Penggalian Pola Sekuensial Interval Waktu Fuzzy Pada

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.