JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2014) 1-6
1
Penggalian Pola Sekuensial Interval Waktu Fuzzy Pada Proses Bisnis ERP Menggunakan Algoritma FP-Growth – PrefixSpan Muhammad Sidratul Muntaha A.M.A dan Dr. Imam Mukhlash, S.Si, MT. Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember Surabaya E-mail:
[email protected] Abstrak — Perkembangan teknologi yang semakin pesat mengakibatkan makin banyaknya pengelolaan data terkomputerisasi. Dengan semakin kompleksnya proses bisnis, teknologi manajemen proses bisnis seperti ERP (Enterprise Resource Planning) dan sejenisnya makin banyak digunakan. Hal ini mengakibatkan ketersediaan data makin melimpah sehingga penggalian dan pencarian informasi dari sekumpulan data tersebut akan menjadi sebuah pengetahuan berharga. Data mining merupakan proses ekstraksi informasi atau pola penting dalam basis data berukuran besar. Metode data mining yang akan digunakan dalam Tugas Akhir ini adalah metode penggalian pola sekuensial (sequence pattern mining) menggunakan algoritma FP-Growth – PrefixSpan. Selain itu, digunakan juga pendekatan fuzzy untuk menangani interval waktu dari data yang dianalisis sehingga pola sekuensial yang dihasilkan berupa pola sekuensial interval waktu fuzzy (fuzzy time-interval sequence pattern). Penerapan metode ini dalam proses bisnis ERP (Enterprise Resource Planning) menghasilkan pola sekuensial interval waktu fuzzy. Hasil analisis menunjukkan bahwa terdapat pengaruh minimum support terhadap pola yang dihasilkan. Selanjutnya, hasil dari analisis tersebut bisa digunakan sebagai bahan pertimbangan dalam analisis proses bisnis. Kata kunci — Data Mining, Proses Bisnis, FP-Growth, PrefixSpan, Fuzzy time-interval sequence pattern.
S
I.
PENDAHULUAN
eiring dengan perkembangan teknologi komputer yang kian cepat selama beberapa tahun terakhir, teknologi manajemen proses bisnis juga semakin banyak digunakan. Hal itu juga sejalan dengan banyaknya proses bisnis yang ada. Dengan teknologi manajemen proses bisnis tersebut, suatu perusahaan dapat membangun dan memperbarui setiap informasi yang ada di dalam proses bisnisnya secara cepat termasuk pada repositori model prosesnya sehingga setiap pelayanan yang diberikan oleh perusahaan tersebut dapat berubah dengan cepat. Semakin tingginya penggunaan teknologi manajemen proses bisnis dapat dilihat dari banyaknya perusahaanperusahaan yang menggunakan otomasi kinerja perusahaannya. System Application and Product in Data
Processing (SAP) dan Enterprise Resource Planning (ERP) merupakan contoh nyata dari penggunaan teknologi manajemen proses bisnis. Teknologi ini diterapkan oleh berbagai perusahaan besar. Sebuah perusahaan besar tentunya memiliki ratusan bahkan ribuan proses bisnis. Menemukan dan menganalisa kesamaan dari kumpulan proses bisnis yang dimiliki akan sangat berguna bagi perusahaan tersebut. Misalnya, ketika beberapa perusahaan yang memiliki proses bisnis berbeda ingin bergabung, maka harus diketahui kesamaan dari proses bisnis seluruh perusahaan tersebut sehingga dapat diketahui proses bisnis mana dari seluruh perusahaan yang dapat digabungkan. Pada akhirnya, pengolahan dan analisis yang mendalam terhadap kumpulan model proses bisnis yang ada menjadi suatu pengetahuan berharga. Pengolahan dan analisis tersebut dapat dilakukan dengan menerapkan data mining[12]. Data mining merupakan proses ekstraksi informasi atau pola penting dalam basis data. Penerapan data mining dalam model proses bisnis diharapkan akan mampu menggali informasi dan menganalisis hasilnya untuk meningkatkan efisiensi, melihat trend dan menentukan standarisasi proses bisnis. Metode data mining yang akan digunakan dalam penelitian ini adalah metode penggalian pola sekuensial (sequence pattern mining) menggunakan algoritma FPGrowth – PrefixSpan. Alasan menggunakan algoritma PrefixSpan ini karena performanya yang bagus dibandingkan algoritma lainnnya seperti GSP, FreeSpan, ataupun SPADE[5]. Pola transaksi atau event yang terjadi dalam model proses bisnis biasanya tergambarkan dalam sebuah pola sekuensial. Pola sekuensial mengindikasikan bahwa transaksi yang ada dalam proses bisnis biasanya terjadi secara serial terhadap waktu. Oleh karena itu, dalam analisis ini juga dilakukan pendekatan fuzzy untuk mencari pola sekuensial yang didasarkan pada urutan waktu atau selanjutnya disebut pola sekuensial interval waktu fuzzy. Salah satu keberhasilan proses bisnis adalah keteraturan proses transaksi. Proses transaksi atau event yang terjadi dalam model proses bisnis biasanya tergambarkan dalam sebuah pola sekuensial. Pola sekuensial mengindikasikan bahwa transaksi yang ada dalam proses bisnis biasanya terjadi secara serial terhadap waktu. Oleh karena itu, dalam analisis ini juga dilakukan pendekatan fuzzy untuk mencari pola sekuensial yang didasarkan pada urutan waktu atau selanjutnya disebut pola sekuensial waktu interval fuzzy.
JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2014) 1-6 Berdasarkan penelitian sebelumnya[12], dikatakan bahwa dalam mengukur nilai kesamaan proses bisnis digunakan metric penggabungan antara kemiripan semantik dan struktur. Penggabungan dari kemiripan semantik dan struktur dilakukan dengan melakukan pembobotan pada nilainya. Pembobotan disesuaikan dengan kebutuhan yang lebih menitikberatkan pada kesamaan semantik atau struktur. Metode clustering yang digunakan dalam penelitian tersebut adalah metode clustering berdasarkan jarak antara 2 entitas yang mirip menggunakan metode graph partition. Metode ini biasa dipakai ketika objek yang diklaster sulit untuk direpresentasikan ke dalam bentuk matematika. Distance yang digunakan dalam proses clustering didasarkan pada kemiripan dari masing-masing model yang dianalisa. Kumpulan proses bisnis yang memiliki kemiripan tinggi tentunya akan menjadi 1 klaster.[1] Dengan terinspirasi oleh penelitian sebelumnya, maka penulis ingin mengangkat topik serupa sebagai Tugas Akhir namun dengan metode dan pendekatan yang berbeda yang diberi judul “Penggalian Pola Sekuensial Interval Waktu Fuzzy pada Proses Bisnis ERP menggunakan Algoritma FPGrowth – PrefixSpan”. Perangkat lunak dari penelitian Tugas Akhir ini dibangun menggunakan bahasa pemrograman Java dengan bantuan aplikasi Netbeans IDE 6.9.
2 C. Proses Bisnis Proses bisnis terdiri dari serangkaian kegiatan yang dilakukan dengan koordinasi dalam lingkungan organisasi dan teknis. Kegiatan-kegiatan ini bersama-sama mewujudkan tujuan bisnis. Setiap proses bisnis ditetapkan oleh satu organisasi, tetapi dapat berinteraksi dengan proses bisnis yang diterapkan oleh organisasi lain. Proses bisnis memiliki input dan output yang spesifik, sumber daya, dan memiliki aktivitas-aktivitas dengan urutan tertentu[4]. Sebuah model proses bisnis terdiri dari serangkaian model kegiatan dan contstraint eksekusi diantara kesemuanya. Contoh proses bisnis merupakan kasus nyata dalam bisnis operasional perusahaan, yang terdiri dari contoh-contoh kegiatan. Setiap model proses bisnis bertindak sebagai blueprint untuk serangkaian contoh-contoh proses bisnis, dan masing-masing model kegiatan bertindak sebagai blueprint untuk serangkaian contoh-contoh kegiatan. Proses bisnis terdiri dari berbagai kegiatan yang sesuai dengan tujuan bisnis. Kegiatan tersebut bisa jadi kegiatan sistem, kegiatan interaksi pengguna, atau kegiatan manual. Kegiatan manual tidak didukung oleh sistem informasi. Contoh dari aktivitas manual seperti mengirimkan paket ke rekan bisnis. Berikut merupakan salah satu contoh dari model proses bisnis.
II. DASAR TEORI A. Data Mining Data Mining merupakan proses ekstraksi informasi atau pola penting dalam basis data berukuran besar[3]. Data mining merupakan salah satu langkah dalam proses Knowledge Discovery in Database (KDD) untuk menemukan pola yang bermanfaat. Data Mining juga didefinisikan sebagai suatu proses yang menggunakan berbagai perangkat analisis data untuk menemukan pola dan relasi data agar dapat digunakan untuk membuat prediksi dengan tepat. B. Knowledge Discovery in Database (KDD) Knowledge Discovery in Database (KDD) adalah proses menemukan informasi yang berguna serta pola-pola yang ada dalam data. KDD merupakan sebuah proses yang terdiri dari serangkaian proses iteratif yang terurut, dan data mining merupakan salah satu langkah dalam proses KDD[3]. Tahapan-tahapan proses KDD secara berurut dapat dilihat pada Gambar 1 berikut ini:
Gambar 2.1 Proses KDD[3]
Gambar 2.2 Contoh model proses bisnis[4]. D. Process Mining Process mining digunakan untuk menganalisis proses bisnis yang sudah ada berdasarkan event log. Pada process mining, pengamatan dilakukan terhadap proses bisnis yang telah terkomputerisasi. Dengan cara ini diharapkan akan ditemukan struktur proses baru yang sebelumnya tidak disadari sedang terjadi. Berdasarkan siklus yang konsisten serta frekuensi aliran informasi yang terjadi, maka dapat diketahui apakah selama ini proses bisnis yang diterapkan oleh sistem informasi telah sesuai dengan pedoman yang dimiliki oleh organisasi ataukah sebaliknya[10]. E. Pola Sekuensial Pola sekuensial adalah daftar urutan dari sekumpulan item. Dalam proses bisnis, pola sekuensial didefinisikan sebagai suatu kegiatan B dalam sebuah proses p aktif setelah selesainya kegiatan A di p. Pola transaksi atau event yang terjadi dalam model proses bisnis biasanya tergambarkan dalam sebuah pola sekuensial. Pola sekuensial mengindikasikan bahwa transaksi biasanya terjadi secara serial terhadap waktu. Oleh karena itu, analisis terhadap pola sekuensial pada proses bisnis didasarkan pada urutan waktu atau urutan terjadinya suatu transaksi. Diberikan sebuah minimum_support bilangan bulat positif sebagai support threshold, sebuah sequence 𝛼 disebut pola
JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2014) 1-6 sekuensial dalam basis data sequence 𝑆 jika 𝑠𝑢𝑝𝑝𝑜𝑟𝑡𝑠 (𝛼) ≥ 𝑚𝑖𝑛𝑖𝑚𝑢𝑚_𝑠𝑢𝑝𝑝𝑜𝑟𝑡.
F. Algoritma PrefixSpan Tahap-tahap dalam algoritma PrefixSpan adalah sebagai berikut[7]: 1. Tentukan semua jenis item yang frequent yang ada dalam basis data sequence sehingga didapatkan pola sekuensial dengan panjang-1. Kemudian hitung jumlah masing-masing item dalam basis data sequence. Item yang memiliki nilai support ≥ minimum support merupakan anggota dari pola sekuensial panjang-1. Pola sekuensial panjang-1 yang didapat ini selanjutnya juga akan dianggap sebagai prefiks (awalan). 2. Bagilah ruang pencarian dengan menggunakan prefiks yang didapat pada langkah 1. Prefiks akan terus berubah seiring iterasi proses pencarian pola sekuensial panjang-k dengan k>1. 3. Untuk ruang pencarian prefiks 1, dapatkan himpunan bagian pola sekuensial dengan menggunakan basis data sequence terproyeksi (projected sequence database). Basis data terproyeksi dibentuk dengan mengambil akhiran (suffix) dari basis data sequence berdasarkan prefiks yang didapat di langkah sebelumnya. Kemudian, hitung jumlah masingmasing item dalam basis data sequence terproyeksi. Item yang memiliki nilai support ≥ minimum support merupakan anggota dari pola sekuensial panjang-2. Selanjutnya, jadikan pola sekuensial yang didapat sebagai prefiks baru untuk melakukan pencarian berikutnya. Basis data terproyeksi berikutnya juga dibentuk berdasarkan prefiks baru yang dihasilkan. Selanjutnya, lakukan proses pencarian secara berulang dalam himpunan bagian ini. 4. Lakukan pencarian pola sekuensial untuk prefiks lainnya (pad pola sekuensial panjang-1). Lakukan proses pencariannya seperti pada langkah 3.
Gambar 2.3 Diagram alir algoritma PrefixSpan
3 G. Sistem Fuzzy Lotfi A. Zadeh (1965) pertama kali memperkenalkan himpunan Fuzzy sebagai cara matematis untuk merepresentasikan ketidaktepatan. Jika X adalah kumpulan objek yang dinotasikan dengan X, maka himpunan fuzzy A dalam X adalah himpunan pasangan berurutan: 𝐴 = {(𝑥, 𝜇𝐴 (𝑥))| 𝑥 𝜖 𝑋} 𝜇𝐴 (𝑥) disebut fungsi/derajat keanggotaan atau tingkat keanggotaan (juga tingkat kesesuaian atau tingkat kebenaran) dari 𝑥 di A yang memetakan X ke keanggottan ruang semesta M. (Ketika M hanya memuat dua titik 0 dan 1, maka A bukan fuzzy dan 𝜇𝐴 (𝑥) identik dengan fungsi karakteristik dari himpunan non-fuzzy). Range dari fungsi keanggotaan adalah himpunan bagian dari bilangan riil yang mempunyai supremum terbatas. Anggota dengan derajat keanggaotan nol umumnya tidak didaftar atau disebutkan[8]. Variabel linguistik merupakan variabel fuzzy yang dibuat acuan untuk menilai suatu hal. Misalkan variabel linguistik “umur” memiliki tiga penilaian linguistik yaitu muda, dewasa, tua dan usia lanjut yang masing-masing memiliki fungsi keanggotaan tersendiri. Fungsi keanggotaan (membership function) adalah suatu fungsi yang menunjukkan pemetaan titik-titik input data ke dalam derajat keanggotaannya. Ada beberapa fungsi yang dapat digunakan untuk mendapatkan derajat keanggotaan keanggotaan, seperti triangular, trapezoidal, gaussian dan semacamnya. H. Penggalian Pola Sekuensial Interval Waktu Fuzzy menggunakan Algoritma PrefixSpan. Tahap-tahap penggalian pola sekuensial interval waktu fuzzy menggunakan algoritma PrefixSpan adalah sebagai berikut[9]: 1. Tentukan linguistic term dari variabel linguistik interval waktu dan kemudian tentukan derajat atau nilai keanggotaannya melalui sebuah fungsi keanggotaan. 2. Bentuk basis data sequence interval waktu fuzzy. 3. Tentukan semua jenis frequent item yang ada dalam basis data sequence interval waktu fuzzy sehingga didapatkan pola sekuensial interval waktu fuzzy panjang-1. Kemudian hitung jumlah masing-masing item dalam basis data sequence interval waktu fuzzy. Item yang memiliki nilai support ≥ minimum support merupakan anggota dari pola sekuensial panjang-1. Pola sekuensial panjang-1 yang didapat ini selanjutnya juga akan dianggap sebagai prefiks (awalan). 4. Bagi ruang pencarian dengan menggunakan prefiks yang didapat pada langkah 1. Prefiks akan terus berubah seiring iterasi proses pencarian pola sekuensial panjang-k dengan k > 1. 5. Untuk ruang pencarian prefiks 1, dapatkan himpunan bagian pola sekuensial dengan menggunakan basis data sequence terproyeksi (projected sequence database) interval waktu fuzzy. Basis data terproyeksi dibentuk dengan mengambil akhiran (suffix) dari basis data sequence berdasarkan prefiks yang didapat di langkah sebelumnya. Kemudian, hitung derajat keanggotaan masing-masing item
JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2014) 1-6
6.
4
untuk masing-masing linguistic term dalam basis data sequence terproyeksi interval waktu fuzzy. Gunakan definisi 5 untuk mencari support untuk masing-masing isitlah lingusitik. Support istilah linguistik yang lebih besar atau sama dengan minimum support merupakan anggota dari pola sekuensial interval waktu fuzzy panjang-2. Kemudian, jadikan pola sekuensial yang didapat sebagai prefiks baru untuk melakukan pencarian berikutnya. Basis data terproyeksi berikutnya dibentuk berdasarkan prefiks baru yang dihasilkan. Selanjutnya, lakukan proses pencarian secara berulang dalam himpunan bagian ini. Lakukan pencarian pola sekuensial untuk prefiks lainnya (pola sekuensial panjang-1). Lakukan proses pencarian seperti pada langkah 3.
III. ANALISIS DAN PERANCANGAN SISTEM Dalam menggali pola sekuensial interval waktu proses bisnis diperlukan analisis dan perancangan mulai dari analisis sistem sampai perancangan lunak. Penjelasan terkait hal tersebut akan sebagaimana berikut.
fuzzy pada yang baik, perangkat dijelaskan
A. Analisis Sistem Analisis sistem dilakukan untuk menganalisa kebutuhan sistem dari perangkat lunak yang akan dibuat. Selanjutnya akan dibahas mengenai deskripsi perangkat lunak dan pemodelan analitis sistem yang akan dibuat. • Deskripsi Perangkat Lunak Perangkat lunak yang dimaksud di sini adalah aplikasi penggalian pola sekuensial interval waktu fuzzy menggunakan algoritma FP-Growth – PrefixSpan. Aplikasi ini dibuat untuk membantu user dalam melakukan proses penggalian data. Aplikasi ini hanya bisa digunakan untuk data homogen proses bisnis, karena ruang pencarian pola sekuensial dalam algoritma aplikasi ini masih dibatasi menyesuaikan data yang diperoleh saat ini. • Pemodelan Analisis Tujuan dari pemodelan analisis ini adalah menjelaskan sistematika berjalannya aplikasi yang akan dibuat. Berikut diberikan gambar use case dan activity diagram untuk aplikasi penggalian pola sekuensial interval waktu fuzzy sebagaimana yang terlihat pada Gambar 4.1 dan Gambar 4.2.
Gambar 3.1 Rancangan sistem secara umum.
Gambar 3.2 Activity Diagram Sistem Aplikasi Penggalian Pola Sekuensial Interval Waktu Fuzzy. B. Perancangan Perangkat Lunak Perancangan perangkat lunak dilakukan untuk merancang sistem yang sudah direncanakan untuk dibangun ke dalam bentuk perangkat lunak atau aplikasi. Selanjutnya akan dibahas mengenai perancangan basis data dan perancangan proses dari sistem yang akan dibuat. • Perancangan Basis Data Perancangan basis data dilakukan pada saat data yang digunakan merupakan kumpulan dari berbagai tabel yang saling berhubungan dan membentuk sebuah basis data besar. Perancangan basis data yang dilakukan dalam penelitian ini merupakan perancangan basis data sederhana karena data yang digunakan hanya sebuah tabel event log saja. • Perancangan Pra Pemrosesan Data Tujuan dari perancangan proses ini adalah untuk memberikan penjelasan tentang proses-proses yang dilakukan terhadap data awal yang diperoleh, sehingga data tersebut bisa dipakai dalam pemrosesan data mining. Data yang digunakan dalam penelitian ini berupa satu file excel dengan satu sheet atau satu tabel saja yang terdiri dari 2 atribut, yaitu task (event/kejadian) dan time-stamp (waktu terjadinya event). Data ini merupakan data tentang proses binis perusahaan yang di-generate sebagai log event sebelumnya namun sudah dinormalisasi[11]. Task terdiri dari 8 aktifitas proses bisnis, yaitu Register, Analyze Defect, Repair(Complex), Test Repair, Inform User, Archive Repair, Repair (Simple), dan Restart Repair. Jumlah record data tersebut sebanyak 11.854 record. Selanjutnya dilakukan pra pemrosesan data, yaitu cleaning dan transformasi sehingga terbentuk basis data sequence interval waktu sebanyak 1103 record. • Perancangan Proses Data Mining Pada perancangan proses tahap ini dilakukan penggalian pola sekuensial sesuai dengan algoritma penggalian pola sekuensial interval waktu fuzzy pada subbab sebelumnya. Ada beberapa tahap yang dilakukan dalam proses ini, yaitu pengambilan data, penggalian pola sekunsial panjang-1, penggalian pola sekuensial interval waktu fuzzy panjang-2,
JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2014) 1-6
Pola Sekuensial
dan penggalian pola sekuensial interval waktu fuzzy panjang lebih dari 2. Linguistic term yang digunakan untuk variabel linguistik interval waktu adalah short (pendek), middle (sedang), dan long (lama) yang didefinisikan oleh fungsi keanggotaan berikut ini.
5 100 80 60 40 20 0 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 Minimum Support
Gambar 4.1 Hubungan Minimum Support dengan
Pola Sekuensial Dari grafik di atas terlihat bahwa semakin sedikit pola sekuensial interval waktu fuzzy yang dihasilkan saat nilai minimum support semakin tinggi disebabkan karena semakin banyak pola sekuensial yang nilai supportnya di bawah nilai minimum support. 2500
HASIL DAN PENGUJIAN SISTEM
A.
Lingkungan Pengujian Sistem Perangkat keras yang digunakan dalam uji coba adalah laptop dengan spesifikasi prosesor Pentium(R) Dual-Core CPU T4300 @2.10 GHz, HDD 320GB, RAM memory 2GB, perangkat lunak NetBeans IDE 6.9 untuk pembangunan sistem dan perangkat lunak open source MySQL 5.5 sebagai sistem manajemen basisdatanya. B. Hasil Uji Coba Sistem Uji coba dilakukan dengan menampilkan hasil dari penggalian pola sekuensial menggunakan sistem yang sudah dibangun. Dalam hal ini akan dijelaskan hubungan minimum support terhadap pola sekuensial yang dihasilkan dan lama eksekusi algoritma (running time). Hubungan tersebut dijelaskan pada Tabel 4.1 dan Tabel 4.2. Tabel 4.1 Hubungan minimum support dengan Pola Sekuensial Minimum Pola Running Time Support
Sekuensial
0,2
82
35 menit 21 detik
0,3
29
12 menit 6 detik
0,4
21
8 menit 36 detik
0,5
17
7 menit 13 detik
0,6
12
2 menit 56 detik
0,7
12
2 menit 56 detik
0,8
12
2 menit 57 detik
0,9
12
3 menit 2 detik
1
3
37 detik
Grafik untuk Tabel 4.1 disajikan sebagaimana di bawah ini:
waktu (detik)
IV.
2000 1500 1000 500 0 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 Minimum Support
Gambar 4.2 Hubungan Minimum Support dengan Running Time Dari grafik di atas terlihat bahwa semakin sedikit waktu yang dibutuhkan untuk mencari pola sekuensial interval waktu fuzzy saat nilai minimum support semakin tinggi disebabkan karena semakin banyak pola sekuensial yang nilai supportnya di bawah nilai minimum support sehingga semakin sedikit anggota pola sekuensial yang didapat. Saat pola sekuensial panjang-k yang dihasilkan semakin sedikit maka proses pencarian pola sekuensial panjang-(k+1) akan semakin cepat. C. Analisis Data Uji Berikut akan ditunjukkan hasil dari pencarian pola sekuensial interval waktu fuzzy dari beberapa minimum support yang diinputkan. Pola sekuensial interval tersebut selanjutnya akan dianalisis untuk memberikan bahan informasi terkait proses bisnis bagi perusahaan untuk analisa selanjutnya atau pengambilan keputusan. Tabel 4.2 Pola Sekuensial min_sup=1 Pola Sekuensial Support Register 1 AnalyzeDefect 1 Register,short,AnalyzeDefect 1
JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2014) 1-6 Tabel 4.3 Pola Sekuensial min_sup=0,5 Pola Sekuensial
Support
Register
1
AnalyzeDefect
1
Repair(Complex)
0,596
TestRepair
0,998
InformUser
0,998
ArchieveRepair
0,905
Register,short,AnalyzeDefect
1
Register,long,TestRepair
0,909
Register,long,InformUser
0,949
Register,long,ArchieveRepair
0,905
Register,short,AnalyzeDefect,short, AnalyzeDefect
0,57
Register,short,AnalyzeDefect, long,TestRepair
0,910
Register,short,AnalyzeDefect, long, InformUser
0,949
Register,short,AnalyzeDefect, long, ArchieveRepair Register,short,AnalyzeDefect,short, AnalyzeDefect,long,TestRepair Register,short,AnalyzeDefect,short, AnalyzeDefect,long,TestRepair,long,InformUser Register,short,AnalyzeDefect,short, AnalyzeDefect,long,TestRepair,long,ArchieveRepair
0,905 0,743 0,776
6 proses bisnisnya, baik itu menyangkut interval waktu antar proses ataupun model proses itu sendiri. Pencarian pola proses bisnis semacam ini selanjutnya bisa membantu atau memberikan solusi terhadap perusahaan terkait pengambilan kebijkan strategis. V.
KESIMPULAN
Berdasarkan penelitian Tugas Akhir ini, maka diperoleh kesimpulan sebagai berikut: 1. Penggalian Pola Sekuensial Interval Waktu Fuzzy telah berhasil diimplementasikan pada data proses bisnis. 2. Dengan menggunakan pendekatan fuzzy melalui interval waktu dapat disimpulkan bahwa pola sekuensial yang didapat semakin sedikit karena minimum support yang digunakan berdasarkan nilai fuzzy interval waktu. 3. Nilai minimum support berpengaruh pada hasil dan lama pencarian pola sekuensial interval waktu fuzzy. Minimum support terbaik adalah jika sequence memiliki nilai support tinggi dan mencakup hampir seluruh event atau kejadian dari proses bisnis. 4. Hasil dari penggalian pola sekuensial bisa dijadikan bahan pertimbangan untuk mengubah atau memperbarui proses bisnis yang ada.
0,902
Setelah dilakukan pengamatan dari pengujian data proses bisnis di atas, secara umum diketahui bahwa interval waktu antara Register dan Analyze Defect yang pendek memiliki nilai support maksimal (1), sedangkan interval waktu antara Register dan Test Repair serta Inform User yang lama juga memiliki support yang tinggi. Artinya, aktifitas proses bisnis dalam perusahaan tersebut hampir bisa dipastikan selalu berlaku hal serupa. Hal ini sesuai dengan fakta bahwa setelah user melakukan registrasi, hal yang memang harus dilakukan oleh perusahaan pertama kali adalah segera menganalisa kerusakan yang sudah diregistrasikan untuk segera dilakukan perbaikan. S edangkan uji perbaikan, penginformasian pada user, dan pengarsipan tentang perbaikan mempunyai rentang waktu yang lama dari semenjak registrasi karena proses perbaikan sewajarnya memerlukan waktu . Hal itu juga berbanding lurus dengan pengarsipannya yang bergantung pada hasil uji perbaikan. Untuk minimum support=0.8, pola sekuensial interval waktu fuzzy maksimal menghasilkan proses bisnis sebagaimana gambar yang tersaji di bawah ini:
Register
short
Analyze Defect
long
Test Repair
Register
short
Analyze Defect
long
Inform User
Gambar 4.3 Pola Proses Bisnis untuk Minimum Support=0.8
Hasil dari penemuan pola-pola proses bisnis seperti di atas bisa dijadikan bahan pertimbangan bagi sebuah perusahaan apabila ingin mengganti atau memperbarui model
DAFTAR PUSTAKA [1]
Jung J.Y., Bae J., and Liu L., “Hierarchical Clustering of Business Process Models”, SCC 2008, IEEE International Conference on Volume 2, pp 613-616, 2008. [2] Connolly TM, Begg CE. 2002. Database System: A Practical Approach To Design, Implementation, and Management.England:Addison Wesley. [3] Han J. and Kamber M. 2006. Data Mining: Concept and Technique. 2nd Edition. San Diego, USA: Morgan-Kauffman. [4] Weske, Mathias. 2007. “Business Process Management Concepts, Languages, Architectures”. Springer Berlin Heidelberg New York. [5] Pei J, Han J. 2004. Mining Sequential Patterns by Pattern Growth: The PrefixSpan Approach. Volume 16 No. 10 Oktober 2004. [6] Agrawal R, Srikant R. 1995. Mining Sequential Patterns. [7] Pei J, Han J. 2004. Mining Sequential Patterns by Pattern-Growth: The PrefixSpan Approach. Volume 16 No. 10. [8] Zimmermann, H.-J 2010. “Fuzzy Set Theory”. Volume 2. [9] Chen Yen-Liang, Huang Cheng-Kui. Discovering fuzzy time-interval sequential patterns in sequence database. [10] Ardyanto A. 2011. “Mengenal Apa itu Proses Mining”. http://netsains.net/2011/06/mengenal-apa-itu-process-mining/. Diakses tanggal 06 Februari 2014 Pukul 12:02 WIB. [11] Saikhu A, Hariadi V. 2012. “Klasifikasi Event Pada Process Logs Menggunakan Model Regresi Logistik ”. Makalah KNSI-2012. [12] Sarno R, Pamungkas E.W, Ginardi H. 2013. Clustering of ERP Business Process Fragments.
