Genetic process mining merupakan metode populer dalam mengekstraksi model proses dari data event log di sistem informasi. Namun, metode ini memiliki kelemahan utama, yakni waktu komputasi yang tinggi dan kebutuhan akan parameter yang kompleks. Genetic Algorithm (GA), meskipun mampu menangani struktur proses yang kompleks dan tahan terhadap noise, tetap mengalami kesulitan dalam merancang populasi awal yang baik dan melakukan pencarian solusi secara efisien. Untuk mengatasi tantangan tersebut, penelitian ini menggabungkan kekuatan tiga pendekatan:
- Heuristic Miner (HM) digunakan untuk membentuk initial population secara cerdas berdasarkan dependency measure antar aktivitas, sehingga lebih representatif dibanding inisialisasi acak pada GA konvensional.
- Honey Bee Genetic Algorithm (HBGA), yang terinspirasi dari perilaku lebah madu dalam mencari makanan, diterapkan sebagai mekanisme pencarian tetangga (neighborhood search) untuk mengeksplorasi dan mengeksploitasi ruang solusi secara seimbang.
- Kombinasi ini bertujuan mempercepat konvergensi, mengurangi jumlah evaluasi fungsi fitness, dan meminimalisasi waktu komputasi tanpa mengorbankan akurasi model proses yang dihasilkan.
Penelitian ini diuji pada data nyata dari proses manufaktur benang di sebuah pabrik di Jakarta. Data mencakup 100 kasus, 14 aktivitas, dan 4 pelaku proses. Simulasi dilakukan dengan membandingkan kinerja tiga algoritma: GA konvensional, HBGA, dan pendekatan yang diusulkan. Penilaian dilakukan berdasarkan tiga indikator utama: nilai fitness tertinggi, jumlah evaluasi fungsi fitness, dan waktu komputasi.
Dalam pendekatan baru ini, HM digunakan untuk menghitung hubungan ketergantungan antar aktivitas, yang kemudian digunakan sebagai dasar untuk membentuk populasi awal. Populasi ini dievaluasi menggunakan fitness function berdasarkan sejauh mana model mencerminkan urutan dan relasi dalam log.
Proses selanjutnya melibatkan seleksi elite bees dan eksplorasi tetangga menggunakan HBGA. Crossover dan mutasi dilakukan secara selektif untuk memperbaiki solusi. Siklus ini berulang hingga batas generasi tercapai atau tidak ada peningkatan signifikan.
Hasil menunjukkan bahwa pendekatan yang diusulkan berhasil mencapai nilai fitness tertinggi sebesar 0,9813, lebih tinggi dibanding HBGA (0,9804) dan GA (0,9729). Lebih penting lagi, pendekatan ini hanya memerlukan 6.230 evaluasi fungsi fitness dan 4411 milidetik waktu komputasi, jauh lebih efisien dibanding HBGA (10.458 evaluasi, 8293 ms) dan GA (24.917 evaluasi, 30.530 ms).
Secara persentase, pendekatan ini mengurangi kebutuhan evaluasi fitness hingga 75% dibanding GA dan 41% dibanding HBGA. Dari sisi waktu, terjadi efisiensi sebesar 85% dan 47% dibanding GA dan HBGA secara berturut-turut.
Visualisasi hasil menggunakan YAWL (Yet Another Workflow Language) tool menunjukkan bahwa semua algoritma menghasilkan model proses yang identik, menandakan bahwa efisiensi tidak mengorbankan akurasi.
Integrasi HM dan HBGA pada process mining membawa keuntungan strategis dalam berbagai industri yang bergantung pada efisiensi proses, seperti manufaktur, logistik, dan layanan kesehatan. Dengan kemampuan mendeteksi pola paralel, urutan, dan pengulangan aktivitas secara cerdas, pendekatan ini memberikan dasar yang kuat bagi pengambilan keputusan yang berbasis data.
Para peneliti juga menyatakan bahwa penelitian selanjutnya akan diarahkan pada pengembangan metode untuk menangani log peristiwa yang tidak lengkap (incomplete traces) dan penerapan metode pada skenario bisnis skala besar menggunakan parallel computing.
Penelitian ini berhasil menghadirkan pendekatan baru yang mempercepat dan menyederhanakan process mining. Dengan mengombinasikan kekuatan HM dan HBGA, algoritma baru ini terbukti lebih cepat, lebih ringan secara komputasi, dan tetap akurat. Ini adalah langkah penting menuju efisiensi proses bisnis di era big data dan kecerdasan buatan.
Detail artikel:
Penulis: Yutika Amelia Effendi, Minsoo Kim
Judul : OPTIMIZING GENETIC PROCESS MINING WITH HEURISTIC AND HONEY BEE APPROACHES FOR ENHANCED INITIAL POPULATION DESIGN AND NEIGHBORHOOD SEARCH
International Journal of Innovative Computing, Information and Control
Volume 21, Issue 3, Pages 781 “ 790, June 2025
