Manajemen proses bisnis dilakukan untuk mendapatkan hasil yang diinginkan dalam waktu dan biaya yang optimum. Proses bisnis bisa diperoleh dengan menggunakan teknik process discovery yang bekerja dengan menggali relasi dari data log. Relasi tersebut adalah sequence, paralel (XOR, OR, dan AND). Process discovery yang sudah ada dapat menemukan relasi paralel (XOR, OR, dan AND), sequence, perulangan (loop), non-free choice, dan invisible task. Selain itu, sebagian besar process discovery yang sudah ada juga menggunakan single timestamp untuk menemukan model proses.
Penelitian ini bertujuan membandingkan algoritma Modified Time-based Heuristics Miner yang merupakan algoritma modifikasi terbaru dari algoritma Heuristics Miner yang dapat menemukan model proses dan menentukan relasi sekuensial dan paralel (AND, OR, dan XOR). Dibandingkan dengan algoritma aslinya, algoritma Heuristics Miner, hanya mampu menemukan relasi sekuensial dan paralel (AND dan XOR). Untuk mengetahui perbedaan antara Heuristics Miner dan Modified Time-based Heuristics Miner termasuk model proses dan hubungannya, evaluasi pada penelitian ini dilakukan dengan menggunakan pengecekan kesesuaian atau yang disebut dengan conformance checking yang terdiri dari fitness, precision, simplity, dan generalization.
Terdapat empat aspek dalam mengukur kualitas model. Keempat aspek tersebut adalah fitness, precision (presisi), simplicity, dan generalization (generalisasi). Fitness mengukur seberapa besar proses pada event log dapat tergambar di model proses. Presisimengukur seberapa besar trace yang terbetuk dari model proses tergambar dalam event log. Simplicity mengukur kesederhanaan model proses tanpa menghilangkan proses dari event log. Sedangkan, generalisasimengukur generalisasi model proses.
Sebuah proses model dengan fitness yang baik menunjukkan “kecocokan” dari model proses yang ditemukan dengan “realita”. Sebuah model proses dikatakan memiliki fitness sempurna jika semua trace di event log dapat diwakili oleh model proses dari awal sampai akhir. Sebaliknya, jika banyak trace di event log tidak dapat diwakili oleh proses model dari awal sampai akhir, maka proses model disebut memiliki fitness yang buruk.
Presisi menyatakan bahwa suatu model proses tidak seharusnya menunjukkan proses yang cenderung berbeda dengan proses yang terlihat pada event log. Presisi berkaitan dengan notasi overfitting dalam konteks data mining. Suatu model proses dikatakan overfitting apabila model proses tersebut sangat spesifik dan berpatokan penuh pada contoh proses di event log. Semakin tinggi nilai presisi suatu model proses, maka semakin besar kecenderungan model tersebut dalam notasi overfitting.
Perhitungan simplicity suatu model proses dengan cara membandingkan ukuran tree model dari suatu model proses dengan aktivitas pada event log. Apabila aktivitas yang muncul pada model proses hanya sekali dan semua aktivitas pada event log tergambar pada tree model, maka model tersebut memiliki nilai similarity yang tinggi.
Generalisasi menyatakan bahwa suatu model proses seharusnya menunjukkan generalisasi dari contoh proses yang terlihat pada event log. Generalisasi berkaitan dengan notasi underfitting dalam konteks data mining. Suatu model proses dikatakan underfitting apabila model proses tersebut juga menunjukkan proses yang cenderung berbeda dengan proses yang terlihat pada event log. Semakin tinggi nilai generalisasi suatu model proses, maka semakin besar kecenderungan model tersebut dalam notasi underfitting. Perhitungan generalisasi suatu model proses memperhatikan frekuensi dari kemunculan node pada process tree berdasarkan event log.
Terdapat empat langkah utama dalam penelitian ini, yaitu: (1) Pengumpulan Data Log. Data log yang digunakan adalah MY Company, sebuah toko buku online. (2) Penemuan Model Proses Bisnis dari dua algoritma yang dibandingkan. (3) Menentukan semua relasi sekuensial dan paralel dari model proses bisnis. (3) Mengevaluasi model proses bisnis dengan pemeriksaan kesesuaian. Hasil penelitian menunjukkan bahwa pemeriksaan kesesuaian Modified Time-based Heuristics Miner lebih tinggi daripada algoritma Heuristics Miner asli dalam empat kriteria tersebut.
Penulis: Yutika Amelia Effendi, S.Kom., M.Kom.
Informasi detail dari penelitian ini dapat dilihat pada tulisan kami di: https://ieeexplore.ieee.org/document/9214767
Yutika Amelia Effendi, Fitri Retrialisca, Nania Nuzulita (2019). Conformance Checking to Evaluate Business Process Models using Modified Time-based Heuristics Miner Algorithm. 2019 IEEE Conference on Sustainable Utilization and Development in Engineering and Technologies (CSUDET). DOI: 10.1109/CSUDET47057.2019.9214767
