Penelitian ini bertujuan untuk meningkatkan akurasi dan ketahanan model proses dalam kondisi log peristiwa yang tidak lengkap, yang sering kali disebabkan oleh kesalahan sistem, kesalahan manusia, atau pola operasional yang tidak teratur. Ketidaklengkapan log ini dapat menyebabkan analisis yang tidak akurat dan model yang kurang representatif. Untuk mengatasi masalah ini, penelitian ini memperkenalkan Timed Genetic Process Mining, yaitu algoritma penambangan proses genetik yang dimodifikasi dengan mempertimbangkan data waktu proses.
Metode ini menggunakan algoritma yang dapat mengisi data peristiwa yang hilang berdasarkan informasi waktu, sehingga menghasilkan model proses yang lebih akurat. Algoritma ini melibatkan penggunaan dual timestamp, yang mencakup waktu mulai dan selesai dari setiap aktivitas. Dengan adanya data ini, algoritma dapat melacak dan merekonstruksi proses yang lebih akurat meskipun dalam kondisi log yang tidak lengkap.
Hasil penelitian menunjukkan bahwa pendekatan ini dapat meningkatkan skor fitness dan precision model, serta memberikan hasil yang lebih baik dibandingkan dengan algoritma penambangan proses genetik tradisional yang hanya menggunakan single timestamp. Penelitian ini juga memperkenalkan metrik konformansi (conformance) lanjutan untuk validasi model proses, termasuk perbandingan berbasis kesesuaian struktur dan perilaku antara log peristiwa dan model proses yang dihasilkan.
Secara keseluruhan, pendekatan dengan algoritma modifikasi Timed Genetic Process Mining ini menawarkan keunggulan dalam pemodelan proses yang lebih baik dan efektif dalam menangani ketidaklengkapan log, sehingga berpotensi mendukung pengambilan keputusan yang lebih baik di berbagai organisasi.
Authors: Yutika Amelia Effendi, Minsoo Kim
Electronics 2024, 13(18), 3752
