Mengupas Deteksi Anomali pada Control-Flow dengan Process Mining: Kenapa Ribet Itu Penting?

Bayangkan ini:Kamu sedang mengatur pesta ulang tahun besar-besaran. Semua sudah diatur, mulai dari kue, dekorasi, hingga playlist musik. Tapi, tiba-tiba si tukang balon malah meniup balon berbentuk alpukat, dan DJ-mu memutar lagu keroncong di tengah pesta EDM. Nah, dalam dunia proses bisnis, gangguan semacam ini disebut anomali. Dan, seperti pesta tadi, ini bisa bikin semuanya kacau.

Masalahnya, anomali di aliran proses bisnis nggak segampang itu dideteksi. Di sinilah process mining datang bak pahlawan super, lengkap dengan jubah analitiknya. Jadi, yuk kita bahas bagaimana teknologi ini bekerja---dan tentunya, kenapa deteksi anomali itu penting banget (selain supaya pesta kamu tetap seru, tentu saja).

Apa Itu Anomali dalam Control-Flow?

Sebelum kita bahas lebih dalam, kita harus ngerti dulu istilah ini. Control-flow itu kayak peta perjalanan dari aktivitas-aktivitas dalam sebuah proses bisnis. Misalnya, dalam perusahaan e-commerce: pelanggan memesan barang pesanan dikemas pesanan dikirim. Tapi kalau tiba-tiba paket dikirim tanpa dikemas? Nah, itu adalah anomali.

Jenis anomali ini bisa bermacam-macam, seperti:

1. Aktivitas yang hilang: Ada langkah yang terlewati. Bayangin masak mie instan tanpa air.
2. Aktivitas salah urutan: Harusnya masukkan bumbu setelah mie matang, malah dibalik.
3. Aktivitas tak dikenal: Tiba-tiba ada langkah nggak jelas kayak "melempar sendok ke tetangga".

Kok Bisa Tahu Ada Anomali? Jawabannya: Log Peristiwa

Log peristiwa (atau event log) adalah seperti buku harian digital yang mencatat setiap langkah dalam proses bisnis. Contohnya:

• Pelanggan A memesan barang pada jam 09:00.
• Barang dikemas pada jam 09:30.
• Barang dikirim pada jam 10:00.

Tapi kalau tiba-tiba ada catatan "barang dikirim sebelum dipesan"? Ini yang bikin alis terangkat. Di sinilah teknologi deteksi anomali bekerja, membandingkan log ini dengan model proses ideal. Bayangkan ini kayak GPS: kalau kamu salah jalan, dia langsung kasih tahu.

Deteksi Anomali dengan Teknik Process Mining

Dalam proses bisnis, anomali ini bisa mengganggu efisiensi, keamanan, bahkan reputasi perusahaan. Makanya, deteksi anomali itu penting. Salah satu cara yang paling efektif adalah menggunakan process mining. Teknik ini menganalisis log peristiwa untuk menemukan pola, membandingkannya dengan model ideal, dan mengidentifikasi bagian yang "nggak sesuai".

Ada dua pendekatan utama:

1. Conformance Checking: Membandingkan log peristiwa dengan model ideal (biasanya berupa Petri net). Kalau ada yang nggak cocok, itu tandanya anomali.
2. Machine Learning: Menggunakan AI untuk mengenali pola dan menemukan keanehan.

Kelebihan conformance checking adalah mudah dijelaskan, tapi bisa jadi terlalu kaku. Sementara itu, pendekatan AI lebih fleksibel, tapi kadang sulit dimengerti (kayak dosen yang terlalu pintar ngomong istilah teknis).

Studi Kasus: Data dari Dunia Nyata

Makalah-makalah keren tentang ini biasanya pakai data simulasi atau dunia nyata. Misalnya:

• Dataset PDC 2020/2021: Dataset simulasi dari model proses bisnis.
• Dataset ERTMS: Data simulasi dari prosedur kereta api.
• Dataset COVAS: Data asli dari sektor kesehatan.

Setiap dataset ini punya tantangan sendiri. Anomali di kereta api beda dengan di rumah sakit, misalnya. Tapi semuanya sama-sama penting untuk dianalisis.

Kerangka Kerja untuk Deteksi Anomali: Gabungan Serius dan Keren

Jadi, gimana cara kita menangani semua kekacauan ini? Penelitian terkini menyarankan sebuah kerangka kerja (framework) yang super fleksibel dan dapat dijelaskan. Ibaratnya, ini seperti punya kotak alat lengkap buat menangani segala jenis masalah proses bisnis. Berikut langkah-langkahnya:

1. Ekstraksi Fitur Berbasis Process Mining

Ini adalah langkah pertama dan paling penting. Proses ini mengambil data dari log peristiwa dan mengubahnya menjadi sesuatu yang bisa dimengerti oleh algoritma. Beberapa teknik ekstraksi fitur yang populer:

• Conformance Checking Berbasis Penyelarasan: Membandingkan log dengan model proses ideal untuk mencari ketidaksesuaian.
• N-Gram: Menganalisis pola urutan aktivitas seperti "kata" dalam kalimat.
• Directly Follows Graph: Mencari hubungan langsung antar aktivitas dalam log.

2. Pengurangan Dimensi

Data log itu biasanya besar banget---kayak rak buku yang penuh sesak. Supaya nggak kewalahan, kita perlu teknik pengurangan dimensi. Beberapa pendekatan yang digunakan:

• PCA (Principal Component Analysis): Memadatkan data tanpa kehilangan terlalu banyak informasi.
• Autoencoders: Menggunakan jaringan saraf untuk merangkum data secara otomatis.

3. Kombinasi Teknik

Setelah fitur diekstrak dan dimensinya diringkas, kerangka kerja ini menggunakan algoritma pembelajaran mesin untuk mendeteksi anomali. Ada banyak pilihan algoritma, tergantung jenis data dan kebutuhan:

• Klasifikasi (Supervised Learning): Untuk data yang sudah diberi label, seperti "normal" atau "anomali".
• Clustering (Unsupervised Learning): Untuk data tanpa label, menemukan pola aneh secara otomatis.

Hasil: Bukti Nyata dari Kerangka Kerja

Kalau teori tadi bikin kamu bingung, tenang, ada hasil konkret dari penelitian ini. Berikut adalah performa teknik baru dibandingkan metode lama:

• Dataset PDC 2020/2021: Skor F1 mencapai 97,3% (metode lama hanya 36,1%!).
• Dataset ERTMS (Kereta Api): Skor F1 90,5% (bandingkan dengan 78,8% dari metode lama).
• Dataset COVAS (Kesehatan): Skor F1 88,5% (versus 79,1%).

Kesimpulannya? Kerangka kerja ini nggak cuma lebih efektif, tapi juga fleksibel. Bayangkan kamu punya senjata rahasia yang bisa disesuaikan dengan medan perang apa pun.

Kenapa Ini Penting?

Deteksi anomali mungkin terdengar teknis banget, tapi manfaatnya nyata:

1. Efisiensi: Memastikan proses berjalan sesuai rencana, tanpa langkah yang terlewat atau berantakan.
2. Keamanan: Anomali seringkali menjadi tanda awal adanya ancaman, seperti fraud atau kesalahan sistem.
3. Penghematan Biaya: Dengan mendeteksi masalah lebih awal, perusahaan bisa menghindari kerugian besar.
4. Ketenangan Pikiran: Siapa sih yang nggak mau semuanya berjalan mulus? Bos pasti senang, pelanggan juga puas.

Deteksi Anomali dalam Kehidupan Sehari-Hari

Buat kamu yang masih bingung gimana deteksi anomali itu bekerja, mari kita bayangkan dalam konteks sehari-hari:

• Ketika Mesin Kopi Jadi Detektif: Bayangkan kamu punya mesin kopi pintar yang tahu kebiasaanmu. Setiap pagi, kamu minum kopi hitam. Tapi suatu hari, dia lihat kamu bikin cappuccino. Mesin kopi pun bingung, "Eh, anomali nih! Kamu lagi diet atau apa?"
• Deteksi Anomali di Drama Korea: Di episode 10, si tokoh utama selalu makan ramyeon bareng temannya. Tapi di episode 11, dia tiba-tiba makan steak sendirian. Anomali ini bikin fans menduga-duga, "Pasti ada plot twist!"

Deteksi Anomali Itu Serius, Tapi Bisa Jadi Seru

Setelah memahami semua teori, kerangka kerja, dan contoh-contoh lucu tadi, ada beberapa hal yang bisa kita simpulkan tentang deteksi anomali pada control-flow menggunakan process mining:

1. Pentingnya Deteksi Anomali:Anomali dalam proses bisnis bukan sekadar gangguan kecil; ini bisa berdampak besar pada efisiensi, biaya, dan reputasi perusahaan. Dengan deteksi dini, perusahaan bisa mencegah masalah sebelum jadi bencana.

2. Kekuatan Process Mining:Dengan menggunakan process mining, kita nggak cuma melihat data, tapi juga memahami pola dan struktur proses bisnis. Ini seperti memiliki peta harta karun untuk menemukan apa yang salah dan di mana letaknya.

3. Teknologi Fleksibel:Kerangka kerja yang memadukan conformance checking, machine learning, dan pengurangan dimensi menawarkan solusi yang bisa disesuaikan dengan kebutuhan spesifik. Mau dataset dari kereta api, e-commerce, atau rumah sakit, semuanya bisa di-handle.

4. Masih Ada Ruang untuk Pengembangan:Meskipun hasilnya sudah luar biasa, teknologi ini terus berkembang. Dengan data yang semakin kompleks dan volume yang makin besar, masa depan deteksi anomali masih penuh tantangan (dan peluang).

Bagaimana Memulai Deteksi Anomali di Tempat Kerja?

Kalau kamu bekerja di perusahaan yang mulai menghadapi masalah kompleksitas proses, berikut beberapa langkah untuk memulai:

1. Kumpulkan Data: Pastikan kamu memiliki log peristiwa yang rapi. Data ini adalah bahan bakar utama untuk process mining.
2. Gunakan Tools yang Tepat: Ada banyak software process mining di luar sana, seperti ProM, Celonis, atau Disco. Pilih yang sesuai dengan kebutuhan dan anggaran.
3. Mulai dengan Conformance Checking: Jika kamu baru di bidang ini, conformance checking adalah langkah awal yang mudah dimengerti.
4. Eksplorasi Machine Learning: Untuk kasus yang lebih kompleks, pertimbangkan menggunakan AI untuk mendeteksi pola-pola anomali yang lebih halus.
5. Libatkan Tim: Jangan bekerja sendirian. Libatkan analis data, tim IT, dan manajer proses untuk mendapatkan hasil yang maksimal.

Humor vs Teknologi

Deteksi anomali memang serius, tapi bukan berarti harus membosankan. Dengan pendekatan yang santai (dan sedikit humor), kita bisa melihat bahwa teknologi ini nggak hanya berguna, tapi juga menarik untuk dipelajari. Lagipula, siapa sih yang nggak mau jadi pahlawan di kantor dengan mendeteksi masalah sebelum jadi besar?

Jadi, kalau kamu merasa proses di tempat kerja mulai terasa seperti pesta ulang tahun yang berantakan, mungkin saatnya mencoba process mining. Siapa tahu, kamu bisa menyelamatkan hari dan jadi idola tim.

Referensi:

Vitale, F., Pegoraro, M., van der Aalst, W. M., & Mazzocca, N. (2025). Control-flow anomaly detection by process mining-based feature extraction and dimensionality reduction. Knowledge-Based Systems, 112970.