Process mining adalah teknik analitik yang menggunakan log data (event logs) untuk memahami, mengoptimalkan, dan memastikan kesesuaian proses bisnis. Namun, praktik di lapangan seringkali menghadapi data yang tidak lengkap karena keterbatasan integrasi sistem, human error, atau proses yang belum selesai. Akibatnya, model proses yang dihasilkan bisa tidak akurat dan menyesatkan.
Metode konvensional seperti Inductive Mining (IM) terkenal akan kemampuan menghasilkan model proses yang rapi dan bebas kesalahan struktural, tetapi sangat bergantung pada kelengkapan data. Sebaliknya, Genetic Process Mining (GPM) lebih fleksibel dalam menangani data yang hilang, namun sering kali mengorbankan struktur dan presisi model. Keduanya belum mampu secara optimal menangani log peristiwa yang cacat.
Untuk menjawab tantangan tersebut, peneliti mengembangkan TGIPM—sebuah metode hybrid yang menyatukan keunggulan dari Timed Genetic Process Mining (TGPM) dan Inductive Mining (IM). TGPM dimodifikasi agar mempertimbangkan waktu mulai dan selesai (dual timestamps) dari setiap aktivitas, membantu mendeteksi serta mengisi celah akibat data hilang. Setelah data diperbaiki, IM digunakan untuk menghasilkan model proses yang valid dan terdokumentasi dengan baik.
Integrasi ini memungkinkan Timed Genetic-Inductive Process Mining (TGIPM) tidak hanya memperbaiki log data yang tidak lengkap tetapi juga langsung menghasilkan model proses yang akurat, lengkap, dan mendukung paralelisme antar aktivitas.
Penelitian ini diuji menggunakan data nyata dari sebuah rumah sakit di Surabaya, Indonesia, selama Maret-April 2023. Event log mencakup 50 kasus dan 13 aktivitas yang menunjukkan pola proses berurutan dan paralel. Karena beberapa data dimasukkan secara manual setelah jam kerja, 10 kasus tercatat sebagai tidak lengkap.
Dua skenario diuji:
- Skenario 1 – TGPM dan IM dijalankan secara terpisah: TGPM memperbaiki log, kemudian IM membentuk model proses.
- Skenario 2 (TGIPM) – Proses perbaikan dan penemuan model dilakukan secara bersamaan dalam satu kerangka kerja.
TGIPM (Skenario 2) menunjukkan hasil yang superior dibanding skenario terpisah. Nilai fitness mencapai 0,92 (vs. 0,85), precision 0,91 (vs. 0,88), dan generalization 0,90 (vs. 0,83). Satu-satunya kekurangan TGIPM adalah skor simplicity yang sedikit lebih rendah (0,87 vs. 0,90), karena modelnya lebih kompleks untuk menangkap realitas proses yang paralel.
Lebih lanjut, TGIPM juga menunjukkan efisiensi waktu komputasi yang lebih baik, karena menggabungkan proses pemulihan dan penemuan model dalam satu langkah. Skenario ini cocok untuk organisasi dengan volume data besar dan struktur proses yang kompleks.
TGIPM membuktikan bahwa tantangan umum dalam process mining, terutama data yang tidak lengkap, dapat diatasi dengan pendekatan cerdas berbasis waktu dan algoritma evolusioner. Metode ini memberikan solusi konkret bagi industri kesehatan, manufaktur, dan logistik, di mana akurasi dan efisiensi proses sangat krusial.
Penelitian ini menjadi dasar penting untuk pengembangan process mining real-time di masa depan, serta membuka peluang integrasi dengan teknologi AI dan IoT dalam sistem operasional industri. Peneliti berharap pendekatan ini dapat membantu organisasi mengoptimalkan proses, meningkatkan efisiensi, dan mempercepat inovasi berbasis data.
AIP untuk E-IPKI
Detail artikel:
Judul : Reliable Process Tracking Under Incomplete Event Logs Using Timed Genetic-Inductive Process Mining
Authors: Yutika Amelia Effendi, Minsoo Kim
Systems
Systems 2025, 13(4), 229
https://doi.org/10.3390/systems13040229
https://www.mdpi.com/2079-8954/13/4/229
Teknik Robotika dan Kecerdasan Buatan, FTMM UNAIR
Email/Kontak: yutika.effendi@ftmm.unair.ac.id/ 082301787770
