5.

Process Discovery
Semester Ganjil 2022/2023
FAKULTAS INFORMATIKA

AGENDA

• Alpha miner
• Heuristics miner
• Fuzzy miner
• Inductive miner
FAKULTAS INFORMATIKA

PROCESS DISCOVERY

• Masukan utama untuk tahap ini adalah event log.

Jika memungkinkan, analis juga dapat menggunakan model proses dari analisis sebelumnya atau
berdasarkan referensi dari standar yang berlaku untuk tahap conformance checking dan
enhancement berdasarkan model proses yang dihasilkan pada tahap process discovery.
• Secara umum, process discovery mengolah dan mempelajari pola dalam event
log untuk menghasilkan gambaran keterkaitan antar events dalam bentuk model
proses.
Dengan kata lain, keluaran utama tahap process discovery adalah model proses.
• Model proses dapat digunakan untuk memahami proses, mendukung diskusi
dengan pemilik proses, mendokumentasikan proses, verifikasi sistem/ prosedur,
analisis performansi, serta menghasilkan animasi model proses
FAKULTAS INFORMATIKA

ALPHA MINER (1)

• Algoritma alpha (a) atau alpha miner (van der Aalst, 2004a) adalah salah satu algoritma process
discovery pertama yang dapat menghasilkan Petri net berdasarkan data dalam event log.

• Algoritma a sederhana dan dapat mengatasi konkurensi, tapi tidak dapat mengatasi masalah
dengan noise, pola yang jarang muncul/ tidak lengkap, dan struktur yang kompleks.

• Input awal dari algoritma a adalah event log L yang mengandung aktivitas 𝒜, yaitu, 𝐿 ∈ 𝔹(𝒜 ∗ ).
Kumpulan aktivitas (A, B, … Í 𝒜) terdiri atas aktivitas individual (a, b, .. Î 𝒜). Output dari
algoritma a adalah Petri net yang bertanda.
FAKULTAS INFORMATIKA

ALPHA MINER (2)

• Contoh event log L1: Case id Trace

1 <a, b, d, e, h>
2 <a, d, c, e, g>
3 <a, c, d, e, f, b, d, e, g>
4 <a, d, b, e, h>
5 <a, c, d, e, f, d, c, e, f, c, d, e, h>
6 <a, c, d, e, g>
… …
• Algoritma a menelusuri event log untuk menemukan pola
• 𝑎 >𝐿 𝑏 (directly follow) jika dan hanya jika ada trace 𝜎 =< 1, 𝑡2, 𝑡3, . . . , 𝑡𝑛 > dan 𝑖 ∈ {1, … , 𝑛 − 1} dimana
𝜎 ∈ 𝐿 dan 𝑡𝑖 = 𝑎 dan 𝑡𝑖+1 = 𝑏;
• 𝑎 →𝐿 𝑏 (kausal) jika dan hanya jika 𝑎 >𝐿 𝑏 dan 𝑏 ≯𝐿 𝑎;
• 𝑏||𝐿 𝑎 (paralel) jika dan hanya jika 𝑎 >𝐿 𝑏 dan 𝑏 >𝐿 𝑎; dan
• 𝑎#𝐿 𝑏 (tidak berkaitan) jika dan hanya jika 𝑎 ≯𝐿 𝑏 dan 𝑏 ≯𝐿 𝑎.
FAKULTAS INFORMATIKA

ALPHA MINER (3)

• Pola urutan events:

FAKULTAS INFORMATIKA

ALPHA MINER (4)

• Sebagai contoh, L1 = [<a, b, c, d>3, <a, c, b, d>2, <a, e, d>]. Dari L1 dapat ditemukan relasi:

• >!! = {(a, b), (a, c), (a, e), (b, c), (c, b), (b, d), (c, d), (e, d)}

• →!! = {(a, b), (a, c), (a, e), (b, d), (c, d), (e, d)}

• #!! = {(a, a), (a, d), (b, b), (b, e), (c, c), (c, e), (d, a), (d, d), (e, b), (e, c), (e, e)}

• ||!! = {(b, c), (c, b)}

• Footprint dari L1 dalam bentuk matriks dan Petri net:

FAKULTAS INFORMATIKA

HEURISTICS MINER (1)

• Algoritma heuristics miner (Weijters, van der Aalst and Medeiros, 2006) menggunakan konsep dasar graf
dependensi, menggunakan representasi serupa dengan causal nets dan membangun model dengan
mempertimbangkan frekuensi beserta urutan events.
• Algoritma heuristics miner melakukan process discovery dengan menganalisis dependensi kausal, yaitu jika
sebuah aktivitas selalu diikuti oleh aktivitas lain maka kemungkinan ada relasi dependensi antara kedua
aktivitas tersebut.
• Algoritma heuristics miner menambahkan relasi urutan aktivitas, sebagai berikut:
• 𝑎 >𝐿 𝑏 (directly follow) jika dan hanya jika ada trace 𝜎 =< 1, 𝑡2 , 𝑡3 , . . . , 𝑡𝑛 > dan 𝑖 ∈ {1, … , 𝑛 − 1} dimana 𝜎 ∈ 𝐿 dan 𝑡𝑖 = 𝑎 dan 𝑡𝑖+1 = 𝑏;
• 𝑎 →𝐿 𝑏 (dependency) jika dan hanya jika 𝑎 >𝐿 𝑏 dan 𝑏 ≯𝐿 𝑎;
• 𝑏||𝐿 𝑎 (concurrent) jika dan hanya jika 𝑎 >𝐿 𝑏 dan 𝑏 >𝐿 𝑎; dan
• 𝑎#𝐿 𝑏 (never follow) jika dan hanya jika 𝑎 ≯𝐿 𝑏 dan 𝑏 ≯𝐿 𝑎.
• 𝑎 >>𝐿 𝑏 (short loop) jika dan hanya jika ada trace 𝜎 =< 1, 𝑡2 , 𝑡3 , . . . , 𝑡𝑛 > dan 𝑖 ∈ {1, … , 𝑛 − 2} dimana 𝜎 ∈ 𝐿 dan 𝑡𝑖 = 𝑎 dan 𝑡𝑖+1 = 𝑏 dan
𝑡𝑖+2 = 𝑎;
• 𝑎 >>>𝐿 𝑏 (eventually follow) jika dan hanya jika ada trace 𝜎 =< 1, 𝑡2 , 𝑡3 , . . . , 𝑡𝑛 > dan i < j dan 𝑖, 𝑗 ∈ {1, … , 𝑛} dimana 𝜎 ∈ 𝐿 dan 𝑡𝑖 = 𝑎 dan
𝑡𝑗 = 𝑏;
FAKULTAS INFORMATIKA

HEURISTICS MINER (2)

• Contoh event log L2 yang akan digunakan untuk menjelaskan konsep dasar algoritma heuristics miner.

L2 = [<a, e>5, <a, b, c, e>10, <a, c, b, e>10, <a, b, e>1, <a, c, e>1, <a, d, e>10, <a, d, d, e>2, <a, d, d, d, e>1]

• Jika diasumsikan bahwa tiga traces dengan frekuensi satu adalah noise, maka tersisa 37 traces dari L2.
• Petri net dengan algoritma alpha:
FAKULTAS INFORMATIKA

HEURISTICS MINER (3)

• Heuristics miner mengatasi persoalan ini dengan mempertimbangkan frekuensi. Tabel frekuensi relasi
directly follows: | >𝑳 | a b c d e
a 0 11 11 13 5
b 0 0 10 0 11
c 0 10 0 0 11
d 0 0 0 4 13
e 0 0 0 0 0
• Selanjutnya, dihitung nilai dependensi antara setiap pasang activities, dengan rumus:

𝑎 >; 𝑏 − 𝑏 >; 𝑎
𝑖𝑓 𝑎 ≠ 𝑏
𝑎 >; 𝑏 + 𝑏 >; 𝑎 + 1
𝑎 ⇒; 𝑏 =
𝑎 >; 𝑎
𝑖𝑓 𝑎 = 𝑏
𝑎 >; 𝑎 +1
FAKULTAS INFORMATIKA

HEURISTICS MINER (4)

• Hasil perhitungan nilai relasi dependensi:

• Graf dependensi:
FAKULTAS INFORMATIKA

FUZZY MINER (1)

• Fuzzy miner adalah algoritma process discovery yang berfokus pada kemudahan untuk
mengkonfigurasi tampilan model proses dan memungkinkan simplifikasi dari model tersebut.

• Algoritma ini menerapkan konsep peta jalan, dimana pengguna peta dapat berfokus pada detail
peta yang berbeda, misalnya hanya menampilkan jalan utama, menampilkan jalan utama dan
rumah-rumah makan, menampilkan detail sampai ke gang-gang terkecil, menampikan lokasi-
lokasi wisata di daerah tertentu, mengabaikan detail yang tidak perlu, memberikan penekanan
berupa warna, ukuran, atau kontras, dst.

• Dengan fuzzy miner, analis process mining dapat memilih detail aktivitas dalam proses dengan
frekuensi tertentu, memilih nama-nama aktivitas yang hendak dianalisis, serta memilih dengan
karakteristik lain yang ditentukan.
FAKULTAS INFORMATIKA

FUZZY MINER (2)

• Dua metriks utama yang ditekankan dalam fuzzy miner adalah signifikansi dan korelasi.

• Signifikansi dapat diterapkan pada activities dan relasi antar activities, untuk mengukur tingkat kepentingan relatif.
Salah satu cara mengukur signifikansi adalah dengan frekuensi, yaitu events atau relasi yang sering muncul berarti
lebih signifikan.

• Sedangkan korelasi berkaitan dengan relasi antar events, untuk mengukur seberapa dekat relasi antara dua
events. Dua events yang memiliki korelasi tinggi adalah dua events yang sering muncul bersama dalam dataset.

• Berdasarkan kedua metriks tersebut, proses simplifikasi dalam fuzzy miner dilakukan dengan pendekatan:
- Perilaku dengan signifikansi tinggi dipertahankan/ ditampilkan dalam model proses.

- Perilaku yang kurang signifikan tapi korelasinya tinggi diagregasi, yaitu dibungkus dalam bentuk ringkasan pada model proses.

- Perilaku yang kurang signifikan dan korelasinya rendah diabstraksikan, yaitu dihapus dari model proses.
FAKULTAS INFORMATIKA

FUZZY MINER (3)

• Fuzzy miner menerapkan metode transformasi yang digunakan untuk menyederhanakan model
proses.
• Fase-fasenya meliputi: resolusi konflik, edge filtering, serta agregasi dan abstraksi.
• Fase resolusi konflik mengatasi salah satu dari 3 kemungkinan kondisi, yaitu:
• Length-2-loop, yaitu kondisi dimana dua aktivitas berulang secara berurutan, misalnya A à
B à A à B.
• Eksepsi, yaitu dimana urutan aktivitas pada kondisi riil dapat berbeda karena kondisi
tertentu. Misalnya, secara umum A à B, tapi ada kondisi khusus dimana B à A.
• Konkurensi, yaitu jika dua aktivitas dapat dilaksanakan dalam urutan apapun, maka dalam
log akan terdapat cases dengan urutan berbeda, misalnya A à B dan B à A.
FAKULTAS INFORMATIKA

INDUCTIVE MINER (1)

• Inductive miner (IM) adalah algoritma process discovery yang berbasis pada process trees (Leemans,
Fahland and van der Aalst, 2013).

• Process tree adalah representasi abstrak dari jaringan block-structure. Process tree bersifat hirarkis dan
terdiri atas banyak nodes dengan cabang-cabang anaknya.

• Dalam process tree, sebuah node menggambarkan perilaku cabang2 anaknya. Terdapat enam tipe nodes,
yaitu:
FAKULTAS INFORMATIKA

INDUCTIVE MINER (2)

• Hasil dari model proses dalam IM ditampilkan dalam bentuk IvM (Inductive visual Miner).

• Notasi dalam IvM:

• Sebagai contoh, sebuah process tree yang terdiri atas: sequence(xor(a,b), concurrent(c,d), interleaved(e,f))

dapat digambarkan dalam IvM sebagai berikut:

FAKULTAS INFORMATIKA

Terimakasih