Process mining telah menjadi alat penting dalam menganalisis log aktivitas (event log) untuk memahami alur kerja dan efisiensi proses bisnis. Namun, kebanyakan metode yang ada hanya mengandalkan satu timestamp (waktu mulai atau selesai) aktivitas dalam menyusun model proses. Pendekatan ini kerap gagal menangkap proses yang berjalan secara paralel dan sering menghasilkan model yang tidak merefleksikan kenyataan operasional.
Salah satu algoritma yang cukup populer adalah Inductive Miner (IM). Algoritma ini dikenal mampu membentuk model proses yang rapi dan formal, namun tetap terbatas dalam memahami dinamika proses yang terjadi secara bersamaan. Untuk mengatasi hal ini, peneliti mengusulkan modifikasi pada IM dengan pendekatan berbasis dua penanda waktu: waktu mulai dan selesai aktivitas (dual timestamps).
Modifikasi ini disebut sebagai Time-Infused Inductive Miner (TIIM). Dengan memanfaatkan dual timestamps, algoritma mampu mengidentifikasi hubungan aktivitas secara lebih cermat攂aik yang berlangsung berurutan maupun bersamaan (AND, OR, XOR). TIIM juga mampu menghilangkan aktivitas semu (dummy) yang tidak memiliki nilai signifikan dalam model proses.
Eksperimen dilakukan menggunakan data dari industri galangan kapal di Korea Selatan, dengan event log yang memuat 650 aktivitas dari 50 kasus proses perakitan blok kapal. Log mencakup data waktu mulai dan selesai aktivitas dari tiga tahap utama: sub-assembly, unit assembly, dan grand assembly.
Penelitian membandingkan hasil model proses yang dibentuk dengan tiga pendekatan:
- IM orisinal menggunakan single timestamp.
- Dual timestamps tanpa modifikasi (menggunakan tools Disco).
- TIIM, pendekatan yang diusulkan peneliti.
Hasilnya, TIIM menghasilkan model dengan nilai evaluasi kualitas yang unggul, meliputi:
- Fitness: 0.815
- Precision: 0.827
- Generalization: 0.846
- Simplicity: 0.834
Angka-angka ini menunjukkan bahwa model dari TIIM sangat mencerminkan perilaku sebenarnya dari proses, mampu membedakan aktivitas paralel, dan tetap mudah dibaca serta diterapkan dalam lingkungan nyata.
Selain itu, TIIM secara efektif mengklasifikasikan jenis paralelisme menjadi tiga kategori:
- AND (aktivitas terjadi bersamaan),
- OR (beberapa aktivitas bisa terjadi bersama, tetapi tidak selalu),
- XOR (hanya satu dari beberapa kemungkinan aktivitas yang terjadi).
Penerapan pendekatan ini juga mempercepat proses deteksi waktu tunggu antar aktivitas dan mengungkap potensi bottleneck yang tidak terlihat dengan pendekatan konvensional.
Dalam perbandingan dengan metode populer lainnya seperti Alpha Miner, Heuristic Miner, dan Fuzzy Miner, hanya TIIM yang berhasil menghasilkan model proses mendekati proses riil perusahaan, terutama dalam menangkap hubungan paralel yang kompleks.
Penelitian ini menyimpulkan bahwa integrasi dual timestamps dalam algoritma penemuan proses bukan hanya meningkatkan akurasi model, tetapi juga membuka jalan bagi penerapan yang lebih luas, terutama di sektor industri yang sarat proses paralel seperti manufaktur, logistik, dan layanan publik.
Ke depan, pendekatan ini dapat dikembangkan lebih lanjut untuk skenario real-time dan dikombinasikan dengan teknologi AI serta sensor IoT, guna membentuk sistem pemantauan proses otomatis yang presisi dan adaptif terhadap dinamika proses bisnis.
Authors: Yutika Amelia Effendi, Minsoo Kim
Detail tulisan ini dapat dilihat di:
Judul : Leveraging Dual Timestamps to Enhance Process Model Construction Using Time-Infused Inductive Miner
IEEE Access
VOLUME 13, 2025
DOI: 10.1109/ACCESS.2025.3571441
