Pesatnya perkembangan sistem informasi menyebabkan semakin banyak data dan informasi yang tersimpan dengan skala besar. Dengan adanya berbagai jenis data yang tersedia, kejadian yang terjadi di dalam sistem disimpan dalam bentuk log data. Pemantauan proses bisnis dari log data skala besar memiliki tantangan tersendiri yang mengarah kepada Big Data. Process mining adalah disiplin ilmu untuk mengumpulkan log data dan memproses log data tsb menjadi model proses untuk menangkap anomali. Teknik membangun model proses dengan process mining disebut process discovery. Ada beberapa jenis hubungan yang dibentuk oleh algoritma process mining. Hubungan ini termasuk invicible task dalam pilihan yang tidak bebas. Kondisi ini dapat terjadi ketika aktivitas pilihan yang melibatkan tugas-tugas tak kasat mata bukanlah termasuk pilihan bebas karena eksekusinya bergantung pada aktivitas sebelumnya. Penelitian ini menyajikan dua proses bisnis untuk memberikan gambaran penggunaan tugas-tugas yang tidak terlihat (invicible task) dalam pilihan yang tidak bebas.
Studi kasus pertama yaitu pelabuhan yang melakukan dua proses bisnis utama, yaitu penanganan barang impor dan ekspor. Proses penanganan barang impor, beberapa crane mengangkat peti kemas ke atas truk berdasarkan jenis peti kemasnya. Crane dapat menempatkan kontainer di truk secara langsung. Di sisi lain, sebelumnya ada tugas memindahkan reefer dan uncontainer. Agar derek dapat melakukan aktivitas yang sesuai, model proses harus memiliki penanda yang mampu memetakan penentuan kontainer dan tugas yang akan diletakkan di truk. Penanda tersebut disebut pilihan tidak bebas atau yang biasanya dikenal dengan non-free choice. Setiap hubungan pilihan tidak bebas menghubungkan suatu aktivitas dengan aktivitas lain. Oleh karena itu, tugas tak terlihat (invicible task) ditambahkan untuk meningkatkan hubungan pilihan tidak bebas untuk setiap jenis kontainer. Kondisi ini disebut tugas tak terlihat (invicible task) dalam pilihan tidak bebas.
Studi kasus kedua yaitu sebuah tugas yang tidak terlihat (invicible task) harus ditambahkan sebelum menyelesaikan aktivitas transaksi, jadi pilihan tidak bebas yang menghubungkan pembayaran dengan e-facture untuk mencetak faktur pajak dan pilihan tidak bebas yang menghubungkan pembayaran langsung untuk menyelesaikan transaksi digambarkan dalam model proses pembelian peralatan medis. Lingkaran hitam dengan hubungan pilihan tidak bebas adalah implementasi pekerjaan yang tidak terlihat dalam pilihan tidak bebas.
Sudah banyak algoritma process discovery yang dikembangkan untuk menemukan beberapa jenis hubungan pada proses bisnis, namun jarang algoritma dikembangkan yang fokus untuk mengatasi tugas yang tidak terlihat (invisible task) dalam pilihan yang tidak bebas. Penelitian ini juga mengembangkan algoritma berbasis grafik untuk meminimalkan pengecekan semua pasangan aktivitas dalam proses penemuan model proses. Algoritma ini memanfaatkan kemampuan database grafik untuk menyimpan aktivitas dan hubungannya. Alih-alih mengamati pasangan aktivitas, algoritma penemuan proses berbasis grafik mengamati hubungan mereka secara langsung. Cara ini efektif karena suatu hubungan dapat dideteksi dari hubungan lainnya. Misalnya, algoritma berbasis grafik menemukan hubungan paralel berdasarkan kemunculan hubungan urutan. Menyimpan hubungan dapat mempercepat waktu komputasi untuk penemuan model proses dengan kaitannya dengan kompleksitas algoritma.
Algoritma penemuan proses berbasis grafik yang sudah ada saat ini memiliki beberapa kelemahan. Pertama, algoritma tsb tidak fokus untuk menemukan tugas yang tidak terlihat dalam pilihan yang tidak bebas. Kedua, algoritma tsb tidak secara langsung menyimpan log data sistem dalam basis data grafik. Berdasarkan 2 kelemahan algoritma ini, kontribusi utama dari penelitian ini adalah untuk mengusulkan GIT, perluasan algoritma untuk invicible task berbasis Grafik, dimana fokus utamanya adalah penemuan tugas tak terlihat dalam pilihan tidak bebas dengan memperluas aturan grafik yang ada dan mengintegrasikan sistem Enterprise Resource Planning (ERP) dengan database grafik untuk menyimpan log peristiwa secara langsung dalam database grafik. Algoritma GIT dievaluasi berdasarkan kualitas model proses yang diperoleh dan skalabilitas algoritma. Penelitian lanjutan dari topik ini adalah bagaimana mengoptimalkan proses penyimpanan dalam database grafik dan proses klasterisasi sebagai input dari proses penemuan. Kedua hal tersebut harus dianalisis lebih lanjut untuk meningkatkan skalabilitas algoritma GIT.
Penulis: Achmad Fahmi
Informasi detail dari penelitian ini dapat dilihat pada tulisan kami di:
https://journalofbigdata.springeropen.com/articles/10.1186/s40537-021-00487-x
Riyanarto Sarno, Kelly Rossa Sungkono, Muhammad Taufiqulsa’di, Hendra Darmawan, Achmad Fahmi and Kuwat Triyana (2021). Improving efficiency for discovering business processes containing invisible tasks in non‐free choice. DOI: https://doi.org/10.1186/s40537‐021‐00487‐x
