023) 16:53
Metode ini diperlukan karena ketidakmampuan teknik MCDM
konvensional untuk berhasil mengatasi tantangan yang terkait dengan
data yang tidak tepat tersebut. Pendekatan FSWARA memungkinkan
proses evaluasi, yang menjadi lebih kompleks karena permasalahan dan
elemen yang terlibat dalam pengambilan keputusan, dapat dilakukan
dengan lebih efektif dan realistis, dan memungkinkan para pengambil
keputusan untuk menetapkan prioritas mereka sendiri. Strategi ini
memungkinkan evaluator yang mempunyai kepedulian terhadap
lingkungan dan ekonomi untuk menentukan prioritas mereka sendiri [8,
9]. Mereka melaporkan bahwa pentingnya evaluator dalam FSWARA
lebih penting dibandingkan teknik lainnya.
Metode FSPC-HEART yang diusulkan memperhitungkan
dampak elemen beban kerja fisik dan mental, serta
interaksinya, terhadap kemungkinan terjadinya kesalahan
manusia. Stres fisik dan mental berbeda dari satu individu ke
individu lainnya. Akibatnya, dampaknya berbeda-beda
terhadap individu, dan nilai HEP spesifik tugas juga bervariasi.
Dalam hal ini, penelitian ini menggunakan metode PCA untuk
mengidentifikasi dampak beban kerja terintegrasi yang
berbeda-beda pada setiap individu. Strategi ini meminimalkan
volume data variabel dengan parameter dan jenis data yang
bervariasi, sehingga terpusat pada titik asal. Dengan demikian,
ini memberikan struktur data grafis yang lebih mudah
dipahami dengan memungkinkan peneliti menentukan arah
dan dampak kumulatif data [10]. Metode PCA memanfaatkan
ukuran fisik sebagai faktor eksogen dan pengukuran mental
sebagai variabel endogen. Selain itu, korelasi dan korelasi
kovarians antara variabel-variabel ini dipertimbangkan.11].
Akibat pandemi COVID-19 dan kebutuhan untuk melakukan
pengukuran dari jarak tertentu tanpa mengganggu aktivitas
aktif, penelitian ini mempertimbangkan variasi suhu, pola tidur,
dan usia sebagai variabel fisik. Komponen mental yang
dievaluasi oleh NASA Task Load Index (NASA-TLX) dianggap
sebagai faktor mental penelitian ini. Individu mungkin merasa
lebih lelah berdasarkan durasi dan volume beban kerja mereka
saat ini serta kekuatan fisik mereka [12]. Beban kerja mental
dapat didefinisikan sebagai interaksi antara persyaratan tugas,
kondisi lingkungan, tingkat keterampilan dan pengalaman,
perilaku dan persepsi, serta perubahan dalam aktivitas mental
berdasarkan kondisi vital seseorang saat ini. NASA-TLX
menganalisis perubahan ini berdasarkan enam hingga
sembilan parameter [13].
Dengan menggunakan pendekatan FSPC-HEART, nilai-nilai HEP
untuk setiap individu dan setiap tugas dihitung secara objektif, dan
tugas-tugas yang tidak boleh diberikan kepada individu ditentukan
berdasarkan hal tersebut. Dengan demikian, pengambil keputusan
dibekali dengan pendekatan proaktif untuk mencegah kesalahan.
Teknik FSPC-HEART memberikan berbagai rekomendasi untuk
meminimalkan risiko terkait ergonomi untuk mencapai hasil yang
sederhana dan obyektif. Alasan penerapan pendekatan FSPC-HEART
yang diusulkan untuk perawat dalam penelitian ini adalah bahwa
mereka bekerja di industri yang ditandai dengan tingginya risiko
kesalahan manusia dan pentingnya keandalan manusia.
Halaman 3 dari 21 53
Memberikan asuhan keperawatan yang efektif dan dapat diandalkan,
berkomunikasi secara efektif baik secara verbal maupun nonverbal, dan
memberikan pertolongan akut dan rutin merupakan tugas sehari-hari yang
relatif umum bagi perawat. Staf yang tidak memadai, pengeroyokan, dan
pengaduan dari pasien yang tidak puas meningkatkan beban kerja, yang pada
gilirannya berdampak buruk pada kesehatan mental petugas kesehatan [14].
Mengingat meningkatnya tekanan fisik dan mental akibat
COVID-19, penelitian ini berupaya menentukan nilai HEP
perawat untuk setiap aktivitas. Jadi, berdasarkan tingkat HEP
mereka, tugas-tugas yang tidak boleh dilakukan perawat
ditentukan.
Karena kurangnya keahlian teoritis mengenai hal ini, penerapan
pendekatan FSPC-HEART oleh administrasi rumah sakit atau staf
medis yang disetujui akan menjadi tantangan yang sangat besar.
Selain itu, penerapan metode tersebut memerlukan waktu dan
biaya. Karena faktor-faktor ini, sistem pendukung keputusan (DDS)
yang mudah digunakan berdasarkan metode FSPC-HEART telah
dikembangkan untuk petugas kesehatan dan administrasi rumah
sakit. Dengan DSS ini, yang dikenal sebagai sistem pendukung
keputusan pencocokan tugas perawat (NTM-DSS), kemungkinan
perawat akan melakukan kesalahan akan ditentukan, dan
pencocokan tugas perawat akan difasilitasi berdasarkan
probabilitas tersebut. Keberlanjutan pelayanan kesehatan akan
terjamin dengan menempatkan perawat terdaftar pada posisi yang
tingkat kesalahannya lebih rendah. Metode FSPC-HEART adalah
pendekatan proaktif untuk pencegahan kesalahan. Penggunaan
metode ini untuk membangun NTM-DSS memberikan pencegahan
kecelakaan dan kesalahan kerja dengan tidak menugaskan perawat
melebihi batas kemungkinan kesalahan yang diperbolehkan.
Dengan demikian, keberlangsungan layanan kesehatan berkualitas
tinggi dapat terjamin.
Dalam tinjauan literatur, terungkap bahwa jumlah penelitian
yang diselesaikan dengan pendekatan HEART masih sedikit
sebelum tahun 2020, namun telah meningkat sejak saat itu.
Artikel literatur terkini dan kontribusi penelitian ini terhadap
literatur disajikan pada Gambar.1.
Penelitian mengenai pencegahan kesalahan dan penerapan
pendekatan HATI dalam industri kesehatan masih terbatas.
Penelitian ini bertujuan untuk berkontribusi pada penelitian masa
depan yang sebanding dengan menguji potensi kesalahan perawat
menggunakan aplikasi dunia nyata. Selain itu, DSS baru telah
diciptakan untuk membantu administrasi rumah sakit dalam
pengambilan keputusan dan berkontribusi pada penelitian HRA di
bidang lainnya.
Bagian makalah berikut ini memberikan penjelasan
tentang metodologi penelitian, komponen beban kerja
fisik dan mental, metode FSPC-HEART yang diusulkan,
dan NTM-DSS. Pada bagian ketiga dijelaskan aplikasi
untuk perawat. Kesimpulan dan saran disajikan pada
bagian penutup.
13
 53 Halaman 4 dari 21 Jurnal Internasional Sistem Intelijen Komputasi (2023) 16:53

2.1 Metode HATI

Dikembangkan pada tahun 1986, metode HEART adalah teknik yang

digunakan di bidang HRA untuk tujuan mengevaluasi kemungkinan
kesalahan manusia selama pelaksanaan tugas tertentu. Metode ini
memperhitungkan semua faktor yang mungkin berdampak negatif
pada suatu tugas yang diyakini bergantung pada keandalan
manusia, memeriksa setiap faktor secara independen, dan
mengukur faktor-faktor tersebut untuk mendapatkan nilai HEP.
Metode HEART adalah teknik yang cukup mudah digunakan saat
menghitung nilai HEP yang umumnya diperiksa dalam penelitian
berbasis tugas [3]. Hal ini didasarkan pada prinsip bahwa selalu ada
kemungkinan kesalahan setiap kali tugas tertentu dilakukan dan
kemungkinan ini dipengaruhi oleh satu atau lebih EPC. Sebanyak 38
EPC dan sembilan GTT—yaitu, perbandingan jenis tugas yang
berbeda—didefinisikan dalam metode HEART tradisional versi 1985
[22]. Nilai bobot EPC yang berbeda digunakan saat menghitung
nilai HEP untuk setiap tugas. Dengan demikian, mereka
membuktikan hubungan GTT dengan tugas
∏[( ) ]
HEP=GEP× EPCJ-1APOAJ+1 ,
(1)
J=1

dimana generic errorprobability (GEP) adalah nilai probabilitas

kesalahan GTT relevan yang ditentukan oleh para ahli.
komputerJdidasarkan pada pendapat ahli dankomputerJadalahJth (J=1, 2,
3, …, 38).POAJ(dari 0 hingga 1) disebut sebagai pentingnya
setiap EPC [3].

2.2 Metode FSWARA

Dikembangkan oleh [23], FSWARA adalah teknik MCDM yang mengikuti

langkah-langkah yang dijelaskan di bawah ini sambil menentukan bobot
kriteria:
Langkah 1Menentukan peringkat penting dari faktor-faktor tersebut.
Mari kita asumsikan bahwa ada “N” sejumlah faktor (J, J=1, 2, …,N)
Dan "k” jumlah pengambil keputusan (KVk, k=1, 2, …,K) dalam tahap
pengambilan keputusan. Setiap pengambil keputusan mengurutkan
seluruh kriteria berdasarkan urutan kepentingannya—yang paling
penting adalah yang pertama dalam daftar, bergantung pada
pengetahuan dan pengalaman mereka. Nantinya, pemeringkatan
terintegrasi diperoleh dengan menggabungkan pemeringkatan yang
dibuat oleh pengambil keputusan.
Tinjauan pustaka untuk metode HATI
Untuk penentuan skor kepentingan relatif kriteria
Gambar 1

berwujud dan tidak berwujud, skala perbandingan fuzzy

2. Bahan-bahan dan metode-metode
Pada bagian ini akan disajikan informasi mengenai metode HEART,
FSWARA, dan PCA serta variabel-variabel yang digunakan untuk
menghitung nilai HEP. Simbol-simbol yang digunakan dalam
penelitian dan definisinya dirangkum dalam Tabel1.
disajikan pada Tabel2telah diterapkan.
Semua skor relatif dari kriteria evaluasi telah ditentukan,
dan dengan menggunakan cara aritmatika dari skor yang
sesuai, penilaian subjektif milik para pengambil keputusan
telah dikumpulkan. Nama rasio ini dikenal dengan
kepentingan komparatif nilai rata-rata [25].

13
Jurnal Internasional Sistem Intelijen Komputasi (2023) 16:53 Halaman 5 dari 21 53

Tabel 1 Tata nama

Simbol Definisi Simbol Definisi

komputerJ Jkondisi yang mendorong kesalahan (J=1, 2, 3, …,N) aku gSaya Sayavektor eigen ke

POAJ Penilaian ahli mengenai efek proporsi untuk masing-masingJEPC eSaya,J)T Transpos dariSaya,Jmatriks

SJ EPC ilmiah untuk evaluasi signifikansi komparatif Nilai eigen

nilai rata-rata berdasarkan daftar atribut
k̃J Nilai koefisien untukJfaktor ke SAYA Vektor satuan

J Berat dihitung ulang untukJfaktor ke-th X Vektor eigen yang dikaitkan dengan nilai eigen Nilai
J Nilai bobot relatifJfaktor ke-th Bilangan SayaF
tertimbang dariFtingkat faktorSayapeserta WWL untuk
X segitiga WLSaya Sayapeserta ke
()
X Defuzzifikasi bobot kepentingan relatif fuzzy dari TSayaB Perubahan suhu tubuh untukSayapeserta ke
faktor-faktornya

k̃aku
Nilai koefisien untukJfaktor titik terendah TSayaC Perubahan suhu inti untukSayapeserta ke
J
segi tiga
k̃M Nilai koefisien untukJfaktor titik tengah TSayask Perubahan suhu cangkang (kulit) untukSayapeserta ke
J
segi tiga

k̃kamu
Nilai koefisien untukJfaktor titik atas X Alfa (X) nilai
J
segi tiga

QJ aku Berat dihitung ulang untukJfaktor titik terendah segitiga Paku Rasio dampak tertimbang beban kerja mental untukSayapeserta ke-
QM Dihitung ulang bobotnyaJfaktor ke titik tengah segitiga Rasio dampak tertimbang usia untukSayapeserta ke Rasio dampak
J Pia
Qkamu
J
Dihitung ulang bobotnyaJfaktor ke-titik atas segitiga Pisp tertimbang fase tidur untukSayapeserta ke Rasio dampak

̃aku
J
Nilai bobot relatif dariJfaktor titik terendah Pdia tertimbang termoregulasi untukSayapeserta ke
segi tiga

̃MJ Nilai bobot relatif dariJfaktor titik tengah PSaya Rasio dampak tertimbang untukSayapeserta ke
segi tiga

̃kamu
J
Nilai bobot relatif dariJfaktor titik atas POASayaJ Efek proporsi dariJtingkat kriteria keSayapeserta ke
segi tiga

M Struktur perubahan beban kerja mental EPSayaT Kemungkinan kesalahan manusiaTtugas keSayapeserta ke

P Struktur perubahan beban kerja fisik

komputer
Struktur perubahan komponen pokok NilaiJ
Xaku j tingkat faktor untukSayapeserta ke- Mean-
XC dikurangi (terpusat) matriks data
Saya,J
Matriks dengan vektor eigen pada kolomnya

Meja 2Skala perbandingan linguistik nilai fuzzy segitiga untuk berat badan dengan membandingkanJfaktor denganJ-Faktor ke-1, yang
kriteria evaluasi [24] memiliki tingkat kepentingan lebih tinggi. Kemudian, tingkat kepentingan

Skala perbandingan linguistik Nilai fuzzy segitiga untuk kriteria evaluasi ( relatif—yaitu, tingkat kepentingan relatifSJnilai—diperoleh dengan
untuk bobot kepentingan aku, m,kamu) menghitung rata-rata bobot signifikansi yang ditentukan oleh masing-masing
pengambil keputusan.
Skala respons kabur segitiga
skala angka Langkah 3MenghitungJkoefisien.
ItuJkoefisien dihitung untuk setiap faktor dengan memanfaatkan
Sama pentingnya (1, 1, 1) (1, 1, 1)
Persamaan. (2) sebagai berikut: Faktor terpenting̃ Jkoefisien-
Cukup kurang penting (2/3, 1, 3/2) (0,67, 1, 1,50)
efisien dalam peringkat umum faktor-faktor tersebut ditetapkan sebagai
Kurang penting (2/5, 1/2, 2/3) (0,40, 0,50, 0,67)
1:
Kurang penting (2/7, 1/3, 2/5) (0,29, 0,33, 0,40)
{
Kurang penting (2/9, 1/4, 2/7) (0,22, 0,25, 0,29)
̃ J= 1J=1
SJ+1j >1
k̃=J (k̃aku,k̃J M,k̃JkamuJ). (2)

Langkah 4Menghitung Jvektor signifikansi.

Langkah 2Menentukan tingkat kepentingan relatif untuk setiap
ItũJkoefisien dihitung untuk setiap faktor dengan memanfaatkan
faktor.
Persamaan. (3) sebagai berikut: faktor terpenting̃Jkoefisien dalam
Dengan mempertimbangkan pemeringkatan terintegrasi,
peringkat umum faktor-faktor tersebut ditetapkan sebagai 1:
setiap pengambil keputusan menentukan pentingnya EPC

13
 53 Halaman 6 dari 21 Jurnal Internasional Sistem Intelijen Komputasi (2023) 16:53

{
1J=1
̃J= QJ= (Qaku,QJ M,QJ kamuJ). (3)
QJ−1j >1
k̃J

Langkah 5Menghitung bobot kepentingan relatif fuzzy dari

faktor-faktor tersebut.
Semua pemuatan faktor dihitung dengan memanfaatkan Persamaan. (4)

QJ
J=∑N J=1, 2, 3,…,N. (4)
kQk

Langkah 6Mendefinisikan bobot kepentingan relatif yang tidak jelas

dari faktor-faktor tersebut.
Bobot yang dinyatakan dengan bilangan fuzzy segitiga didefuzzifikasi
menggunakan Persamaan. (5) untuk mendapatkan bobot kriteria akhir [
Gambar 2Ilustrasi beban kerja mental dan fisik sebagai gabungan
26]
kekuatan [21]
( )( )
w̃kamu-w̃aku
J J
+ w̃
M-w̃aku
J J
J= + (5)
⎡X11-X⋯X1N-X⎤
w̃aku.
3 J
XC= ⎢ ⋮ ⋱ ⋮ ⎥Saya=1…MDanJ=1…N. ⎥
Dengan asumsi nilai Jmenjadi antara 0 dan 1 ⎢
⎣XM1-X⋯XM N-X⎦
N (6)
wJ=1.
Langkah 2Menghitung nilai eigen matriks kovarians/
J=1
korelasi dan vektor eigen.
Matriks korelasi digunakan ketika faktor mempunyai pengukuran
yang berbeda dan semua faktor dievaluasi secara sama [30]. Matriks
2.3 Metode PCA kovarians ditunjukkan pada Persamaan. (7). Perlu menggunakan
perhitungan determinan menggunakan Persamaan. (8), sehingga dapat
PCA adalah teknik analisis statistik multifaktor yang digunakan untuk diperoleh nilai eigen dan vektor eigen dari matriks kovarians
mengeksplorasi struktur hubungan antar faktor. Ini pada dasarnya [ ]
cov(X,X)cov (X,Y)
bertujuan untuk meminimalkan ukuran kumpulan data yang melibatkan ovXC = , (7)
banyak faktor yang saling terkait. PCA didasarkan pada gagasan untuk
cov(X,Y)cov(Y,Y)
mengubah faktor-faktor berkorelasi dalam kumpulan data menjadi
faktor ortogonal yang tidak berkorelasi satu sama lain tetapi memiliki X= SAYAX⇒ (Σ −SAYA)X=0⇒det (Σ − SAYA)

jumlah yang sama dengan beberapa transformasi linier. Faktor-faktor

( )
cov(X,X) − cov(X,Y) (8)
baru ini merupakan kombinasi linier dari faktor-faktor yang sudah ada =det .
cov(X,Y) cov(Y,Y) −
dan disebut komponen utama.27]. Jika PCA yang digunakan dalam
}
artikel ini dianggap seperti mekanika, suatu gaya dapat diuraikan Kuadrat yang dihitung akan memberikan 1,2nilai eigen.
menjadi komponen-komponennya—dua gaya ortogonal yang secara Langkah 3Menghitung nilai eigen dan vektor eigen
geometris berhubungan dengannya, seperti yang ditunjukkan pada matriks.
Gambar.2yang menggambarkan sumbu y sebagai beban kerja mental Nilai eigen diberi peringkat menurun dan vektor eigen yang
dan sumbu x sebagai beban kerja fisik. sesuai dihitung menggunakan Persamaan. (9) Dan (10) [31]
Pada Gambar.2,Mmenunjukkan struktur perubahan beban kerja )( ) ( )[ ]
mental,Pmenunjukkan struktur perubahan beban kerja fisik, dan cov(X,X)cov(X,Y) e1,J e1,J 1e1,J
=1 = ,
komputermenunjukkan struktur perubahan komponen utama. PCA cov(X,Y)cov(Y,Y) e2,J e2,J 1e2,J

umumnya terdiri dari lima langkah dasar [28]. (9)

Langkah 1Standardisasi data mentah dan sentralisasi data. )( ) ( )[ ]
cov(X,X)cov(X,Y)
Pertama, data mentah dikumpulkan untuk faktor pengukuran
eSaya,1
=2 eSaya,1
= 2eSaya,1
.
cov(X,Y)cov(Y,Y) eSaya,2 eSaya,2 2eSaya,2
masing-masing peserta. Apabila faktor-faktor tidak mempunyai
(10)
satuan pengukuran yang sama, maka perlu menggunakan nilai
Langkah 4Membangun vektor fitur.
observasi yang baku. Oleh karena itu, mean kolom dihitung untuk
Semua vektor eigen ditetapkan sebagai komponen dasar secara
setiap faktorXaku j)dan datanya terpusat [29]. Matriks data terpusat
berurutan; vektor eigen terbesar menjadi faktor dasar pertama.
ditampilkan dalam Persamaan. (6)

13
Jurnal Internasional Sistem Intelijen Komputasi (2023) 16:53 Halaman 7 dari 21 53

Langkah 5Menghitung kumpulan data baru. yang menurut mereka berkontribusi paling besar terhadap beban
Kumpulan data baru diperoleh dengan mengalikan vektor eigen kerja dalam perbandingan biner ini. Nantinya diperoleh nilai
dengan kumpulan data yang dialihkan.1…eMnilai akan menjadi frekuensi, yaitu berapa kali setiap kriteria dipilih. Pada tahap
vektor dimensi baru. Koordinat baru dari nilai terpusat} s terakhir, WLSayaditentukan menggunakan Persamaan. (13)–(14)
�
karena proses sentralisasi akanX�=X� 1…XM.
Jumlah total penandaan untuk faktor yang relevan
Saya,Jmatriks adalah )matriks vektor eigen tempat dilakukannya rotasi
F =
,
varimax.eSaya,Jadalah matriks dengan vektor eigen di kolomnya, seperti yang
Saya
36
(13)
ditunjukkan pada Persamaan. (11)

)( ) WLSaya=TDSayaxWSayaTD + dllxW Sayadll

Saya + PxW
Saya
SayaP + UMKSayaxWSayaUMK

eSaya,J=misalnya1misalnya2misalnya3…misalnyaN . (11) + peSayaxWSayape + FLxW +

Saya SayaFL
dialekSayaxWSaya
dialek

Kapan=1 …MDanJ=1 …N, kumpulan data baru diperoleh dengan + FSayaxWSayaF + PADASayaxWSayaPADA .
mengalikan Saya,Jmatriks oleh transposisiXCseperti yang ditunjukkan di (14)
Persamaan. (12)
Di Sini,Fmengambil TD, TP,P, UMK, PE, FL, SL,F, dan nilai
( ) AT, masing-masing.DSayaadalah nilai skor faktor TD untuk
XCeSaya,J TSaya=1…mj=1…N. (12) Sayapeserta ke.

2.5 Usulan Metode FSPC‑HEART Berbasis NTM‑DSS

2.4 Metode NASA‑TLX
Untuk mengukur HEP berbasis tugas, metode FSPC-HEART yang

NASA-TLX, yang merupakan alat penilaian beban kerja subjektif disarankan dalam penelitian ini menyajikan metodologi baru dengan

untuk operator yang bekerja menggunakan antarmuka manusia- jawaban obyektif yang bersifat eksperimental dan berdasarkan

mesin, dikembangkan oleh Human Performance Group di Ames pendapat ahli. Menghitung nilai HEP spesifik individu dalam pendekatan

Research Center NASA sebagai hasil simulasi yang dilakukan selama FSPC-HEART berdasarkan kualitas fisik dan mental yang dapat diukur

3 tahun di lebih dari 40 laboratorium berbeda. Telah terbukti lebih merupakan kemajuan besar dibandingkan metode HEART tradisional.

andal dan valid dibandingkan metode beban kerja mental serupa. Selain itu, menganalisis faktor-faktor risiko secara terpisah sambil

NASA-TLX adalah alat penilaian beban kerja mental yang mengabaikan keterkaitannya kemungkinan besar akan berdampak

memberikan skor beban kerja keseluruhan berdasarkan rata-rata negatif pada keandalan [32]. Pengaruh langsung dan tidak langsung

bobot skala 6 atau 9 faktor, karena menggunakan prosedur masing-masing faktor mempunyai pengaruh yang berbeda terhadap

penskalaan multidimensi. Penelitian ini menggunakan sembilan proses. Untuk menentukan kecenderungan kesalahan pengguna dalam

faktor NASA-TLX yang melibatkan faktor-faktor berikut: kesulitan penelitian ini, parameter teknik yang disarankan ditetapkan dengan

tugas (TD), tekanan waktu (TP), kinerja (P), upaya mental/sensorik menggabungkan ketegangan mental dan fisik. Mengingat bahwa hal

(MSE), upaya fisik (PE), tingkat frustrasi ( FL), tingkat stres (SL), tersebut memperkenalkan beragam konsep dan hasil, penilaian yang

kelelahan (F), dan jenis aktivitas (AT). Tingkat stres (SL), kelelahan didasarkan pada efek gabungan dari berbagai elemen berbeda

(F), dan jenis aktivitas (AT) adalah tiga faktor yang digunakan dalam kemungkinan besar akan memberikan wawasan yang signifikan. Angka3

NASA-TLX sembilan faktor yang berbeda dengan NASA-TLX 6 faktor. menyajikan diagram alir metode FSPC-HEART berbasis NTM-DSS [33].

Karena ketiga faktor tersebut juga berpengaruh dalam

meningkatkan kemungkinan terjadinya human error, maka Dalam pendekatan FSPC-HEART yang diusulkan, PCA dilakukan

penelitian ini menggunakan metode NASA-TLX 9 faktor. pada input data menggunakan Persamaan. (6–12), dan matriks efek

Dimungkinkan untuk mengukur dan menilai beban kerja komposit tertimbang dihasilkan menggunakan Persamaan. (15).

tertimbang secara subjektif menggunakan faktor-faktor ini. Efek komposit tertimbang dalam matriks ini {PSaya,
M
P, SayaA
P, Sayasp

Metode NASA-TLX terdiri dari tiga tahap yaitu penskalaan, PSaya},seperti yang ditunjukkan dalam Persamaan. (16)PSayanilai kemudian
T
pembobotan, dan penentuan beban kerja secara keseluruhan. Pada dibuat dengan menggabungkan efek komposit tertimbang dengan rata-rata

tahap penskalaan, pengaruh sembilan sub-faktor terhadap tugas geometrik. Dengan demikian, keempat faktor ini direfleksikan sebagai satu

dievaluasi dengan memberi nilai pada skala yang berkisar antara faktor gabungan dalam perhitungan APOA [21]

“sangat rendah” dan “sangat tinggi”. Nilai yang diperoleh antara 0 dan
100 setelah penandaan ini merupakan nilai beban kerja tidak tertimbang
⎡wp1Mwp1Awp1sp wp1T ⎤
⎢ wp2T ⎥
[31]. Pada tahap kedua yang disebut pembobotan, setiap peserta �T=⎢ ⎢ wp2Mwp2Awp2sp ⎥
menentukan bobot untuk setiap faktor sesuai dengan kontribusinya XCeSaya,J wp3Mwp3Awp3sp wp3T ⎥, (15)
terhadap beban kerja. Teknik Berpasangan (PWT) digunakan untuk
⎢ ⋮ ⋮ ⋮ ⋮ ⎥
⎢ wpaku wpia wpisp ⎥
menentukan bobot. Dalam teknik ini dilakukan total 36 perbandingan ⎣ wpdia ⎦

antara 9 faktor ditinjau dari tingkat kepentingannya menurut isi

pekerjaan. Peserta menandai kriterianya

13
 53 Halaman 8 dari 21 Jurnal Internasional Sistem Intelijen Komputasi (2023) 16:53

Gambar 3 Tahapan metode FSPC-HEART berbasis NTM-DSS

√
⎡ wp1MXwp1AXwp1spXwp NTM-DSS dikembangkan menggunakan informasi yang
wp1⎤ 4
1T⎤
⎢ √ ⎥ diperoleh dari model FSPC-HEART, sehingga petugas kesehatan
wp2⎥⎥ 4wp2MXwp2AXwp2spXwp 2T⎥
⎢ √ dapat mengambil keputusan dengan cepat dan akurat. Ada
wp3⎥ = ⎢ 4wp3MXwp3AXwp3spXwp3T⎥ (16)
⋮⎥ ⎢ ⋮ ⎥ beberapa penelitian dalam literatur yang menggunakan hasil
√
⎢
wp⎥ ⎦ ⎣ 4wpakuXwpiaXwpispXwpdia ⎥⎦
Saya
model MCDM dalam DSS [34,35].
NTM-DSS disimulasikan dengan menggabungkan beragam
modul pelaporan kesalahan berbasis manusia dengan berbagai
Kemudian memanfaatkan bobot EPC dari metode FSWARA
perspektif. Dengan menggunakan pendekatan FSPC-HEART, nilai
dan nilai efek gabungan yang diperoleh dari PCA pada
HEP dihitung untuk setiap orang dan tugas, dan persentase risiko
Persamaan. (17),Sayauntuk individuJ, berikut ini dihitung: itu
yang terkait dengan tugas tersebut ditampilkan pada antarmuka
ditetapkan rasio efekAPOASaya(0 ≤POA
J
Saya≤
J
1):
yang ramah pengguna. Ini dikembangkan menggunakan C#
POASaya
J
=wpSaya
×w. J (17) Bahasa pemrograman (C-Sharp) untuk penyelidikan ini.
Manajemen antarmuka pengguna digunakan oleh NTM-DSS
Pada teknik FSPC-HEART, nilai GEP, nilai EPC, dan untuk menciptakan pengalaman pengguna yang interaktif. Sebagai
APOASayanilai yang
J
dihitung menurut GTT manajemen model, ia menawarkan alternatif proses kepada
kategori tugas digunakan dalam Persamaan. (18) untuk pengguna. Sebagai manajemen data, ini menghasilkan output
menentukan nilai HEP setiap tugas secara individual [21] grafis dan database. Memanfaatkan teknik OLAP, ia menganalisis
∏[( ) ] model keputusan proses produksi. Misi DSS ini diatur oleh rencana
EPSayaT =GEPT× EPCJ- P Saya
1 A OA J
+1 . (18) manajemen personalia yang berkelanjutan; ia berupaya
J=1 memberikan layanan pelanggan yang baik, mengurangi beban
kerja, berbagi tanggung jawab, dan membantu mencegah
kesalahan.

13
Jurnal Internasional Sistem Intelijen Komputasi (2023) 16:53
3 Aplikasi Kehidupan Nyata
Tujuan dari aplikasi ini adalah untuk mengetahui
pengaruh kelelahan mental dan fisik perawat terhadap
kemungkinan melakukan kesalahan, perilaku, dan
produktivitas mereka dalam konteks risiko. Ukuran
sampel dibatasi pada karyawan siang hari karena
kendala pandemi COVID-19. Penelitian dilakukan tanpa
mengganggu proses kerja rutin perawat, dan partisipasi
perawat selama penerapan serta durasinya tidak
berpengaruh pada prosedur lainnya. Selama jam kerja
normal, peneliti melakukan metode survei dan
mengukur suhu lingkungan kerja perawat.
Setelah resolusi komite etik dan izin hukum lainnya
diperoleh, peneliti menyimpan data yang dikumpulkan
dalam bentuk digital/hard copy dengan memberikan kode/
nomor/nama yang tepat untuk menjamin kerahasiaan
informasi pribadi.
Tahap 1Metode FSPC-HATI
Langkah 1Seleksi peserta
Implementasinya berlangsung di Rumah Sakit Pelatihan dan
Penelitian. Sebanyak 144 perawat diminta untuk berpartisipasi
dalam penelitian ini; Namun, 8 orang diantaranya menolak
menjadi peserta. Oleh karena itu, 136 perawat ditentukan
sebagai peserta penelitian: 71,32% perempuan (N=97) dan
28,68% laki-laki (N= 39). 74,41% dari perawat tersebut sudah
menikah (N=74) dan 45,59% tunggal (N=62). Sedangkan untuk
pengalaman kerja, 55,88% (N=76) telah bekerja selama 5 tahun
atau kurang; 15,44% (N=21) selama 6—10 tahun dan 14,71% (N
=20) untuk 10–20 dan 13,97% (N=10) selama lebih dari 20
tahun. Selain itu, 92,64% peserta adalah perawat layanan,
6,62% perawat bayaran, dan 0,74% (N= 1) kepala perawat.
Akhirnya, 75% (N=102) perawat merupakan lulusan program
sarjana, sedangkan 16,91% (N= 23) lulus dari program gelar
associate. Departemen tempat para peserta
Tabel 3Distribusi Departemen
departemen tempat
peserta bekerja Pengobatan Darurat
Bedah saraf
Bedah Anak
Kesehatan dan Penyakit Anak
Hematologi dan Onkologi Anak
Kardiologi Anak
Nefrologi Anak
Lainnya (Departemen tidak ada dalam
daftar) Injeksi
Pengobatan Fisik dan Rehabilitasi
Bedah Umum
Oftalmologi
Halaman 9 dari 21 53
pekerjaan disajikan pada Tabel3. Unit Gawat Darurat
merupakan departemen dengan jumlah peserta terbanyak.
Langkah 2Menentukan tugas, GTT, dan EPC
Tahap ini melibatkan proses penentuan tugas yang
dilakukan perawat saat melakukan pekerjaannya. Oleh
karena itu, lebih dari 100 tugas yang ditetapkan untuk
perawat yang bekerja di Turki dan dunia didaftar dan dinilai
berdasarkan tingkat kesulitannya. 45 tugas tersulit
ditentukan bekerja sama dengan perawat peserta
berdasarkan hasil sesi brainstorming dan analisis Pareto.
Kemudian dilakukan pilot practice dengan 27 perawat (19 perawat
perempuan dan 8 perawat laki-laki) yang bekerja di unit gawat darurat.
Mereka diminta menjawab survei dan menilai draf tugas sesuai dengan
pengalaman dan tingkat pengetahuan mereka. Praktek percontohan ini
memungkinkan peneliti untuk melakukan revisi dan pembaruan yang
diperlukan mengenai 45 tugas dan dokumen survei. 38 dari tugas ini
ditemukan melibatkan EPC (Lampiran 1). Akhirnya, GTT dan EPC
ditentukan untuk setiap tugas tertentu.
Langkah 3Menghitung bobot EPC menggunakan metode
FSWARA
Pada tahap ini, bobot kepentingan untuk setiap EPC dihitung
menggunakan Persamaan. (2)–(5) dalam metode FSWARA seperti
terlihat pada Tabel4. Awalnya, frekuensi EPC di 45 tugas digunakan
saat perhitunganJnilai-nilai.
Langkah 4Menentukan faktor beban kerja fisik dan mental
Pada tahap ini, faktor fisik dan mental ditentukan menurut
isi tugas, jenis upaya fisik dan mental yang dilakukan dalam
tugas, dan lingkungan kerja. Penelitian ini mengambil
perubahan suhu, pola tidur, dan usia sebagai faktor fisik,
karena prosedur kerja di rumah sakit tidak boleh terganggu
dan peneliti harus melakukan pengukuran dari jarak tertentu
karena tindakan pencegahan yang disarankan oleh Menteri
Kesehatan mengenai perubahan suhu. Pandemi covid-19.
Faktor mental yang digunakan dalam penelitian ini adalah
sembilan faktor yang diukur dengan NASA-TLX.
Perubahan suhuSedangkan untuk pengukuran termoregulasi,
peneliti menggunakan Termografi Inframerah untuk mengukurnya
Frekuensi Departemen Frekuensi
35 Penyakit Dalam Umum 3
3 Penyakit Menular 1
2 Bedah Kardiovaskular 5
15 Kardiologi 4
2 Otolaringologi 3
1 Ortopedi dan Traumatologi 3
1 Perawatan paliatif 5
25 Radiologi Bedah Plastik dan 1
2 Rekonstruktif 1
2 Reumatologi 2
3 Urologi 10
5 Unit perawatan intensif 2
13
 53 Halaman 10 dari 21 Jurnal Internasional Sistem Intelijen Komputasi (2023) 16:53

Tabel 4 Bobot EPC dihitung dengan metode FSWARA

Gambar 4Pengukuran suhu perawat

suhu inti dan cangkang (kulit). Kamera inframerah yang dianggap sebagai nilai standar. Angka4menampilkan berbagai
termal digunakan untuk pengukuran suhu termal dari sampel pengukuran. Penelitian ini menggunakan model
jarak 50 cm dan pada nilai pengukuran emisivitas 0,98, termometri dua kompartemen tradisional yang disarankan oleh

13
Jurnal Internasional Sistem Intelijen Komputasi (2023) 16:53 Halaman 11 dari 21 53

Tabel 5 Matriks masukanXaku j)untuk PCA Tabel 6 Matriks efek terintegrasi berbobotXC(eSaya,J)TDanPSaya

Perawat WLSaya Termoregulasi- Fase tidur Usia Perawat Paku Pia Pisp Pdia PSaya

hubungan

N1 1,443777 0,324434 0,465848 1,615765 0,77057

N1 63.8888 37.33 6.3 23 N2 1,799273 1,183424 0,446812 0,122653 0,584467
N2 98.0555 36.35 4.5 24 N3 1,829892 0,809545 0,214706 0,082996 0,403081
N3 96.25 36,97 4.5 39 N4 1,852364 0,047155 0,232116 0,014465 0,130864
N4 97.9166 36.89 4.5 33 N5 0,300365 1,684984 0,525727 0,09675 0,400556
N5 75.4166 36.78 6.3 44 N6 0,286286 1,800334 0,789055 0,40309 2 0,636306
N6 86.1111 37.49 6.3 45 N7 0,761955 0,084774 0,405016 0,960074 0,3981
N7 84.3055 36.55 8 32 N8 0,375106 1,405549 0,351812 1,533463 0,730291
N8 87.5 36.69 8 45 N9 0,346477 0,567214 0,188166 0,478263 0,364676
N9 79.8611 36.96 6.3 25 0,940004 0,565001 0,313454 0,846997 0,612786
N10
N10 98.8888 36.83 6.3 29 … … … … … …
… … … … … … … … … … …
… … … … … … … … … … …
… … … … … 0,683597 0,849015 0,047585 0,83979 0,390247
N130
N130 75 36.84 6.3 22 0,528612 0,025432 1,731612 0,350309 0,300506
N131
N131 94.4444 37.81 6.3 30 0,508567 0,314833 0,920087 0,438268 0,50408
N132
N132 74.0277 36.42 6.3 33 1.205063 0,410009 0,6806 0,456337 0,625886
N133
N133 78.8888 37.33 8 33 0,183853 1.24373 0,835739 1.758451 0,761376
N134
N134 89.7222 36.35 8 45 3,175995 0,021988 0,368347 1,539109 0,446066
N135
N135 48.8888 36,97 8 25 1,773923 0,612385 0,008552 0,191103 0,20527
N136
N136 71.1111 36.89 8 24

Burton (1935) seperti dalam Persamaan. (19) untuk mengidentifikasi

perubahan rata-rata suhu tubuh peserta [36]
( )( )
TSaya =X⋅ ΔTSayaC + [1 -X]⋅ ΔTSayask . (19)
B
Nilai termoregulasi, yang dihitung menggunakan Persamaan. (
19) dan ditampilkan dalam Tabel5, berada dalam rentang normal
dengan nilai rata-rata sebesar 36,8528.
Pola tidurMeskipun terdapat berbagai fase tidur,
penelitian ini membahas tiga fase tidur: fase tunggal,
ganda, dan ganda. Fase tidur tunggal mengacu pada tidur
tanpa gangguan hingga 8 jam di malam hari. Tidur fase
ganda berarti seseorang tidur hingga 6,3 jam setiap kali di
malam hari. Terakhir, tidur multifase mengacu pada tidur
dalam jangka waktu singkat dalam waktu 24 jam, yang
sering kali disukai oleh kaum muda. Mereka umumnya tidur
4,5 jam di setiap fase [37].
multimorbiditas) [39]. Salthouse (1991) juga menekankan faktor
usia sebagai komponen penting dalam penuaan kognitif.40].
Fase tidur dan usia perawat ditentukan menggunakan
data yang dikumpulkan dari survei demografi dan
ditunjukkan pada Tabel5. Durasi rata-rata kerja berdiri
ditemukan sebesar 10,2574 jam, dan nilai ini menunjukkan
indikator kelelahan yang signifikan. Selain itu, rata-rata fase
tidur adalah 6,3324 jam yang menunjukkan tingkat sedang.
Para perawat diberikan survei sambil menerapkan metode
NASA-TLX danWLSayaditampilkan dalam Tabel5 diperoleh
dengan memanfaatkan data yang dikumpulkan dari survei di
Persamaan. (13)–(14).
Langkah 5Menjelajahi efek terintegrasi faktor beban kerja
fisik dan mental menggunakan PCA
Pertama, PCA diterapkan pada data masukan menggunakan

UsiaPrestasi kerja bergantung pada faktor-faktor yang berhubungan Persamaan. (6–12) dan matriks efek komposit tertimbang diperoleh,

dengan tugas, seperti beban kerja yang dirasakan, pengaruh lingkungan seperti yang ditunjukkan pada Persamaan. (15). Kemudian, dengan

kerja, dan isi tugas serta faktor-faktor lain yang tidak bergantung pada menerapkan Persamaan. (16), mean geometrik danPSayanilai diperoleh.

tugas, seperti kemampuan pribadi, upaya, sensitivitas, dan faktor usia. Perangkat lunak Minitab 18 dan IBM SPSS Statistics 26

38]. Dalam hal ini, dilaporkan bahwa pekerja lanjut usia merasakan digunakan untuk matriks input yang ditampilkan pada Tabel5. Meja

peningkatan beban kerja yang jauh lebih tinggi. Selain itu, penurunan 6 menampilkan distribusi untuk input data berbobot.

kinerja kognitif mengakibatkan pemrosesan sumber daya menjadi lebih Langkah 6Menghitung nilai APOA berbasis tugas untuk
lambat seiring bertambahnya usia, yang juga dikenal sebagai penuaan setiap peserta
kognitif (terkait dengan penuaan kognitif).

13
 53 Halaman 12 dari 21 Jurnal Internasional Sistem Intelijen Komputasi (2023) 16:53

Bobot EPC yang diperoleh pada Tahap 3 dan nilai efek terintegrasi
yang diperoleh pada Tahap 5 digunakan dalam Persamaan. (17) untuk
menentukanPOASaya.Contohnya,
J
POA14nilai untukkomputer1Untuk
1
perawat diberi kode sebagaiN14 dihitung sebagai berikut:
POA141 =wp14 ×w1.
Langkah 7Menentukan nilai HEP berdasarkan tugas untuk setiap
peserta
Dimungkinkan untuk menghitung berdasarkan tugasAPOASayanilai-nilai sebagai
J dalam hal persiapan awal dan perencanaan kerja , T35:
serta nilai HEP setiap peserta karena nilai GEP dan EPC yang
berbeda untuk setiap tugas. Misalnya saja HEP14nilai untuk perawat
diberi kode sebagaiN14dihitung menggunakan Persamaan. (18)
20
sebagai berikut:
∏[( ) ]
EP1420 =GEP20× EPC1− 1 APOA14+ 1 .
1 lengan pasien dan manset, T40: bekerja dalam kondisi yang
J=1
Khusus untuk tugasHEPSayanilai yang dihitung untuk setiap perawat
T
ditampilkan dalam Tabel6.
Langkah 8Menentukan tingkat risiko setiap peserta untuk tugas
Pada tahap ini, tugas yang melibatkan risiko dan tugas bebas
risiko ditentukan untuk perawat sesuai denganEPSayaT
nilai yang dihitung pada tahap sebelumnya. Kategori risiko
disiapkan oleh Garvey dan ditunjukkan pada Tabel7digunakan
untuk mencapai tujuan ini.EPSayanilai dikategorikan sesuai dengan
T
kategori risiko yang diberikan dalam Tabel7, dan nilai yang
dikategorikan ditampilkan dalam Tabel8.
Menurut Tabel8, nilai HEP secara individual cukup tinggi karena
nilai EPC yang tinggi pada beberapa tugas. Selain itu, tugas-tugas
yang tidak boleh ditugaskan kepada setiap perawat tergantung
pada tingkat risiko mereka telah ditentukan. Misalnya, probabilitas
kesalahan perawat N14 untuk tugas T1, T11, T13, T15, T30, T33, T34,
T35, T39, T40, dan T43 cukup tinggi. Dengan kata lain, diasumsikan
bahwa dia akan melakukan kesalahan saat melakukan tugas
tersebut. Merupakan risiko untuk menugaskan perawat ini untuk
tugas-tugas berikut: T1: menangani keadaan darurat, T11:
pelaksanaan prosedur tanpa informasi yang diperlukan tentang
riwayat pasien, T13:
konflik dengan pasien dan kerabatnya, gangguan
komunikasi, dll. bekerja dalam kondisi seperti T15: bekerja
dalam lingkup tuntutan, seperti kerabat pasien
mengharapkan perawat menunjukkan tingkat empati dan
kepekaan tertentu, T30: bekerja di departemen di mana
jumlah perawat tidak mencukupi dalam hal beban kerja,
T33: pelaksanaan prosedur dalam kerangka negatif, seperti
ketidaksesuaian, konflik, dll dengan perawat pelajar dan
peserta pelatihan, T34: bekerja dengan kurangnya waktu
prosedur akibat kurangnya latihan atau pertama kali
menghadapi intervensi yang tidak memadai terhadap
pasien sakit kritis, T39: menjalankan prosedur dalam hal-hal
negatif, seperti ketidakmampuan mendengar dengan jelas
dalam pengukuran tekanan darah, dan ketidakcocokan
tidak diinginkan, seperti masalah, gangguan, dll dalam
fungsi alat kesehatan, dan T43: pelaksanaan transaksi
sebagai akibat dari arahan dan harapan atasan.
Berdasarkan data yang diperoleh, peserta N14 adalah
perawat layanan wanita yang bekerja di unit gawat darurat. Dia
lulus dari program sarjana dan memiliki pengalaman kurang
dari 5 tahun. Selain itu, ia harus bekerja sambil berdiri selama
24 jam, menderita gangguan tidur, dan didiagnosis menderita
hipotermia ringan selama pengukuran termoregulasi (34,47
°C).
Selain itu, ia menunjukkan gejala-gejala tertentu, seperti
gemetar, daya nalar berkurang, kehilangan ingatan, apatis, serta
peningkatan detak jantung dan pernapasan. Nilai NASA-TLX untuk
perawat tersebut dihitung sebesar 87,5. Meja9menunjukkan
penilaian risiko tugas untuk perawat N14, selanjutnya.
Seperti yang terlihat pada Tabel9, N14 memiliki nilai risiko tinggi
untuk banyak tugas. Perawat ini harus menerima dukungan psikologis
untuk mengatasi masalah adaptasinya dan dia tidak boleh ditugaskan
pada tugas-tugas dengan tingkat risiko tinggi. Penting juga untuk
mengambil beberapa tindakan pencegahan terkait keselamatan kerja.
Selain itu, kompetensinya harus ditingkatkan melalui sesi pelatihan
dalam jabatan, uraian tugas harus diperjelas dan

Tabel 7Rentang definisi risiko [

Kemungkinan kejadian risiko Penafsiran Peringkat
41]
> 0 hingga ≤0,05 Sangat yakin tidak akan terjadi Rendah

> 0,05 hingga ≤0,15 Hampir pasti tidak akan terjadi Rendah

> 0,15 hingga ≤0,25 Tidak mungkin terjadi Rendah

> 0,25 hingga ≤0,35 Sangat kecil kemungkinannya untuk terjadi Rendah

> 0,35 hingga ≤0,45 Kurang dari peluang genap Peluang yang Sedang/sedang
> 0,45 hingga ≤0,55 genap untuk terjadi Sedang/sedang
> 0,55 hingga ≤0,65 Agak lebih besar dari peluang genap Kemungkinan Sedang/sedang
> 0,65 hingga ≤0,75 besar akan terjadi Tinggi

> 0,75 hingga ≤0,85 Sangat mungkin terjadi Tinggi

> 0,85 hingga ≤0,95 Hampir pasti terjadi Tinggi

> 0,95 hingga <1 Sangat pasti terjadi Tinggi

13
Jurnal Internasional Sistem Intelijen Komputasi (2023) 16:53 Halaman 13 dari 21 53

Tabel 8 EPSayanilai bagi perawat

T

Tabel 9 Penilaian risiko tugas

Tugas Peringkat Penafsiran
untuk N14

T1. T13. T30. T33. T34. T35. T39. T40 Tinggi Sangat pasti terjadi
T11 Tinggi Hampir pasti terjadi
T15. T43 Tinggi Sangat mungkin terjadi
T31 Sedang/sedang Agak lebih besar dari peluang genap
T10 Sedang/sedang Agak kurang dari peluang genap Sangat
T4. T8. T19. T20. T25 T9. T12. Rendah tidak mungkin terjadi
T27. T29. T32. T45 T16. T22. Rendah Tidak mungkin terjadi Hampir
T26. T36. T37 Rendah pasti tidak terjadi Sangat pasti
T2. T7. T18. T23. T28. T38. T41. T42. T44 Rendah tidak terjadi
Tugas yang tidak memiliki EPC: T3, T5, T6, T14, T17, T21, T24

lingkup pekerjaan harus dipersempit dan ditentukan dalam arahan
tertulis, laporan kesalahan harus disiapkan sedemikian rupa sehingga
mencakup umpan balik yang efektif, dan audit internal harus dilakukan
secara teratur oleh perawat senior.
Tahap 2Pengembangan NTM-DSS
NTM-DSS disimulasikan dengan menggabungkan berbagai modul
pelaporan kesalahan berbasis manusia dari perspektif berbeda.
Secara khusus, kemungkinan kesalahan manusia dihitung
di latar belakang, hasilnya dihasilkan menggunakan model
FSPC-HEART, dan kemungkinan risiko terkait diwakili oleh
layar yang mudah digunakan. Pada penelitian ini NTM-DSS
dibangun dengan bahasa pemrograman C# (C-Sharp).
Pertama, nama pengguna dan kata sandi pengguna diminta. Pada
saat yang sama, pilihan proyek disajikan kepada pengguna, seperti

13
 53 Halaman 14 dari 21
Gambar 5Antarmuka pengguna NTM-DSS
Gambar 6Layar perhitungan PCA
ditunjukkan pada Gambar.5. Setelah membuat pilihan yang diperlukan dan
memasukkan informasi pengguna, sistem akan terbuka.
Modul definisi informasi tugasDefinisi tugas dibuat
dan GTT serta EPC dari tugas-tugas ini ditentukan.
Modul entri data demografiIni adalah modul yang
memungkinkan untuk memasukkan informasi demografis
peserta. Data yang digunakan mencakup sejumlah informasi
pekerjaan seperti usia, kualitas tidur harian, jenis kelamin,
jabatan, departemen, pengalaman, status perkawinan,
pendidikan, dan data jam kerja milik perawat.
Modul pengukuran mentalIni adalah modul yang
menghitung nilai NASA-TLX seseorang berdasarkan
skala yang berbeda.
Modul perhitungan suhuSetelah pengukuran suhu
inti dan kulit peserta dimasukkan, maka pengukuran
suhu akhir yang merupakan nilai termoregulasi
orang tersebut dihitung.
Modul perhitunganDalam modul ini, pertama-tama nilai PCA
dihitung untuk setiap peserta. Saat menghitung nilai-nilai ini, nilai
usia, tidur, TLX, dan suhu yang dimasukkan dalam DSS digunakan
berkat modul sebelumnya, seperti yang ditunjukkan pada Gambar.
6.
13
Jurnal Internasional Sistem Intelijen Komputasi (2023) 16:53
Gambar 7Layar perhitungan SWARA dan FSWARA
Gambar 8 Pelaporan umum
Kedua, bobot kepentingan EPC dihitung dengan SWARA
atau FSWARA, tergantung pada preferensi pengguna (Gbr. 2).7
). Oleh karena itu, versi FSPC-HEART atau SWARA yang
direkomendasikan dari model ini dijalankan di SPC-HEART DSS.
Modul pelaporanPelaporan Pribadi, Pelaporan Departemen, dan
Pelaporan Umum (seluruh peserta dan seluruh departemen)
dibuat. Dengan menggunakan laporan ini, kemungkinan perawat
melakukan kesalahan berdasarkan tugas terungkap dan penilaian
risiko disajikan kepada pengambil keputusan. Ketika tingkat risiko
tugas terungkap, pengambil keputusan dapat dengan mudah
membuat tugas perawat dengan mempertimbangkan tingkat risiko
ini (Gbr. 1).8).
Dalam ketiga jenis laporan, penilaian risiko pekerjaan perawat
ditunjukkan dengan tabel numerik dan jendela grafis. Terdapat
grafik histogram tugas berisiko tinggi, sedang, dan rendah dalam
tiga bagian terpisah di bagian bawah dengan tabel penilaian risiko.
Pada histogram tersebut dapat diketahui siapa partisipannya
Jurnal Internasional Sistem Intelijen Komputasi (2023) 16:53 Halaman 15 dari 21 53

terlibat dalam tugas relevan yang dimiliki yang jenis risikonya berdasarkan

38

33
1
pencocokan tugas perawat.

34

15
1
32

40
4. Diskusi

1
27

41
1
4.1 Analisis Sensitivitas

20

40
1
Dalam penelitian ini, tingkat risiko peserta untuk setiap

19
tugas ditentukan. Ditemukan bahwa termoregulasi, fase

1
9
tidur, usia, dan beban kerja mental serta EPC tugas

17

40
1
tertentu mempunyai pengaruh besar pada tingkat risiko

12

45
tinggi ini. Sebaran nilai EPC menurut tugasnya disajikan

1
pada Tabel10.

19
9

1
Meja10menunjukkan bahwa EPC5 adalah EPC yang paling
umum saat menjalankan tugas. Didefinisikan sebagai “tidak

23
8

1
ada cara untuk menyampaikan informasi spasial dan fungsional

40
kepada operator dalam bentuk yang mudah mereka asimilasi”,

1
EPC5 harus diperiksa dan perbaikan yang diperlukan harus

28

32
44
2
dilakukan. Untuk mencapai tujuan tersebut, penting untuk

26

35
meningkatkan persepsi kognitif dengan memanfaatkan

40
2
berbagai saluran komunikasi secara terpadu dan

10

23
26
menggunakan elemen audio visual. Kondisi EPC5 juga dapat

2
dihilangkan dengan memperoleh produktivitas optimal melalui

13
19
3

penggunaan inovasi teknologi secara efektif, seperti Google 2

25

33
35
44
Glass dan sistem manajemen data dan komunikasi hibrid [42],
3

yang merupakan perkembangan terkini dari aplikasi Industri

33

12
13
16
33
4

4.0 melalui teknologi IoT dan secara eksplisit meningkatkan

dan memfasilitasi komunikasi langsung antar pilar sistem
16

12
13
18
33
4

dengan merancang DSS dengan akses Internet [43].

37

22
33
38
40
Nilai HEP dari tugas-tugas tersebut akan menurun dengan
4
4

dihilangkannya atau ditingkatkannya EPC yang sering ditemui

36

13
18
33
35
42
5

atau berdampak besar pada nilai HEP. Misalnya, T13, T19, T20,
T22, T26, T30, T33, T35, T40, dan T43 terpengaruh EPC 5.
13
16
18
37
40
7

Dengan dihilangkannya kondisi ini, kondisi baruEPSayanilai yang

11

22
28
44
45

dihitung untuk tugas diberikan dalam Tabel11dan terlihat

6
2
7

* * Tugas telah diidentifikasi dengan EPC yang ditunjukkan di atas

T
bahwa yang baruEPSayanilai tugas lebih rendah dari yang lama
22

33
37
40
42

T
6
1
2

EPSayanilai-nilai. Hasil ini merupakan hasil yang diharapkan.

T
31

11
13
18
31
35

Misalnya, jika perawat mendapat informasi yang cukup tentang

7
4
7

masalah medis dan malfungsi teknis yang mungkin terjadi

29

10
11
13
29
35
45
7
7

pada shift sebelumnya dan keadaan darurat terkait pasien,

mereka akan membuat lebih sedikit kesalahan saat melakukan
10
11
12
13
25
35
39
7
Tabel 10Penggunaan EPC untuk tugas

tugas T35 dan T40.

* NU adalah jumlah total pemakaian EPC
Tugas tanpa EPC: 3, 5, 6, 14, 17, 21, 24
25
30
35
39
40

Tindakan yang berbeda harus diambil dan pengaturan

7
4
8

ergonomis harus dibuat untuk mengurangi tingkat risiko tugas

10
12
27
36
38
40
8
4
8

dengan tingkat risiko berbeda. Misalnya, tindakan pencegahan

yang harus diambil sesuai dengan tingkat risiko tugas untuk
12
18
28
33
34
40
43
9
1
9

peserta N14 diberikan pada Tabel12.

EPC 5 1 15 24 2 4

10
12
15
20
34
35
36
40

Seperti yang ditunjukkan pada Tabel12, dengan perbaikan yang dilakukan

9
1
10
13
19
20
22
26
30
33
35
40
43

untuk setiap perawat berdasarkan tugas, dapat dipastikan bahwa orang-

orang membuat lebih sedikit kesalahan dan dengan demikian tingkat risiko
Tugas**

tugas dapat dikurangi.

TIDAK*

13
 53 Halaman 16 dari 21
Tabel 11 Nilai HEP untuk tugas dengan dan tanpa EPC5
Tabel 12Solusi sugestif dengan maksud untuk tugas-tugas berisiko
Proposisi
Berisiko tinggi
T1, T11, T13, T15, T30, T33, T34, T35, T39, T40, T43
Risiko sedang
T10, T31
Resiko rendah
T2, T4, T7, T8, T9, T12, T16, T18, T19, T20, T22, T23, T25,
T26, T27, T28, T29, T32, T38, T41, T42, T36, T37, T44, T45
4.2 Analisis Perbandingan
Keluaran dari pendekatan FSPC-HEART bergantung pada
variasi parameter GTT, EPC, dan APOA. Perubahan bobot
APOA atau EPC berpengaruh pada pembacaan HEP.
Meja13menampilkan variasi nilai HEP berdasarkan nilai
APOA yang ditentukan menggunakan metodologi
SWARA dan FSWARA.
Untuk analisis perbandingan, nilai standar nilai GTT, secara
hipotetis nilai lebih rendah dan lebih tinggi untuk SWARA dan
FSWARA dengan mengelompokkan secara terpisah; ketika
perubahan tugas G13 dibandingkan dengan perubahan
komputer5nilai dalam perhitungankomputerJDanPOAJ,
13
Jurnal Internasional Sistem Intelijen Komputasi (2023) 16:53
Memberikan dukungan pengobatan kognitif dan hipnosis untuk mendapatkan operan
pengalaman
Pengembangan metode khusus untuk prosedur anamnesis
Penghapusan faktor negatif di lingkungan kerja
Memfasilitasi proses orientasi, mengembangkan metode kepatuhan kerja-
ologi berdasarkan penghargaan dan hukuman
Mengembangkan prosedur untuk mencegah faktor dampak emosional pasien
kerabat
Meningkatkan jumlah perawat yang berkualitas untuk mengurangi beban kerja
keperawatan Melaksanakan pengkajian untuk meningkatkan motivasi perawat yang belum
berpengalaman Membuat instruksi sederhana dan jelas untuk proses profesional
praktik
Persediaan pasokan barang habis pakai seperti pada manufaktur just-in-time
strategi
Penunjukan perawat dalam jumlah yang cukup di departemen
Membuat penugasan kerja sesuai tingkat pengalaman
Memberikan peluang stocking yang cepat dan berkesinambungan dengan meningkatkan pasokan
kondisi perbekalan kesehatan
itukomputer5nilai ditemukan efektif secara signifikan untuk
ketiga variabel. Saat membandingkan metodologi FSWARA
dan SWARA, nilai HEP% yang diperoleh dengan FSWARA
secara konsisten lebih besar dibandingkan nilai SWARA.
Sebagai hasil dari proses evaluasi yang menjadi lebih
kompleks akibat kesulitan dan faktor yang dihadapi ketika
mengambil keputusan dalam lingkungan yang tidak pasti,
bobot ditentukan lebih tepat menggunakan FSWARA, dan
nilai HEP yang realistis tercapai.
Sebaliknya, perubahan GTT searah dengan
perubahan variabel GTT. Seperti GTT
Jurnal Internasional Sistem Intelijen Komputasi (2023) 16:53
Tabel 13Nilai HEP komparatif untukkomputer5
nilainya menurun, nilai HEP yang dihasilkan menurun, dan seiring
peningkatan, nilai HEP yang diperoleh meningkat.
5. Kesimpulan
Dalam penelitian ini, pendekatan baru bernama FSPC-HEART dan DSS
berdasarkan metode ini dikembangkan. Berbeda dengan pendahulunya,
yang lebih sederhana dan umum, metode baru ini menggunakan
centroid yang dibuat oleh PCA untuk menghasilkan hasil yang lebih
detail dan menyeluruh. Mendapatkan nilai APOA yang lebih spesifik
lebih mudah, dan menawarkan solusi yang lebih kuat dan andal dalam
hal wilayah penerapannya. Metode yang diusulkan, tidak seperti metode
HEART tradisional, menghitung nilai HEP yang berbeda untuk setiap
aktivitas yang diberikan. Nilai risiko setiap individu dievaluasi, dan
pekerjaan yang tidak boleh dialokasikan kepada mereka ditentukan.
Tingkat risiko individu dapat dikurangi dengan merencanakan dan
mengatur kegiatan pencegahan dan mewajibkan individu untuk
berpartisipasi di dalamnya. Dengan demikian, keberlanjutan pelayanan
kesehatan pada tingkat mutu tertentu dapat dicapai. Tidak diragukan
lagi bahwa ini ramah pengguna
Halaman 17 dari 21 53
DSS dan teknologi akan sangat bermanfaat dalam meningkatkan
kualitas layanan kesehatan dan layanan manusia.
Dalam lingkup penyelidikan saat ini, tingkat risiko perawat
ditetapkan. Bagi beberapa perawat, tingkat ini sangat tinggi.
Akibatnya, dimungkinkan untuk mempertahankan tingkat stres dan
beban kerja mental yang sesuai di antara perawat dengan
memperoleh tingkat risiko sedang untuk variabel seperti etika
kerja, lingkungan kerja yang ergonomis, kolaborasi tim,
pengalaman tim, kualitas organisasi, keakraban, dan waktu yang
tersedia. Selain itu, seluruh petugas kesehatan diketahui
menghadapi tekanan emosional dan fisik selama pandemi. Penting
untuk mengambil tindakan pencegahan tambahan, seperti
menambah jumlah perawat, untuk mengurangi beban kerja dan
pemicu stres akibat kondisi pandemi yang unik dan sulit ini. Segala
jenis perbaikan pada lingkungan dan pengaturan kerja mereka
akan meningkatkan produktivitas mereka.
Untuk layanan kesehatan yang unggul secara konsisten, rencana
perbaikan dan pengembangan yang berkelanjutan memerlukan
pembagian data yang konstan dan akurat. Perawat harus memiliki
kesadaran yang komprehensif tentang riwayat pengobatan pasien.
Terjadinya gangguan ini nampaknya meningkatkan peluang
13
 53 Halaman 18 dari 21
kesalahan keperawatan. Peningkatan teknologi di masa depan,
seperti Industri IV atau V, termasuk dalam bidang solusi yang dapat
diusulkan berdasarkan temuan studi. Kesalahan dan kejadian
lainnya dapat dihindari dengan membangun sistem unik yang
menyediakan transmisi data secara simultan. Aplikasi online yang
menggunakan kecerdasan buatan dan manajemen memori akan
mencapai tingkat kualitas yang dibutuhkan. Dalam membangun
sistem yang akan memperoleh manfaat dari kemajuan teknologi
baik pada tingkat pengukuran maupun manajemen, teknik
identifikasi risiko yang disajikan dalam penelitian ini diharapkan
akan berfungsi sebagai landasan bagi evaluasi kontemporer dan
tindakan pencegahan.
Karena kebutuhan untuk memastikan kelangsungan
lingkungan bisnis dan dampak buruk dari pembatasan
pandemi terhadap proses implementasi, analisis yang
komprehensif tidak dapat dilakukan. Hal ini diperlukan untuk
menjaga alur kerja dan ketertiban saat ini. Selain itu,
ketidakmampuan observasi perawat akibat pandemi di luar jam
kerja yang ditentukan pukul 08.00 hingga 16.00 dan variabilitas
shift juga berdampak negatif terhadap pekerjaan. Terlepas dari
keterbatasan yang ditunjukkan, data yang diperoleh
menunjukkan bahwa, selain lingkungan kerja, kecenderungan
kesalahan masyarakat juga dipengaruhi oleh karakteristik
individu. Karena kontribusi barunya terhadap literatur yang
ada, ia memberikan perspektif baru tentang interaksi
kesalahan manusia, yang mengarah pada penyelidikan saat ini.
Arsitektur penelitian memungkinkan dilakukannya penelitian
baru yang mana lebih banyak variabel yang dapat diteliti pada
penelitian selanjutnya, dengan mempertimbangkan hasil yang
diperoleh. Kemampuan sistem untuk memantau EPC berpotensi
menjadi dasar bagi sistem kecerdasan buatan otonom dalam
penelitian di masa depan. Hal ini dimungkinkan untuk
memanfaatkannya sebagai alat yang berharga di berbagai tahap
prosedur pelembagaan. Selain itu, cara pembagian pekerjaan dan
penyelesaian tugas akan dilakukan dengan cara yang lebih sehat
dan berkualitas karena adanya potensi perubahan. EPC yang perlu
diminimalkan dengan mengembangkan DSS atau EPC yang
meningkatkan risiko dapat disampaikan kepada pengambil
keputusan melalui sistem dan tindakan pencegahan dapat
ditentukan. Jika modul baru ditambahkan, diperbarui, atau
ditingkatkan ke DSS yang dikembangkan, modul tersebut dapat
digunakan sebagai alat solusi efektif untuk banyak masalah di masa
depan. Fitur ini menunjukkan berbagai aspek NTM-DSS.
Dalam penelitian selanjutnya, DSS yang dikembangkan dalam penelitian
ini dapat digunakan untuk menentukan tingkat risiko karyawan di berbagai
sektor. Selain itu, dengan mempertimbangkan hasil penelitian ini,
dimungkinkan untuk mengembangkan pendekatan baru terhadap masalah
penugasan personel dan menciptakan model solusi dengan
mempertimbangkan berbagai faktor, seperti biaya, pengalaman, jam kerja,
dan jumlah karyawan, dan minimalisasi kesalahan. Metode HATI baru dapat
dikembangkan dengan menggunakan metode yang berbeda
13
Jurnal Internasional Sistem Intelijen Komputasi (2023) 16:53
pendekatan berdasarkan teori himpunan fuzzy ketidakpastian
sambil menghitung nilai GTT, EPC, dan APOA. Terakhir, hasil yang
lebih komprehensif dapat diperoleh dengan memasukkan lebih
banyak faktor beban kerja fisik dan beban kerja mental.
Lampiran A
Lampiran 1: Tugas Perawat Terpilih Yang Lebih Berpengaruh
Terhadap Beban Kerja Keperawatan
Tugas
1. Menangani keadaan darurat
2. Bekerja dalam peran yang ambigu atau harus melaksanakan
tugas-tugas yang saling bertentangan
3. Mengarahkan pasien ke unit dengan mengumpulkan informasi
mationasi dan menyelesaikan prosedur
penerimaan-transfer
4. Menyatukan lebih dari satu pekerjaan dan melakukannya di
waktu yang sama
5. Gangguan komunikasi, konflik, dll dengan orang lain
anggota tim; bekerja dalam kondisi
6. Melaksanakan operasi pelayanan pasien secara langsung dan tidak langsung
tions
7. Melakukan operasi di bawah pengeroyokan
perilaku yang diterapkan oleh rekan satu tim
8. Tidak memiliki cukup informasi tentang operasi tersebut
dari peralatan; tidak mampu merespon kebutuhan
dalam kondisi baru, dll, bekerja dengan hambatan
9. Pada saat yang sama, prosedur yang memerlukan fisioterapi
pengetahuan cian dilakukan dengan pengetahuan dan
pengalaman individu. karena pihak berwenang tidak
dapat dihubungi tepat waktu
10. Melakukan prosedur yang tidak memadai
informasi yang cukup tentang pengobatan yang
diperlukan dan prosedur intervensi
11. Eksekusi prosedur tanpa diperlukan
informasi tentang riwayat pasien
12. Tidak mengetahui hak pasien dan membawa
keluar prosedur dengan cara ini
13. Konflik dengan pasien dan kerabatnya, komunitas
gangguan nication., dll. bekerja dalam kondisi
14. Ketidakmampuan untuk berkomunikasi secara efektif dengan pasien
dan/atau kerabat mereka, dll., melakukan transaksi
tergantung pada situasi
15. Bekerja dalam lingkup tuntutan seperti itu
kerabat pasien mengharapkan perawat untuk menunjukkan
tingkat empati dan kepekaan tertentu
16. Melaksanakan prosedur saat ini di bawah tekanan
yakinkan keluarga pasien untuk segera menghubungi
perawat dan memenuhi kebutuhannya sesegera
mungkin
17. Bekerja dengan keadaan kelelahan yang disebabkan oleh
pasien/kerabat pasien membuat pilihan di antara perawat
dan memisahkan mereka menjadi yang baik-buruk dan
sukses-tidak berhasil
Jurnal Internasional Sistem Intelijen Komputasi
18. Bekerja dalam kondisi dimana pasien-perawat percaya
tidak cukup atau tidak dapat ditetapkan
19. Tidak mampu mengkomunikasikan perubahan yang penting
tanda-tanda tentang pasien kepada dokter dalam waktu
singkat dan bekerja dalam hasil tersebut
20. Membantu pasien dalam melakukan aktivitas sehari-hari
21. Bekerja dengan paparan berinteraksi secara langsung
dengan penderitaan yang dialami pasien
22. Kurangnya departemen terkait di
rumah sakit dalam penyediaan alat dan
perlengkapan pelayanan. dll untuk melakukan
transaksi dalam rangka gangguan
23. Persiapan laporan pasien
24. Bekerja secara bersamaan dengan seluruh layanan kesehatan
tim untuk mendukung pasien
25. Mengukur dan memantau tanda-tanda vital; melaksanakan
prosedur pengelolaan obat
26. Mengevaluasi dan merencanakan kebutuhan asuhan keperawatan; membawa-
melakukan prosedur tindak lanjut pasien
27. Menemukan kekurangan data dalam asuhan dan kebutuhan keperawatan,
evaluasi dan perencanaan, dan kelanjutan studi
dengan cara ini
28. Bekerja dengan masalah seperti tidak mampu
menyediakan bahan-bahan yang diperlukan, seperti obat-obatan
dan serum tepat waktu, dll
29. Membuat prosedur yang rumit bagi mereka yang tidak berpengalaman
perawat berpengalaman yang baru saja mulai bekerja
30. Bekerja di departemen yang jumlahnya
perawat tidak mencukupi dalam hal beban kerja
31. Bekerja dengan perasaan gagal saat urat
tidak terlihat jelas dan/atau tidak terasa, pada saat
pengambilan darah
32. Bekerja dengan kekuasaan pengambilan keputusan yang terbatas
33. Eksekusi prosedur dalam kerangka
hal-hal negatif, seperti ketidakcocokan, konflik, dll.
dengan perawat pelajar dan peserta pelatihan
34. Bekerja dengan kekurangan waktu dalam hal pendahuluan
persiapan dan perencanaan kerja
35. Prosedur akibat kurangnya latihan atau
menghadapi untuk pertama kalinya, intervensi yang tidak
memadai terhadap pasien yang sakit kritis
36. Membantu dokter dalam prosedurnya
37. Meningkatkan beban kerja pasien tanpa pendamping
dan menyelesaikan prosedur tergantung pada beban
kerja ini
38. Untuk melaksanakan prosedur dalam lingkup
masalah yang disebabkan oleh mengajukan pertanyaan yang
hanya dapat dijawab oleh dokter kepada perawat
39. Untuk melaksanakan prosedur dalam hal negatif,
seperti ketidakmampuan mendengar dengan jelas dalam
pengukuran tekanan darah, dan ketidakcocokan lengan dan
manset pasien
40. Bekerja dalam kondisi yang tidak diinginkan, seperti
masalah, gangguan, dan lain-lain dalam fungsi
alat kesehatan
41. Melaksanakan transaksi dalam rangka
hal-hal negatif, seperti kurangnya suku cadang alat dan
perlengkapan alat tulis, seperti toner, kertas, dan lain-lain.
(2023) 16:53 Halaman 19 dari 21 53
42. Melakukan operasi dengan penyebab psikologi
berdasarkan situasi, seperti pemantauan yang cermat
dan interpretasi permohonan oleh pasien/kerabat pasien
43. Eksekusi transaksi dengan dampak langsung
tujuan dan harapan atasan
44. Kesulitan pergeseran, kurangnya hak individu, dan
bekerja dalam kondisi kerja yang sulit
45. Melakukan pekerjaan yang memerlukan intervensi intensif
dan harus menyelesaikan pengukuran dan pemantauan
tanda-tanda vital dalam proses yang kompleks dalam
waktu yang terbatas dan sempit
Ucapan Terima KasihKami ingin mengucapkan terima kasih kepada manajemen rumah
sakit, dokter darurat, staf rumah sakit, dan perawat yang mendukung kami dalam
mewujudkan pekerjaan ini.
Kontribusi PenulisSemua penulis berkontribusi pada konsepsi dan
desain penelitian. Penelitian ini terutama disusun dan dirancang
oleh CK. Percobaan dilakukan oleh CK dan EKD. Draf pertama
naskah ditulis oleh CK & EKD, dan semua penulis mengomentari
naskah versi sebelumnya. BD mengedit naskahnya. Semua penulis
membaca dan menyetujui naskah akhir.
PendanaanTak dapat diterapkan.
Ketersediaan Data dan BahanTak dapat diterapkan.
Deklarasi
Konflik kepentinganPara penulis menyatakan tidak ada konflik kepentingan.
Persetujuan Etika dan Persetujuan untuk BerpartisipasiTak dapat diterapkan.
Persetujuan untuk PublikasiTak dapat diterapkan.
Akses terbukaArtikel ini dilisensikan di bawah Lisensi Internasional Creative
Commons Atribusi 4.0, yang mengizinkan penggunaan, berbagi, adaptasi, distribusi,
dan reproduksi dalam media atau format apa pun, selama Anda memberikan kredit
yang sesuai kepada penulis asli dan sumbernya, berikan a tautan ke lisensi Creative
Commons, dan tunjukkan jika ada perubahan. Gambar atau materi pihak ketiga
lainnya dalam artikel ini termasuk dalam lisensi Creative Commons artikel tersebut,
kecuali dinyatakan sebaliknya dalam batas kredit materi tersebut. Jika materi tidak
termasuk dalam lisensi Creative Commons artikel dan tujuan penggunaan Anda
tidak diizinkan oleh peraturan perundang-undangan atau melebihi penggunaan
yang diizinkan, Anda harus mendapatkan izin langsung dari pemegang hak cipta.
Untuk melihat salinan lisensi ini, kunjungihttp://creativecommons.org/licenses/by/
4.0/.
Referensi
1. Delice, EK: Acil servis hekimlerinin nasa-rtlx yöntemi ile zihinsel
iş yüklerinin değerlendirilmesi: bir uygulama çalışması. Atatürk
Üniversitesi İktisadi dan İdari Bilimler Dergisi30(3), 645–662
(2016)
2. Toroody, AB, Abaiee, MM, Gholamnia, R., Ketabdari, MJ: Investigasi berbasis
epistemik terhadap kemungkinan skenario bahaya menggunakan jaringan
bayesian untuk operasi pengangkatan kapal terapung
13
 53 Halaman 20 dari 21 Jurnal Internasional Sistem Intelijen Komputasi
objek. J. Mar. Sci. Aplikasi.15(3), 250–259 (2016).https://doi.org/
10.1007/s11804-016-1361-y
3. Patriarca, R., Ramos, M., Paltrinieri, N., Massaiu, S., Costantino, F., Di
Gravio, G., Boring, RL: Analisis keandalan manusia: mengeksplorasi
struktur intelektual suatu bidang penelitian. dapat diandalkan. bahasa
Inggris sistem. Saf.203, 107102 (2020).https://doi.org/10.1016/
j.ress.2020. 107102
4. Castiglia, F., Giardina, M.: Analisis kesalahan manusia operator di
stasiun pengisian bahan bakar hidrogen: perbandingan antara
teknik penilaian tingkat manusia. Int. J. Hidrog. Energi38(2), 1166–
1176 (2013).https://doi.org/10.1016/j.ijhydene.2012.10.092
5. Abbassi, R., Khan, F., Garaniya, V., Chai, S., Chin, C., Hossain,
KA: Metode terintegrasi untuk penilaian probabilitas kesalahan manusia
selama pemeliharaan fasilitas lepas pantai. Proses Saf. Mengepung.
Prot.94(3), 172–179 (2015).https://doi.org/10.1016/j.
pertunjukan.2017.06.008
6. Navas de Maya, B., Komianos, A., Wood, B., de Wolff, L., Kurt, RE,
Turan, O.: Aplikasi praktis dari analisis tugas hierarki (HTA) dan
penilaian kesalahan manusia dan teknik reduksi (HEART) untuk
mengidentifikasi kesalahan besar dengan tindakan mitigasi yang
diambil setelah deteksi kebakaran di atas kapal penumpang.
Samudera Inggris.253, 111339 (2022).https://doi.org/10.1016/
j.ocean eng.2022.111339
7. Chauhan, A., Golestani, N., Yazdi, M., Njue, JCW, Abbassi, R., Salehi, F.:
Metodologi terintegrasi baru untuk penilaian keandalan manusia di
stasiun pengisian bahan bakar hidrogen. Int. J. Hidrog. Energi
(2023).https://doi.org/10.1016/j.ijhydene.2022.12.181
8. Katrancı, A., Kundakcı, N.: SWARA Temelli Bulanık COPRAS
Yöntemi ile Soğuk Hava Deposu Seçimi. Ekonomi Optimal dan
Yönetim Bilimleri Dergisi7(1), 63–80 (2020).https://doi.org/10.
17541/optimal.526134
9. Zolfani, SH, Saparauskas, J.: Penerapan baru metode SWARA dalam
memprioritaskan indikator penilaian keberlanjutan sistem energi.
bahasa Inggris ekonomi.24(5), 408–414 (2013).https://doi. org/
10.5755/j01.ee.24.5.4526
10. Taguchi, Y.-H.: Ekstraksi Fitur Tanpa Pengawasan yang Diterapkan pada
Bioinformatika: Pendekatan Berbasis PCA dan Berbasis TD, edisi
pertama, hlm. 34–58. Penerbitan Internasional Springer, Cham (2020). (
ISBN: 978-3-030-22455-4,978-3-030-22456-1)
11. Kline, RB: Prinsip dan Praktek Pemodelan Persamaan Struktural,
edisi ke-3, hlm.7–385. Guilford Press, New York (2011).
(ISBN-13: 978-1606238769)
12. Pütz, S., Baier, R., Brauner, P., Brillowski, F., Dammers, H., Liehner, L.,
Mertens, A., Rodemann, N., Schneider, S., Schollemann,
A., Steuer-Dankert, L., Vervier, L., Gries, T., Leicht-Scholten,
C., Nagel, SK, Piller, FT, Schuh, G., Ziefle, M., Nitsch, V.: Pandangan
interdisipliner tentang antarmuka manusiawi untuk bayangan digital di
internet produksi. Dalam: Konferensi Internasional ke-15 tentang
Interaksi Sistem Manusia (HSI) tahun 2022, hal. 1–8 (2022).https://doi.
org/10.1109/HSI55341.2022.9869467
13. Hart, SG, Staveland, LE: Pengembangan NASA-TLX (task load
index): hasil penelitian empiris dan teoritis. Adv. Psikologi.
52(1), 139–170 (1988).https://doi.org/10.1016/S0166-
4115(08)62386-9
14. Rathnayake, S., Dasanayake, D., Maithreepala, SD, Ekanayake,
R., Basnayake, PL: Perspektif perawat dalam merawat pasien
dengan penyakit virus corona 2019: studi fenomenologis. PLoS
SATU (2021).https://doi.org/10.1371/journal.pone. 0257064
15. Aliabadi, MM: Analisis kesalahan manusia dalam operasi start-up tungku
menggunakan HATI dalam lingkungan fuzzy intuisionistik. J. Kerugian
Sebelumnya. Proses Ind.69, 104372 (2021).https://doi.org/10.1016/j.jlp.
2020.104372
16. Maya, BN, Komianos, A., Kayu, B., Wolff, L., Kurt, RE, Turan,
O.: Penerapan praktis analisis tugas hierarki (HTA) dan teknik
penilaian dan pengurangan kesalahan manusia (HEART) untuk
13
(2023) 16:53
mengidentifikasi kesalahan besar dalam tindakan mitigasi yang diambil
setelah deteksi kebakaran di atas kapal penumpang. Samudera Inggris.253,
111339 (2022).https://doi.org/10.1016/j.oceaneng.2022.111339
17. Cahyani, SN, Safirin, MT, Donoriyanto, DS, Rahmawati,
N.: Analisis human error untuk meminimalisir kecelakaan kerja dengan
metode HEART dan SHERPA di PT. Wonojati Wijoyo. Melecut. Optimal.
Manuf. sistem. bahasa Inggris6(1), 48–59 (2022).https://doi.org/10.
21070/prozima.v6i1.1569
18. Ghousi, R., Khanzadi, M., Esfahani, MM: Analisis keandalan manusia
dalam proyek penggalian dalam menggunakan metode
terintegrasi fuzzy Bayesian HEART-5M: kasus menara perumahan di
Teheran Utara. Int. J. Pekerjaan. Saf. Ergon. (2022).https://doi.org/
10.1080/10803548.2022.2115227
19. Rammadaniya, P., Mahbubah, N.: Integrasi pendekatan HEART dan
SHERPA untuk mengevaluasi kesalahan manusia dalam produksi
garam kilang. JSTI-Jurnal Sistem Teknik Industri24(2), 177–193
(2022).https://doi.org/10.32734/jsti.v24i2.7755
20. Uflaz, E., Sezer, SI, Akyuz, E., Arslan, O., Kurt, RE: Analisis keandalan
manusia untuk proses bunkering LNG kapal ke kapal dengan
pendekatan HEART fusi bukti DS. J. Kerugian Sebelumnya. Proses Ind.
80, 104887 (2022).https://doi.org/10.1016/J.JLP.2022.104887
21. Köseoğlu, SC, Kılıç, DE: Metode penilaian risiko baru berdasarkan
kemungkinan kesalahan manusia: SPC-HEART. J.Turki. Operasi.
Kelola.6(2), 1390–1409 (2022).https://doi.org/10.56554/jtom.
1205364
22. Williams, JC: Heart—metode yang diusulkan untuk mencapai keandalan
yang tinggi dalam operasi proses melalui teknologi rekayasa faktor
manusia. Saf. dapat diandalkan.35(3), 5–25 (2015).https://doi.org/
10.1080/09617353.2015.11691046
23. Sumrit, D.: Pemilihan pemasok untuk inventaris yang dikelola vendor di layanan
kesehatan menggunakan pendekatan pengambilan keputusan multi-kriteria
fuzzy 9(2), 233–256 (2020)https://doi.org/10.5267/j.dsl.2019.10.002
24. Güran, A., Uysal, M., Ekinci, Y., Güran, B.: Fungsi skor kalimat
berbasis FAHP aditif untuk peringkasan teks. Inf. Teknologi.
Kontrol46(1), 53–69 (2017).https://doi.org/10.5755/j01.itc.
46.1.13051
25. Thakkar, JJ: Analisis rasio penilaian bobot bertahap (SWARA). Dalam:
Pengambilan Keputusan Multi-Kriteria. Studi dalam Sistem,
Keputusan dan Pengendalian, vol. 336. Springer, Singapura, hlm.
281–289 (2021).https://doi.org/10.1007/978-981-33-4745-8_16
26. Cheng, AJ, Chen, CJ, Chen, CY: Perbandingan beberapa kriteria
metode peramalan teknologi yang tidak jelas untuk memprediksi
perkembangan material baru. Teknologi. Ramalan. sosial.
Mengubah 75(1), 131–141 (2008).https://doi.org/10.1016/
j.techfore.2006. 08.002
27. Tharwat, A.: Analisis komponen utama—tutorial. Int. J. Aplikasi.
Pengenalan Pola.3(3), 197–240 (2016).https://doi.org/10. 1504/
IJAPR.2016.079733
28. Karamizadeh, S., Abdullah, S., Manaf, A., Zamani, M., Hooman,
A.: Gambaran umum analisis komponen utama. J.Inf Sinyal.
Proses.4(3B), 173–175 (2013).https://doi.org/10.4236/jsip.
2013.43B031
29. Jollife, IT, Cadima, J.: Analisis Komponen Utama: tinjauan dan
perkembangan terkini. Philos Trans R Soc AMath Fisika Eng
Sains (2016).https://doi.org/10.1098/rsta.2015.0202
30. Shlens, J.: Tutorial analisis komponen utama 2005. Educ. Int. J.
Sensor Jarak Jauh.51(2), 1–12 (2014)
31. Virtanen, K., Mansikka, H., Kontio, H., Harris, D.: Pengamat berat badan:
bobot NASA-TLX ditinjau kembali. teori. Masalah Ergon. Sains.
23(6), 725–748 (2022).https://doi.org/10.1080/1463922X.2021.
2000667
32. Fang, L., Xiao, B., Yu, H., You, Q.: Peringkat risiko sistemik yang stabil
di sektor perbankan Tiongkok: berdasarkan analisis komponen
utama. Fisika A492, 1998–2006 (2018).https://doi.org/10.1016/j.
fisik.2017.11.115
Jurnal Internasional Sistem Intelijen Komputasi (2023) 16:53
33. Köseoğlu, SC: Metode penilaian risiko baru berdasarkan pengurangan
kesalahan manusia & sistem pendukung keputusan (Disertasi Doktor),
Pusat Tesis Dewan Pendidikan Tinggi (2022). (Referensi
Nomor : 10513337)
34. Agyemang, P., Kwofie, E.: M: Mengintegrasikan analisis kerangka kerja,
desain skenario, dan sistem pendukung keputusan untuk analisis sistem
pangan sehat berkelanjutan. J.Bersih. Melecut.372, 133661 (2022).
https://doi.org/10.1016/j.jclepro.2022.133661
35. Ahmad, F., Saman, MYM, Noor, NMM, Othman, A.: DSS untuk Proses
Tender: Mengintegrasikan Model Statistik Kriteria Tunggal dengan
Model MCDM. Simposium Internasional IEEE 2007 tentang
Pemrosesan Sinyal dan Teknologi Informasi, hal. 863–868 (2007).
https://doi.org/10.1109/isspit.2007.4458013
36. Lenhardt, R., Sessler, DI: Estimasi suhu rata-rata tubuh dari
rata-rata suhu kulit dan inti. Anestesiologi105(6), 1117–
1121 (2006).https://doi.org/10.1097/00000542-20061
2000-00011
37. Weaver, MD, Sletten, TL, Foster, RG, Gozal, D., Klerman, EB,
Rajaratnam, SMW, Roenneberg, T., Takahashi,
JS, Turek, FW, Vitiello, MV, Young, MW, Czeisler, CA: Dampak
buruk pola tidur polifasik pada manusia: laporan panel
konsensus waktu tidur dan variabilitas yayasan tidur nasional.
Kesehatan Tidur7(3), 293–302 (2021).https://doi.org/10. 1016/
j.sleh.2021.02.009
38. Kaewdok, T., Norkaew, S., Sirisawasd, S., Choochouy, N.: Faktor-faktor yang
mempengaruhi kemampuan kerja pada penduduk usia kerja di Provinsi
Singburi, Thailand. Int. J.Lingkungan. Res. Kesehatan masyarakat 19(10),
5935 (2022).https://doi.org/10.3390/ijerph19105935
Halaman 21 dari 21 53
39. Barbosa, R., Midão, L., Almada, M., Costa, E.: Kinerja kognitif pada orang
dewasa lanjut usia di seluruh Eropa berdasarkan database SHARE.
Neuropsikol Penuaan. Pengetahuan.28(4), 584–599 (2020).https://
doi.org/10.1080/13825585.2020.1799927
40. Salthouse, TA: Kapan penurunan kognitif terkait usia dimulai?
Neurobiol. Penuaan30(4), 507–514 (2009).https://doi.org/10.
1016/j.neurobiolaging.2008.09.023
41. Garvey, PR: Jalur 2: menerapkan proses manajemen risiko untuk
peningkatan sistem informasi skala besar—sebuah studi kasus.
TERMASUK4(1), 14–18 (2001).https://doi.org/10.1002/inst.20014 115
42. Carmen Lucas-Estañ, M., Sepulcre, M., Raptis, TP, Passarella,
A., Conti, M.: Tren yang muncul dalam komunikasi nirkabel hybrid
dan manajemen data untuk Industri 4.0. Elektronik7(12), 400–405
(2018).https://doi.org/10.3390/electronics7120400
43. Yılmaz Kaya, B., Kaya, G., Dağdeviren, M.: Contoh penerapan sistem
ujian berbasis web untuk pendidikan jarak jauh dan formal.
Procedia Soc. Berperilaku. Sains.141, 1357–1362 (2014).https://
doi.org/10.1016/j.sbspro.2014.05.234
Catatan PenerbitSpringer Nature tetap netral sehubungan dengan klaim
yurisdiksi dalam peta yang dipublikasikan dan afiliasi kelembagaan.
13