Framework Task Mining Berbasis Tangkapan Layar: Solusi Masa Depan RPA Â
Artikel berjudul "A Screenshot-Based Task Mining Framework for Disclosing the Drivers Behind Variable Human Actions" oleh Martnez-Rojas et al. (2023) menghadirkan inovasi menarik dalam bidang Robotic Process Automation (RPA). Mereka mengembangkan kerangka kerja berbasis tangkapan layar yang memungkinkan analisis perilaku manusia dengan lebih mendalam, khususnya dalam proses pengambilan keputusan saat terjadi variasi dalam tindakan. Dengan menggunakan log antarmuka pengguna (UI Log) yang diperkaya oleh tangkapan layar serta algoritma pembelajaran mesin, framework ini berusaha menjawab pertanyaan yang sering terabaikan dalam proses automasi: faktor apa yang mendorong seseorang memilih satu varian proses dibandingkan yang lain.
Dalam dunia yang semakin terdorong oleh hyperautomation, di mana 58% dari perusahaan global diharapkan untuk mengadopsi RPA dalam operasional harian mereka pada tahun 2024 (Gartner, 2021), penting untuk memahami bagaimana manusia membuat keputusan dalam proses yang beragam. Framework ini berpotensi meminimalisasi kesalahan dalam pemodelan automasi, yang seringkali terjadi karena kurangnya data visual dalam log tradisional. Fakta bahwa framework ini mencapai akurasi tinggi, bahkan dengan UI Log yang kecil, menambah daya tariknya. Dalam studi kasus yang dilakukan, akurasi framework ini dilaporkan mencapai 100% pada beberapa varian proses, menandakan ketepatan pendekatan yang digunakan.
Artikel ini tidak hanya memperkaya penelitian dalam bidang RPA dan task mining, tetapi juga memberikan solusi praktis bagi para profesional TI yang ingin mengoptimalkan keputusan manusia dalam skenario automasi proses yang kompleks.
***
Framework task mining berbasis tangkapan layar yang diusulkan oleh Martnez-Rojas et al. (2023) menawarkan solusi inovatif dalam mengatasi kelemahan pendekatan tradisional dalam Robotic Process Automation (RPA). Salah satu kelemahan yang sering terjadi adalah terbatasnya informasi visual yang dapat digunakan untuk memahami keputusan manusia. Dalam konteks RPA, log antarmuka pengguna (UI Log) tradisional hanya mencatat peristiwa seperti klik dan penekanan tombol tanpa memperhitungkan elemen visual di layar yang bisa mempengaruhi keputusan. Framework ini memperkaya UI Log dengan tangkapan layar dari setiap peristiwa, memungkinkan analisis yang lebih mendalam terhadap faktor-faktor visual yang berkontribusi pada pengambilan keputusan.
Framework ini bekerja dengan menggabungkan teknik pemrosesan gambar dan algoritma pembelajaran mesin untuk mengekstraksi elemen-elemen visual yang relevan dari tangkapan layar. Berdasarkan data tersebut, sebuah pohon keputusan (decision tree) dibangun untuk menjelaskan logika di balik keputusan yang diambil manusia. Dalam studi kasus yang melibatkan proses dunia nyata, framework ini menunjukkan akurasi yang memuaskan, bahkan ketika UI Log yang digunakan relatif kecil. Sebagai contoh, dengan hanya 100 event dalam UI Log, framework ini mencapai akurasi 100% dalam mengidentifikasi varian proses yang dipilih pengguna, menunjukkan efektivitas pendekatan ini dalam memodelkan keputusan manusia (Martnez-Rojas et al., 2023).
Selain itu, framework ini relevan dalam konteks hyperautomation, sebuah tren di mana perusahaan berusaha mengotomatiskan sebanyak mungkin proses bisnis. Sebagai catatan, Gartner (2021) memprediksi bahwa hyperautomation akan mencapai nilai pasar global sebesar $596 miliar pada tahun 2024. Dalam skenario ini, teknologi yang mampu secara akurat menangkap keputusan manusia sangat penting, karena proses automasi yang tidak memperhitungkan variabilitas manusia seringkali menghasilkan model yang tidak akurat dan rentan terhadap kesalahan. Framework ini menutupi celah tersebut dengan cara yang elegan, menjadikannya alat yang sangat berharga untuk digunakan dalam proyek-proyek RPA yang kompleks.
Salah satu tantangan yang dihadapi framework ini adalah ketika berhadapan dengan antarmuka pengguna yang padat dengan elemen visual. Dalam studi kasus, framework mengalami sedikit penurunan akurasi ketika jumlah elemen pada tangkapan layar bertambah. Namun, hal ini bisa diatasi dengan peningkatan dalam teknik pemrosesan gambar dan pengembangan lebih lanjut dalam algoritma pembelajaran mesin. Tantangan lainnya adalah kemampuan framework untuk beradaptasi dalam lingkungan yang sangat bervariasi, seperti penggunaan aplikasi dengan antarmuka pengguna yang berbeda-beda atau di lingkungan virtual yang mempersulit pengumpulan data visual.
***
Secara keseluruhan, framework task mining berbasis tangkapan layar yang diusulkan oleh Martnez-Rojas et al. (2023) menawarkan pendekatan yang inovatif dan efektif untuk memahami keputusan manusia dalam konteks automasi proses. Dengan memanfaatkan data visual dari tangkapan layar dan menggabungkannya dengan pembelajaran mesin, framework ini mampu memberikan model keputusan yang lebih akurat dan terukur. Akurasi yang mencapai 100% dalam beberapa studi kasus, meskipun menggunakan UI Log yang relatif kecil, menunjukkan potensi besar teknologi ini dalam mendukung proyek-proyek RPA yang lebih kompleks.
