Potensi Algoritma ML dalam Transformasi Manajemen Proses Bisnis
Dalam era digital ini, kebutuhan akan metode analisis proses bisnis yang lebih efektif dan efisien semakin mendesak. Salah satu pendekatan inovatif yang baru-baru ini mendapatkan perhatian adalah penggunaan algoritma Model Learning (ML) untuk menemukan Deterministic Finite State Automata (DFA) dari event logs. Artikel yang ditulis oleh Agostinelli et al. (2023) menyajikan kajian mendalam tentang cara algoritma ML dapat digunakan untuk tujuan ini, dan hasilnya menunjukkan potensi besar dalam berbagai konteks manajemen proses bisnis (BPM). Dalam penelitian yang dilakukan oleh Agostinelli et al. (2023) merupakan langkah yang signifikan ke depan dalam memahami dan mengelola kompleksitas proses bisnis lintas-organisasi.
Algoritma ML yang dibahas dalam artikel ini, termasuk algoritma pembelajaran aktif dan pasif seperti L*, RPNI, MDL, dan EDSM, menawarkan solusi yang lebih adaptif dibandingkan metode tradisional. Misalnya, algoritma pembelajaran pasif seperti MDL mampu menghasilkan DFA yang lebih sederhana namun tetap efektif dalam representasi proses bisnis, sementara alat-alat tradisional seperti Declare Miner sering menghasilkan model yang terlalu kompleks dan sulit untuk diterapkan secara praktis. Data dalam artikel menunjukkan bahwa algoritma ML tertentu dapat memproses datasheet dengan lebih cepat dan menghasilkan model dengan tingkat generalisasi yang lebih baik, terutama ketika menangani log peristiwa yang kompleks dengan berbagai panjang dan jenis aktivitas. Sebagai contoh, algoritma MDL dapat menghasilkan DFA dengan 8 state dan 33 transition hanya dalam waktu 249 ms untuk datasheet ROAD, dibandingkan dengan 710 ms yang diperlukan oleh Declare Miner untuk log yang sama.
Penemuan ini penting karena dapat mendukung berbagai fase siklus BPM, termasuk perancangan, pengawasan, dan evaluasi proses bisnis. Dengan mengoptimalkan kinerja analisis proses, algoritma ML dapat membantu organisasi untuk lebih cepat mengidentifikasi masalah, melakukan penyesuaian, dan meningkatkan efisiensi operasional. Meskipun hasil awalnya menjanjikan, perlu ada lebih banyak penelitian untuk menguji efektivitas algoritma ini dalam skenario yang lebih kompleks dan log peristiwa yang lebih besar, sehingga bisa benar-benar membuktikan keunggulan mereka dibandingkan dengan metode tradisional.
***
Algoritma Model Learning (ML) menawarkan pendekatan baru yang mengatasi beberapa kelemahan teknik penemuan proses tradisional. Artikel Agostinelli et al. (2023) menunjukkan bahwa algoritma pembelajaran pasif, seperti MDL, RPNI, dan EDSM, memiliki kemampuan untuk menggeneralisasi perilaku proses dengan lebih baik daripada metode konvensional. Misalnya, pada log SEPSIS, algoritma MDL berhasil menghasilkan DFA dengan tingkat generalisasi sebesar 0,998 untuk semua nilai k (k = 1, 2, 3) dalam waktu kurang dari satu menit, sementara alat Declare Miner membutuhkan hampir tiga menit untuk mencapai hasil yang hampir sama (0,996). Hal ini menunjukkan bahwa MDL lebih efisien dalam menangkap pola proses bisnis dari data nyata, terutama ketika berhadapan dengan log yang memiliki kompleksitas tinggi.
Selain itu, artikel yang ditulis Agostinelli et al. (2023) menyoroti bahwa DFA yang dihasilkan oleh algoritma ML, khususnya MDL, cenderung lebih sederhana. Contohnya, untuk log LOAN, MDL menghasilkan DFA dengan 42 state dan 123 transition dalam waktu sekitar 23 detik, dibandingkan dengan Declare Miner yang menghasilkan DFA dengan 435 state dan 1673 transition dalam waktu 21 detik. Meskipun kedua algoritma ini memproses data dalam waktu yang hampir sama, model yang dihasilkan oleh MDL jauh lebih mudah dipahami dan diimplementasikan dalam analisis proses. Hal ini penting karena model yang lebih sederhana dapat mengurangi biaya analisis dan meningkatkan efisiensi dalam pengambilan keputusan.
Penelitian ini juga mengidentifikasi kelemahan signifikan dari algoritma pembelajaran aktif seperti L*. Hasil menunjukkan bahwa L* tidak mampu menangani log peristiwa dengan jumlah aktivitas yang beragam, menyebabkan kegagalan untuk memproses log kehidupan nyata seperti LOAN dan TRAVEL dalam waktu yang ditentukan (24 jam). Hal ini menggarisbawahi keterbatasan algoritma pembelajaran aktif dalam lingkungan bisnis yang kompleks, di mana variasi perilaku proses sering kali sangat tinggi. Namun, algoritma pembelajaran pasif seperti RPNI dan EDSM, meskipun membutuhkan lebih banyak waktu untuk log yang sangat kompleks (misalnya, TRAVEL memerlukan lebih dari 15 jam), masih menunjukkan hasil yang lebih stabil dan lebih andal.
Lebih lanjut, penelitian ini menyoroti potensi penggunaan algoritma pembelajaran model untuk mendukung analisis deviasi, yang bertujuan untuk menemukan pola yang relevan yang membedakan antara jejak positif dan negatif dalam log. Hal ini penting untuk pemantauan kepatuhan proses bisnis dan deteksi penyimpangan dari perilaku yang diharapkan. Misalnya, algoritma seperti RPNI dan EDSM, yang menggunakan jejak positif dan negatif untuk membangun DFA, mampu secara efektif mengidentifikasi perilaku yang menyimpang, yang sangat penting dalam konteks pengendalian kualitas dan audit proses. Dari hasil eksperimen, kedua algoritma ini menunjukkan nilai generalisasi negatif sebesar 1,0 untuk sebagian besar log, menunjukkan keandalannya dalam membedakan perilaku yang diizinkan dari yang tidak diizinkan.
Dalam hal ini, penelitian ini tidak hanya memperkenalkan algoritma baru tetapi juga menunjukkan bagaimana algoritma ini dapat diadaptasi untuk berbagai konteks manajemen proses bisnis. Sifat fleksibel dari algoritma pembelajaran model memungkinkan mereka untuk diterapkan pada skenario yang beragam, mulai dari analisis proses lintas-organisasi hingga pengawasan kepatuhan waktu nyata. Dengan demikian, algoritma ML menawarkan alat yang lebih canggih dan adaptif dibandingkan metode tradisional, terutama dalam dunia bisnis yang dinamis dan cepat berubah.
***