Rancang Bangun Workflow Management System pada Kasus Enterprise Resource Planning (ERP)

JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print)

1

Rancang Bangun Workflow Management System pada Kasus Enterprise Resource Planning (ERP) Chairaja Almas Djeni, Riyanarto Sarno, dan Dwi Sunaryono Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya 60111 Indonesia e-mail: [email protected] Abstrak—Para perusahaan umumnya membutuhkan aplikasi yang dapat dikonfigurasi dengan mudah. Hal ini dapat terwujud jika aplikasi tersebut didukung oleh sistem Workflow Management System (WFMS). WFMS berfungsi untuk menyimpan berbagai workflow yang sama dan bervariasi dari proses bisnis. Penelitian ini berfokus pada desain arsitektur yang dapat menyimpan berbagai workflow yang sama dan bervariasi. Untuk mengakomodir berbagai variasi dari workflow, penelitian ini menggunakan pendekatan ontologi menggunakan Web Ontology for Service (OWL-S) untuk menganotasikan workflow agar dapat dilakukan query secara semantik. WFMS yang dibangun juga menyimpan event log yang dihasilkan oleh aktivitas dari workflow. Event log ini menggunakan standar event log pada process mining sehingga bisa dianalisis lebih lanjut menggunakan aplikasi process mining seperti ProM. Setelah proses ujicoba, arsitektur WFMS ini terbukti menghasilkan akurasi yang tinggi dari query OWL-S dan event log yang bisa dianalisis menggunakan aplikasi ProM. Kata Kunci—Semantic Similarity, Web Ontology for Service, Workflow Management System.

K

I. PENDAHULUAN

EBUTUHAN perusahaan terhadap aplikasi cenderung berubah-ubah. Aplikasi dituntut untuk bisa cepat beradaptasi terhadap perubahan proses bisnis perusahaan. Perubahan struktur organisasi dan standar operasi merupakan beberapa alasan yang mengubah proses bisnis perusahaan. Dengan kata lain, aplikasi dituntut untuk bisa dikonfigurasi secara fleksibel. Kebutuhan aplikasi yang fleksibel hanya mungkin dilakukan jika didukung oleh Workflow Management System (WFMS)[1]. Hal ini dikarenakan aplikasi yang berbasis workflow bersifat modular dan bisa dikonfigurasi secara fleksibel. Terdapat banyak contoh WFMS yang ada seperti SHIWA. Berbagai desain WFMS ini telah menerapkan anotasi dari workflow dan menghasilkan event log. Tetapi, terdapat beberapa kekurangan dari desain WFMS di atas. Pertama, informasi dari workflow pada SHIWA disimpan dalam basis data relasional seperti SQL. Hal ini cukup menyulitkan karena sifat basis data yang relasional yang tertutup dan tidak menggunakan sistem anotasi. Kedua, berbagai WFMS di atas menyimpan log dari berbagai aktivitas dengan standar masing-masing. Standar logging yang tidak lengkap ini membuat pengembang kesulitan menganalisis kinerja aktivitas workflow[2]. Dengan dasar permasalahan tadi, penelitian ini ingin

mengajukan desain sistem yang dapat mengatasi masalah pencarian workflow menggunakan anotasi dan event log yang dihasilkan. Penelitian ini mengajukan pendekatan anotasi workflow menggunakan ontologi dengan standar OWL-S[3] dan menggunakan konsep event listener di workflow engine dari WFMS. Pendekatan anotasi dengan ontologi ini memiliki kelebihan, yaitu sifatnya yang terbuka dan tidak harus memiliki identitas unik antar workflow. Berbagai workflow yang telah dianotasi dalam OWL-S akan melalui tahap query secara semantik untuk meningkatkan konsep reusability pada workflow. Untuk mengatasi permasalahan pada log yang dihasilkan dari aktivitas workflow, penelitian ini mengajukan konsep event listener yang bisa menghasilkan log yang berstandar process mining. Keuntungan dari log yang berstandar process mining adalah kemampuan log untuk dianalisis menggunakan teknik process mining dan menghasilkan analisis seperti analisis beban kerja, bottleneck, dan fraud atau kecurangan pada sistem. II. TINJAUAN PUSTAKA A. Workflow Management System Workflow Management System memiliki definisi yang sangat luas dan beragam. Berdasarkan Van der Aalst dan Van Hee, WFMS adalah ide, metode, teknik, dan perangkat lunak yang digunakan untuk mendukung proses bisnis yang terstruktur[4]. Sedangkan berdasarkan Workflow Management Coalition (WFMC) [1], WFMS adalah sebuah sistem yang berkemampuan untuk mendefinisikan, membuat, dan memanajemen eksekusi dari sebuah alur kerja atau workflow yang berasal dari penggunaan sebuah perangkat lunak atau source code dan berjalan baik pada workflow engine yang sama maupun berbeda. Berbagai definisi ini mensyaratkan bahwa sebuah WFMS harus menjalankan beberapa fungsi utama, yaitu menjalankan sebuah proses bisnis atau workflow, memanajemen berbagai proses bisnis atau workflow yang ada, dan membuat serta mendefinisikan proses bisnis. Pada artikel ini, WFMS yang dibangun memiliki dua fungsi, yaitu menjalankan workflow atau proses bisnis yang sudah didefinisikan di dalam standar Business Process Execution Language (BPEL)[5] dan memanajemen berbagai workflow yang ada melalui metadata. Kedua fungsi ini dipilih karena merupakan area permasalahan yang ingin dipecahkan yaitu konsep reusability pada workflow, konsep event log

JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) PREFIX foaf: SELECT ?name ?mbox WHERE { ?x foaf:name ?name . ?x foaf:mbox ?mbox }

Tabel 1. Contoh hasil rumus semantic similarity Keyword OWL-S

Gambar 1. Contoh query dalam bahasa SPARQL

pada process mining, dan konsep eksekusi workflow berbasis BPEL. B. Mencocokkan WSDL dan OWL-S Web Services Pada penelitian sebelumnya, terdapat suatu metode untuk menghubungkan antara web service dan OWL-S dalam bidang service advertisement[6]. Penelitian ini menawarkan sebuah metode untuk menggunakan OWL-S sebagai advertisement dan query dilakukan pada OWL-S dan WSDL. Hal ini bisa dilakukan karena terdapat kemiripan dari WSDL dan OWL-S. Penelitian ini menyebutkan terdapat beberapa kemiripan, yaitu operation name, input message, dan output message. Berdasarkan kemiripan tersebut, metode ini menghitung similaritas antara WSDL dan OWL-S menggunakan dua formula, yaitu operation similarity calculation dan input output similarity calculation. Formula operation similarity calculation menghitung nilai similaritas antara bagian operation name pada OWL-S dan operation name pada WSDL menggunakan semantik. Input similarity calculation merupakan formula yang menghitung input message pada WSDL dan input concept pada OWL-S, sedangkan output similarity calculation merupakan formula untuk menghitung output concept dari OWL-S dan output message dari WSDL. Seluruh nilai dari formula tadi akan dikalikan dengan bobotnya masing-masing. Penentuan bobot ditentukan oleh pengguna, semakin tinggi suatu bobot, maka semakin penting nilai komponen tersebut bagi pengguna. Terdapat juga arsitektur yang menawarkan sistem untuk menerapkan OWL-S repository. Konsep yang ditawarkan bernama Ontology Search and Standardization Engine (OSSE). Konsep ini mencari file ontologi yang sesuai dengan keyword dan mengurutkannya dengan concept matching dari ontologi. Selain itu, terdapat pula sebuah metode yang ditawarkan berupa Broker-based Semantic Search Agent (SSA). Metode ini menitikberatkan arsitektur pada pencarian berdasarkan kesamaan input output dan Universal Description Discovery and Integration (UDDI), sebuah standar lain yang merepresentasikan web service.

C. SPARQL query language SPARQL[7] merupakan bahasa query dari standar ontologi. Bahasa ini merupakan salah satu bahasa yang bisa melakukan query terhadap file OWL-S atau ontologi. Contoh query bisa dilihat di Gambar 1. Setiap query diawali oleh prefix yang berisi berbagai konstanta yang digunakan dalam query. Setiap konstanta akan merepresentasikan sebuah file ontologi yang berisi deklarasi kelas-kelas yang ada di file ontologi yang akan diakses menggunakan query. Setiap

2

Score

Service Name

Description

Pick Material Service Collect Material Service 0,917

This service pick material and automate storage record This service pick good and automate storage memo

| (

)

0,937 |

(

∑ (|

||

|)

) ( )

variabel akan diawali oleh karakter tanda tanya (?). Setiap statement di dalam query akan terdiri dari tiga elemen, yaitu dua variabel yang merepresentasikan nilai dari triplet dan satu statement yang menyatakan hubungan atau relasi yang digunakan di dalam statement. D. Semantic Similarity Penelitian kali ini menggunakan teori semantic similarity untuk mencari nilai kedekatan antara deskripsi sebuah service dan keyword yang diberikan. Semantic similarity merupakan metode yang sangat luas dan bervariasi tergantung dari definisi yang diterapkan oleh metode tersebut. Di dalam penelitian kali ini, definisi semantic similarity yang digunakan mengutamakan jumlah kata yang sama daripada kata yang sinonim [8]. Persamaan yang digunakan dapat dilihat di (1) . Rumus yang terdapat pada (1) merupakan rumus yang dipakai untuk menentukan nilai similaritas antara dua buah kalimat. Variabel n1 dan n2 menunjukkan kalimat 1 dan kalimat 2. Variable w1 menunjukkan kumpulan kata yang terdapat pada n1, begitu juga w2. Fungsi synonym(s,t) merupakan fungsi yang memeriksa hubungan antara dua kata, apakah berhubungan erat seperti sinonim atau tidak. Dengan kata lain, rumus pada (1) menghitung nilai similaritas secara semantik dengan membandingkan kata-kata dari kedua kalimat. Kata-kata yang sama atau terdapat di dua kalimat yang berbeda, akan diberi nilai 1 dan kata-kata yang memiliki hubungan erat seperti sinonim akan diberi nilai 0,75. Seluruh nilai yang didapat akan ditambah dan dibagi dengan jumlah kata terbesar diantara n1 dan n2. Contoh dari penggunaan rumus (1) dapat dilihat pada Tabel 1. Terdapat dua buah service name dan description masing-masing dari keyword dan OWL-S. Service name yang berasal dari keyword dan yang berasal dari OWL-S memiliki dua kata yang sama dan satu kata yang sinonim. Sehingga nilainya menjadi 2,75 dibagi 3 yaitu 0,917. Nilai 2,75 muncul karena jumlah kata yang sama berbobot 1 yang berjumlah dua dan jumlah kata yang sinonim berbobot 0,75 yang berjumlah satu. E. Web Service Mining Terdapat beberapa penelitian yang telah meneliti tentang kemungkinan melakukan analisis atau mining dari kegiatan atau aktivitas web service. Berbagai kesulitan dihadapi pada konsep web service mining seperti yang dijelaskan pada paper

JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) PREFIX service: PREFIX profile: SELECT ?subject ?name ?desc WHERE { ?subject service:presents ?object. ?object profile:serviceName ?name. ?object profile:textDescription ?desc. } Gambar 2. Query SPARQL yang digunakan dalam metode

service mining [6]. Salah satu kesulitan itu adalah pada bagian pengumpulan data atau log dari aktivitas web service. Kesulitan pada bagian ini bervariasi mulai dari konsep instance pada event log berstandar process mining, kepastian dan kebenaran dari log yang dihasilkan, dan hubungan antara model dan log. Beberapa penelitian telah mencoba meneliti tentang kesulitan dalam masalah log ini. Terdapat penelitian yang mencoba menghasilkan event log dari web service. Seperti metode yang telah dicoba pada [9]. Berbagai metode yang dicoba seperti pada level trivial, yaitu mengambil data dari header pada request web service. III. ANALISIS DAN PERANCANGAN SISTEM A. Analisis Sistem Bagian ini membahas tahap analisis permasalahan dan perancangan aplikasi yang dibuat. Analisis permasalahan membahas permasalahan yang yang diangkat dalam proses pengerjaan aplikasi. Solusi yang ditawarkan oleh penulis juga dicantumkan pada tahap permasalahan analisis ini. Analisis kebutuhan mencantumkan kebutuhan-kebutuhan yang diperlukan perangkat lunak. Selanjutnya dibahas mengenai perancangan sistem yang dibuat. Pendekatan yang dibuat dalam perancangan ini adalah pendekatan berorientasi objek. B. Deskripsi Umum Sistem Aplikasi ini dibangun untuk memberikan arsitektur baru terhadap WFMS. WFMS yang dibangun mempunyai beberapa fungsi utama. Pertama, WFMS mampu mengimplementasikan workflow dalam standar BPEL menjadi web service. Kedua, WFMS mampu meningkatkan konsep reusability dari workflow. Dan ketiga, WFMS mampu menghasilkan event log sesuai standar process mining. Input dari sistem ini adalah file workflow BPEL dan keyword deskripsi pencarian. Output dari sistem ini adalah event log dari aktivitas dan informasi tentang workflow. Konsep yang dibangun oleh sistem ini memiliki beberapa perbedaan dengan WFMS yang sudah ada. Pertama, anotasi dari workflow menggunakan pendekatan ontologi. WFMS yang sudah ada menyimpan anotasi dari workflow menggunakan basis data relasional yang bersifat tertutup. Sehingga menyulitkan pengguna untuk melakukan query ke repository. Kedua, proses pembuatan event log juga mengikuti aturan dari process mining. Hal ini dikarenakan berbagai event log yang dihasilkan WFMS yang sudah ada tidak bisa dianalisis langsung oleh aplikasi process mining.

3

C. Spesifikasi Kebutuhan Pada sistem yang akan dibuat ini, dibutuhkan beberapa fungsi yang dapat membantu proses bisnis dalam sistem. Fungsi-fungsi tersebut antara lain: 1. Mengunggah BPEL ke WFMS Pengguna dapat mengunggah BPEL ke dalam aplikasi WFMS. 2. Melihat informasi workflow Pengguna dapat melihat informasi workflow secara detil. 3. Mencari workflow Pengguna dapat melakukan pencarian terhadap workflow. 4. Mengunduh event log Pengguna dapat mengunduh event log yang dihasilkan dari aktivitas workflow. D. Skenario Kasus Penggunaan Kasus penggunaan yang digunakan pada sistem perangkat lunak ini terdiri dari empat kasus penggunaan. Berbagai kasus penggunaan ini merupakan kebutuhan fungsional dari aplikasi WFMS ini. Penjelasan untuk tiap kasus penggunaan adalah sebagai berikut: 1. Mengunggah BPEL ke WFMS Pada kasus penggunaan ini, WFMS akan menerima perintah dari pengguna untuk mengunggah file BPEL ke aplikasi WFMS. Kemudian, BPEL akan dimasukkan ke repository dan disimpan oleh aplikasi. BPEL yang sudah disimpan, akan diimplementasikan sebagai web service. 2. Melihat informasi workflow Pada kasus penggunaan ini, sistem akan menerima perintah dari pengguna untuk melihat informasi terkait tentang workflow seperti instance, event log, dan deskripsi. 3. Melakukan pencarian workflow Sistem dapat melakukan pencarian workflow melalui metode semantic OWL-S query. 4. Mengunduh event log Sistem dapat menghasilkan event log yang berstandar process mining. IV. IMPLEMENTASI A. Implementasi pencarian workflow menggunakan

semantic OWL-S Query

Metode pertama dari pencarian berbasis OWL-S adalah sistem query ontologi. Metode ini berfungsi mengambil seluruh informasi yang dibutuhkan dari file berstandar OWLS. Metode query ontologi yang dipakai adalah SPARQL. Dengan menggunakan query SPARQL, berbagai elemen pada file dengan standar OWL-S bisa diakses dan diseleksi untuk tahap selanjutnya. OWL-S terdiri dari tiga bagian, yaitu profile, grounding, dan process. Di dalam query yang dipakai di artikel ini, bagian profile menjadi bagian satu-satunya yang akan diambil. Hal ini dikarenakan bagian profile mengandung

JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) (

)

(

)

( ) Level

Sebuah aktivitas dipanggil

Objek event dikirim ke event listener

Event log diakses oleh aplikasi web

Informasi dari objek event dimasukkan ke basis data

1

2

Event log dibentuk ke format csv untuk process mining Gambar 3. Alur pembentukan event log

bagian semantik dari web service, yaitu service name dan description. Untuk mengambil bagian profile, maka digunakan query seperti pada Gambar 2. Dengan menggunakan query ini, service name dan description dari seluruh web service direpresentasikan dalam file OWL-S akan didapatkan. Setelah mendapatkan seluruh service name dan description dari OWL-S, langkah selanjutnya adalah menghitung similarity score dari seluruh data terhadap keyword yang diinginkan pengguna. Keyword yang dimasukkan terbagi menjadi dua tipe, yaitu service name dan description. Service name pada OWL-S akan dicocokkan terhadap service name dari keyword, begitu juga dengan description dari OWL-S dan keyword. Perhitungan ini menggunakan konsep semantic similarity yang menghitung nilai semantic similarity dari jumlah kata yang sama dan memiliki hubungan yang tinggi. Rumus dari nilai semantic similarity antara OWL-S dan keyword dapat dilihat pada (2). Pada (2), terdapat empat variabel dan satu fungsi. Fungsi sem adalah fungsi yang menghitung semantic similarity dari dua kalimat seperti yang dijelaskan di bagian tinjauan pustaka. Variabel nameOWL adalah service name dari file OWL-S dan nameKey merupakan service name pada keyword. Variabel descOWL adalah service description yang ada pada file OWL-S dan descKey adalah description pada keyword. Dengan kata lain, nilai similaritas antara file OWLS dan keyword adalah nilai rata-rata dari nilai semantic simililarity antara service name pada OWL-S dan keyword dan nilai semantic simililarity antara description pada pada OWL-S dan keyword. Setelah seluruh OWL-S dibandingkan dengan keyword, langkah terakhir adalah memilih service yang berbentuk OWL-S yang akan ditampilkan ke pengguna. Penelitian ini menggunakan sistem threshold untuk menentukan nilai terendah dari OWL-S dan keyword dari service yang akan ditampilkan. Sehingga, service OWL-S yang memiliki nilai similaritas lebih rendah dari threshold, tidak ditampilkan.

4

Tabel 2. Tabel berbagai tingkat web service mining Informasi Fasilitas Penggalian data Logging - IP klien - Web server - Penggunaan - Invoked workflow service - Timestamp - Pelacakan - Status HTTP klien - Failure rate - SOAP request - HTTP - Execution time - Timestamp listener - SOAP analysis

3

- Invoked operation - SOAP request - Timestamp

- WFMS - SOAP handlers

- Level 2

4

- Invoked operation - SOAP request - Timestamp

- WFMS - SOAP handlers

- Level 3 - Aktivitas klien

5

- Level 4+ - Workflow information

- Level 4 - Web service

- Level 4 - Web service workflow

B. Implementasi Event Log Generator Permasalahan kedua dalam penelitian ini adalah metode untuk menghasilkan event log atau event log generator. Terdapat berbagai metode yang telah dikembangkan dan diwacanakan untuk bisa menghasilkan event log dari komposisi web service. Salah satunya adalah konsep web service mining yang ingin mengubah konsep dari Simple Object Access Protocol (SOAP) header dengan menambah informasi tentang event log attribute. Konsep ini menjelaskan bahwa keterbatasan informasi dari header dari protokol SOAP telah menyebabkan sulitnya pembentukan event log dari web service. Untuk itulah, konsep ini ingin menambahkan informasi dengan tag <WSHeaders> yang bisa berisi informasi seperti choreography protocol, choreography name, chorography case. Selain konsep web service mining di atas, terdapat konsep yang lain dengan memanfaatkan berbagai logging facilities. Konsep ini membedakan berbagai tipe web service mining yang bisa dilakukan berdasarkan logging facilities yang tersedia. Terdapat lima tingkatan web service mining yang tersedia berdasarkan konsep ini seperti yang ditunjukkan Tabel 2. Pada tingkat pertama, logging facilities hanya tersedia pada web server tempat service berada. Informasi yang bisa didapat hanya alamat IP dari klien, web service yang dijalankan, timestamp, dan HTTP status code. Dengan informasi yang sedikit ini, tentu event log belum bisa dibentuk. Berbagai tingkat yang ada di konsep ini, belum menjelaskan bagaimana informasi event log bisa terbentuk. Konsep ini hanya menjelaskan bagaimana informasiinformasi yang terdapat pada web service dan protokol SOAP bisa berguna untuk web service mining. Oleh karena itu, artikel ini menggunakan sistem event log generator pada server Apache ODE. Sistem ini merupakan sebuah logging facilities yang diberikan oleh Apache ODE. Konsep ini sangat berbeda dari kedua konsep yang telah disebutkan di atas. Sistem ini tidak mengubah struktur dari

JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print)

5

Tabel 4. Contoh hasil event log yang dihasilkan

( )

No 1 2 3 4 5 6 7 8

ID

Process ID

Tabel 3. Hasil pengujian pada berbagai aktivitas Activity Best Threshold

25

Presale Activity Service Sale Order Entry Service Check Availability Service Pick Material Service Pack Material Service Post Good Issue Service Invoice Customer Service Receipt Of Customer Payment Service Mean

27

Sales Order Service Sales Order Service Sales Order Service Sales Order Service

0,7 0,7 0,7 0,6 0,6 0,7 0,6 0,7 0,662

informasi dari SOAP header. Sistem ini juga tidak memanfaatkan HTTP logging. Sistem ini memanfaatkan implementasi dari kelas event listener yang disediakan dari Apache ODE. Apache ODE memberikan sebuah kelas abstrak yang dapat diimplementasikan oleh pengguna. Metode dari kelas ini akan dipanggil setiap suatu aktivitas akan dipanggil. Implementasi yang dipakai pada tugas akhir ini bekerja dengan alur yang digambarkan pada Gambar 3. Pada alur ini, terdapat beberapa bagian yang penting. Bagian pengiriman objek event terjadi pada sistem event listener. Setelah objek diterima, berbagai informasi dari event tersebut dapat diakses. Seluruh informasi akan dikirim ke basis data, tetapi hanya beberapa informasi penting seperti case id, activity name, status, dan timestamp. Setelah semua event log berada di basis data, event log bisa dilihat melalui web. Event log juga bisa diunduh ke dalam format CommaSeparated Values (CSV). CSV dipilih karena merupakan tipe data yang bisa diproses ke dalam process mining. Selain itu, format CSV juga dipilih karena mudah dan terdapat aplikasi yang bisa mengubah format CSV ke format data di process mining, seperti format mxml. V. PENGUJIAN DAN EVALUASI Pengujian dilakukan untuk menguji apakah kedua metode yang diajukan sudah berjalan dengan benar. Rincian pengujian adalah sebagai berikut: 1. Pengujian fitur pencarian workflow pada studi kasus sales order Skenario pengujian ini mengikuti skenario pengujian kasus semantic web service composition. Setiap aktivitas dari alur sales order akan dijadikan 30 buah web service yang memiliki kemiripan tinggi. Web service itu bersifat composite, atau memiliki bagian lagi di dalamnya. Dalam pengujian ini, digunakan 240 buah web service untuk menguji metode similarity score yang diajukan di paper ini. Seluruh web service telah dikonversi ke dalam OWLS yang memiliki service name dan description dalam bahasa inggris. Skenario pengujian memecah web service tersebut ke dalam delapan tipe sesuai dengan aktivitasnya masingmasing. Hal ini dilakukan karena terdapat delapan query

26

28

Case ID 3701

Activity

Status start

3701

Receive Input Receive Input Assign

3701

Assign

complete

3701

complete start

Timestamp 5/31/2014 18:47 5/31/2014 18:47 5/31/2014 18:47 5/31/2014 18:47

berbeda yang terdapat di pengujian. Masing-masing query mewakili satu aktivitas. Setelah web service dibagi menjadi delapan bagian, masing-masing query akan dijalankan. Sehingga nilai similarity score dari masingmasing web service akan muncul dan dicatat. Setelah semua data selesai diuji dan mendapat nilai, akurasi dari metode ini dapat dihitung sesuai rumus pada (3). Nilai True Positive (TP) merupakan jumlah data yang memiliki nilai di atas threshold dan berasal dari daftar web service pada aktivitas tersebut. Nilai True Negative (TN) merupakan jumlah data yang memiliki nilai dibawah threshold dan tidak berasal dari daftar web service pada aktivitas tersebut. Nilai False Positive (FP) merupakan jumlah data yang memiliki nilai di atas threshold tetapi tidak berasal dari daftar web service pada aktivitas tersebut. Nilai False Negative (FN) merupakan jumlah data yang memiliki nilai di bawah threshold tetapi berasal dari daftar web service pada aktivitas tersebut. Nilai threshold yang diambil merupakan rata-rata nilai threshold terbaik pada setiap pengujian aktivitas. Query untuk mencari service dari aktivitas akan dimasukkan sebagai keyword ke sistem. Keyword akan dibandingkan dengan seluruh file OWL-S yang ada sehigga seluruh OWL-S akan memiliki nilai similaritas terhadap keyword. Kemudian, setiap threshold akan dicoba dan menghasilkan akurasi seperti Tabel 3. Threshold terbaik pada setiap aktivitas akan dikumpulkan dan diratakan sehingga menghasilkan threshold keseluruhan. Hasil terbaik dari percobaan ini yaitu dengan threshold rata rata menghasilkan akurasi sebesar 0,99. Dari hasil pengujian, terdapat beberapa hal yang patut dicermati. Pertama, kasus FP terjadi karena beberapa deskripsi yang terdapat pada web service memiliki katakata yang sinonim dengan keyword tetapi pada letak yang berbeda. Perbedaan letak kata tidak diakomodir dalam perhitungan. Kasus seperti ini jarang terjadi, sehingga tidak menimbulkan perubahan yang berarti. Kedua, threshold yang tinggi tidak menjamin akurasi yang tinggi. Hal ini disebabkan perhitungan nilai semantik bergantung pada perbedaan jumlah kata. Dengan kata lain, jika perbedaan jumlah kata keyword dan OWL-S terlalu jauh, nilai semantik akan semakin kecil. Sehingga, kasus dengan nilai semantik yang kecil bisa saja berasal dari daftar positif, karena perbedaan jumlah kata pada OWL-S dan keyword. Oleh karena itu, disarankan pembatasan jumlah kata pada OWL-S dan keyword untuk menjaga akurasi yang tinggi. Selain itu, berbagai kasus yang terjadi

JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) di pengujian ini, mebuktikan bahwa metode ini bisa dipakai pada berbagai proses bisnis dari ERP. 2. Pengujian metode pembentukan event log Pengujian metode ini juga menggunakan kasus studi sale order. Sale order yang dikomposisi dalam bentuk BPEL harus diunggah terlebih dahulu. Setelah diunggah, aplikasi akan mengimplementasikan BPEL dalam bentuk web service. Setelah itu, aktivitas sale order akan diaktifkan dan dijalankan. Setelah mengambil event log, event log akan dibuka menggunakan aplikasi spreadsheet Microsoft Excel. Event log yang telah diambil dalam format CSV dapat dilihat pada Tabel 4. Pada event log tersebut, terdapat 5 atribut yang telah sesuai dengan standar event log process mining, yaitu processID, caseID, activity, status dan timestamp. Setelah itu, event log dapat dianalisis menggunakan aplikasi process mining. Hal ini membuktikan event log yang dihasilkan oleh arsitektur ini merupakan event log yang berstandar process mining. VI. KESIMPULAN/RINGKASAN Penelitian ini diajukan karena dilatarbelakangi oleh beberapa masalah yang ada pada pengembangan workflow. Beberapa masalah ini terbagi dalam dua jenis masalah yaitu sulitnya melakukan penggunaan kembali workflow yang sudah ada atau workflow reusability dan sulitnya menganalisis aktivitas dari workflow menggunakan teknik process mining. Penelitian ini menawarkan sebuah arsitektur WFMS untuk mengatasi kedua jenis masalah di atas. Arsitektur yang diajukan oleh penelitian ini mempunyai tujuan meningkatkan reusability workflow dengan metode pencarian semantic query dengan pendekatan ontologi OWL-S dan metode event log generator menggunakan workflow engine Apache ODE. Permasalahan pertama, yaitu masalah sulitnya melakukan pencarian terhadap workflow, diselesaikan dengan menggunakan metode pencarian workflow menggunakan standar OWL-S sebagai basis metadata dan semantic similarity sebagai rumus penghitungan nilai hubungan antara keyword dan web service. Dengan hanya berbekal keyword berupa service name dan description, pengguna bisa mendapatkan berbagai workflow yang diinginkan. Metode ini berhasil membantu pengguna dalam mencari workflow, dibuktikan dari hasil pengujian yang memiliki akurasi tinggi yaitu 0,99. Hasil akurasi yang tinggi ini membuktikan bahwa metode ini dapat mencari workflow secara akurat dan membantu proses pencarian workflow yang menjadi permasalahan pertama yang melatarbelakangi penelitian ini. Permasalahan kedua, yaitu sulitnya menganalisis aktivitas workflow, terjadi akibat tidak adanya WFMS yang menghasilkan log berstandar process mining. Arsitektur yang diajukan pada penelitian ini, memiliki metode untuk menghasilkan event log berstandar process mining. Dengan menggunakan workflow engine dari Apache ODE, metode ini bisa menghasilkan event log berstandar process mining secara sempurna. Hal ini dibuktikan dari hasil pengujian, yang

6

menunjukkan hasil event log yang memiliki atribut sesuai standar process mining. Dengan kata lain, penelitian ini telah berhasil memberikan sebuah solusi baru untuk kedua masalah yang melatarbelakangi penelitian ini. Dengan metode pencarian yang akurat, permasalahan kesulitan pencarian workflow bisa diselesaikan. Dan dengan metode penghasilan event log, masalah sulitnya menganalisis aktivitas workflow dengan teknik process mining bisa teratasi. UCAPAN TERIMA KASIH Penulis C.A.D. mengucapkan terima kasih kepada Tuhan Yang Maha Esa, kedua orangtua dan keluarga penulis, para dosen pembimbing, seluruh dosen Teknik Informatika ITS, kerabat dekat, serta berbagai pihak yang telah membantu penulis dalam menyelesaikan penelitian ini. DAFTAR PUSTAKA [1] Workflow Management Coalition, 1999. [Online]. Available: http://www.aiai.ed.ac.uk/project/wfmc/ARCHIVE/DOCS/glossary /glossary.html. [2] W. Gaaloul, S. Bhiri and C. Godart, "Research challenges and opportunities in web services mining," Proc of System and Information Service Web, 2006. [3] E. Sirin, M. Dänzer and T. Möller, Nopember 2012. [Online]. Available: http://on.cs.unibas.ch/owls-api/. [4] W. v. d. Aalst and K. v. Hee, Workflow Management: Models, Methods , and Systems, Cambridge: MIT Press, 2002. [5] OASIS Web Services Business Process Execution Language (WSBPEL) TC, April 2007. [Online]. Available: http://docs.oasisopen.org/wsbpel/2.0/OS/wsbpel-v2.0-OS.pdf. [6] A. Ankolekar, M. Burstein, J. R. Hobbs, O. Lassila, D. McDermott, D. Martin, S. A. McIlraith, S. Narayanan, M. Paolucci, T. e. Payne and K. Sycara, "DAML-S: Web Service Description for the Semantic Web," in ISWC '02 Proceedings of the First International Semantic Web Conference on The Semantic Web, London, 2002. [7] The SPARQL (1.1) Working Group, "W3C," 2008. [Online]. Available: http://www.w3.org/TR/rdf-sparql-query/. [8] M. D. Remco Dijkman, B. v. Dongen, R. Käärik and J. Mendling, "Similarity of business process models: Metrics and evaluation, " Information Systems, vol. 36, no. 2, pp. 498-516, 2011. [9] S. Dustdar and R. Gombotz, "Discovering web service workflows using web services interaction mining," International Journal of Business Process Integration and Management, vol. 1, pp. 256-266, Februari 2007.