Process Discovery untuk Streaming Event Log menggunakan Model Markov Tersembunyi

Abstract

Process discovery adalah teknik penggalian model proses dari rangkaian aktivitas yang tercatat dalam event log. Saat ini, sistem informasi menghasilkan streaming event log dimana Online Heuristic Miner adalah algoritma process discovery yang mampu menghasilkan model proses dari streaming event log. Algoritma Online Heuristic Miner memiliki kelemahan yaitu ketidakmampuan mengatasi incomplete trace. Incomplete trace adalah rangkaian aktivitas pada event log yang terpotong di bagian awal ataupun di bagian akhir. Incomplete trace mengakibatkan proses tidak dapat ditampilkan secara utuh dalam model proses. Algoritma yang memanfaatkan Model Markov Tersembunyi digunakan untuk membentuk model proses yang dapat menangani incomplete trace. Algoritma yang memanfaatkan Model Markov Tersembunyi terdiri atas gabungan dari metode pembentukan model proses serta metode yang dimodifikasi. Metode yang dimodifikasi adalah metode Baum- Welch, Backward serta Viterbi. Metode Backward dan Viterbi yang dimodifikasi digunakan untuk memperbaiki incomplete trace sedangkan metode Baum-Welch yang dimodifikasi dan metode pembentukan model proses digunakan untuk membangun model proses dari Model Markov Tersembunyi. Hasil uji coba menunjukkan bahwa dengan adanya perbaikan incomplete trace, nilai kualitas dari sisi fitness, presisi, generalisasi, dan simplicity model proses dari algoritma yang memanfaatkan Model Markov Tersembunyi lebih tinggi dibandingkan model proses dari algoritma Online Heuristic Miner.