06/03/2024

Tugas Minggu Ke-2

Discovering Process Models from Event Data (1)

Mata Kuliah : Penambangan Proses [NIU]

Nama : Devi Sonya Br Sembiring Depari

NIM : 1202228343
Kelas : SI-44-EDE
Discovering Process Models from Event Data (1)
Bandingkan Process Mining dengan beberapa keilmuan berikut:
1. BPM
2. Data Mining
3. Lean Six Sigma
4. BPR
5. Business Intelligence
6. GRC
7. Big Data
8. Automated Business Process Discovery (ABPD)
9. Business Process Intelligence

Jawab :
Process Mining bertujuan untuk meningkatkan proses operasional melalui penggunaan data
peristiwa secara sistematis. Process Mining dapat dipandang sebagai penghubung antara ilmu
data dan ilmu proses. Process Mining mencari konfrontasi antara data peristiwa (yaitu, perilaku
yang diamati) dan model proses (model buatan atau model yang ditemukan secara otomatis), dan
bertujuan untuk mengeksploitasi data peristiwa dengan cara yang tepat, misalnya, untuk
memberikan wawasan, mengidentifikasi hambatan, mengantisipasi masalah, mencatat
pelanggaran kebijakan, merekomendasikan tindakan penanggulangan, dan menyederhanakan
proses.
1. BPM
Business Process Management (BPM) merupakan pendekatan yang menciptakan proses
yang paling dibutuhkan untuk perusahaan tertentu. BPM berfokus pada merancang,
memodelkan, melaksanakan, memantau, dan mengoptimalkan proses agar tetap stabil
dan terkendali. Dengan BPM, perusahaan dapat memastikan bahwa proses mereka
dirancang untuk menjadi efisien dan efektif, dan membantu menjadikan organisasi lebih
hemat pada biaya. Jika dibandingkan dengan Process Mining, maka BPM dan Process
Mining sama-sama penting dalam mencapai otomatisasi proses yang lengkap. Process
Mining dapat menjadi langkah BPM yang dilakukan saat perancangan dan pemodelan
proses ideal perusahaan sehingga seluruh siklus hidup BPM menjadi lebih efisien.
Perbedaan utama dalam Process Mining dan BPM terdapat pada hasil akhirnya: BPM
menyediakan peta proses ideal untuk perusahaan sedangkan Process Mining memberikan
proses aktual dan real-time perusahaan pada setiap tahap dengan berusaha untuk
mengotomatisasi dan mengoptimalkan.

2. Data Mining
 Data Mining adalah proses menemukan pola, model, dan jenis pengetahuan menarik
lainnya dalam kumpulan data besar. Data Mining merupakan sebuah proses penting di
mana metode cerdas diterapkan untuk mengekstrak pola atau membangun model
prediktif dari data yang besar dan kompleks. Data Mining secara khusus mencari
hubungan dalam kumpulan data besar untuk mendapatkan wawasan baru. Dengan
menganalisis data statis dari database dan mencoba mengubah koneksi tersembunyi ini
menjadi informasi yang dapat digunakan untuk berbagai keperluan. Penggunaan Process
Mining dan Data Mining masing-masing dapat membantu para pemimpin bisnis
mendapatkan keunggulan kompetitif, namun pendekatan ini bekerja secara berbeda.
Process Mining memungkinkan untuk secara otomatis menganalisis proses bisnis
berdasarkan log peristiwa dari sistem perusahaan (ERP, CRM, Manajemen Layanan, dll.)
untuk mengidentifikasi area spesifik untuk melakukan perbaikan pada tingkat operasional.
Process Mining merupakan pendekatan analitis inovatif untuk mendapatkan wawasan
obyektif dan mengungkap masalah tersembunyi. Dimana Data Mining bertujuan untuk
menemukan pola dalam jumlah besar data mentah dan kumpulan data besar untuk
memprediksi hasil masa depan berdasarkan hubungan yang sebelumnya tidak diketahui
dalam data. Process Mining dan Data Mining memiliki persamaan dan perbedaan.
Persamaan antara Process Mining dan Data Mining terletak pada penggunaan kedua
pendekatan tersebut sama-sama berkaitan dengan data dan keduanya merupakan bagian
dari Business Intelligence (BI) yang berguna untuk memberikan informasi yang diperlukan
untuk data yang didukung keputusan bisnis. Perbedaan Process Mining dan Data Mining
adalah Process Mining lebih mementingkan menghasilkan dan menyesuaikan informasi
ke dalam suatu proses, sedangkan Data Mining bergantung pada data yang tersedia
walaupun penggunaannya dapat dilakukan ke dalam konteks yang lebih luas.
Sederhananya Data Mining lebih mementingkan pola itu sendiri, sementara Process
Mining berusaha menjawab alasannya.

3. Lean Six Sigma

Lean Six Sigma adalah kombinasi dari dua metodologi yang berbeda:
• Lean manufacturing: dikembangkan pada 1940-an oleh Toyota, teknik yang
merampingkan proses produksi untuk menghilangkan aktivitas yang tidak
menciptakan nilai.
• Six Sigma: didirikan pada 1980-an oleh Motorola, sebuah metode untuk
mengidentifikasi dan mengurangi "cacat" proses.
Lean Six Sigma membantu memastikan inisiatif perbaikan direncanakan, dilaksanakan,
dan dipantau dengan baik untuk hasil yang berkelanjutan dengan menggunakan
metodologi yang disebut DMAIC (Define, Measure, Analyze, Improve, Control).
Jika dibandingkan dengan Process Mining maka, Lean Six Sigma dan Process Mining
bukanlah metodologi yang bersaing, tetapi yang saling melengkapi. Process Mining
menggunakan data dari sistem transaksional bisnis untuk secara otomatis membuat peta
 proses yang menunjukkan bagaimana organisasi mereka benar-benar berjalan – dan
memberikan rekomendasi untuk peluang nilai yang bersembunyi dalam proses tersebut.
Hal ini memungkinkan perbaikan proses menjadi jauh lebih objektif, terarah, terukur, dan
lepas tangan daripada sebelumnya dan juga lebih cepat dan kurang padat karya daripada
pendekatan berbasis wawancara seperti beberapa Lean Six Sigma atau metode konsultasi
yang lebih tradisional. Perbaikan suatu proyek sangat bergantung pada data, yang kurang
efektif jika dikumpulkan dan diproses secara manual. Dengan kolaborasi Process Mining
dan Lean Six Sigma dalam perbaikan suatu proyek akan menjadi lebih mudah dan lebih
efektif. Dengan menggunakan data real-time, seperti waktu siklus dan waktu tunggu,
maka penentuan masalah, pengukuran dampak, penganalisisan akar penyebab/masalah,
penerapan peningkatan, dan pemantauan hasil dapat dilakukan dengan dengan hasil
maksimal. Process Mining juga dapat dengan mudah diintegrasikan dengan metode Lean
Six Sigma tradisional sehingga pengimplementasian TI tidak akan membutuhkan waktu
yang lama dan solusi yang ditemukan akan lebih cepat dan efektif.

4. BPR
Business Process Re-engineering (BPR) merupakan strategi yang melibatkan perombakan
aktivitas dan proses bisnis untuk meningkatkan ukuran kinerja seperti biaya, kualitas,
layanan, dan kecepatan. Tidak seperti BPM, yang berfokus pada peningkatan bertahap,
BPR sepenuhnya mendesain ulang proses. Beberapa keuntungan utama dari Rekayasa
Ulang Proses Bisnis adalah:
• BPR dapat secara drastis meningkatkan efisiensi bisnis.
• BPR mampu menghasilkan kualitas produk dan layanan yang lebih baik.
• BPR dapat meningkatkan layanan pelanggan dengan membuat proses lebih
responsif terhadap kebutuhan pelanggan.
• Dengan merampingkan proses dan menghilangkan inefisiensi, BPR dapat
menghasilkan penghematan biaya yang signifikan
Untuk perbandingan pada Process Mining dan BPR maka kedua metode ini merupakan
metode yang dapat dikaitkan bersama karena memiliki beberapa persamaan, yaitu
orientasi pada proses bisnis, pemanfaatan pada data operasional aktual, sampai memiliki
tujuan yang sama untuk meningkatkan efisiensi dan mengoptimalkan proses bisnis. Baik
Process Mining ataupun BPR juga dapat memberikan pemahaman yang lebih baik
terhadap bagaimana proses bisnis berjalan walaupun dengan pendekatan dan skala
yang berbeda. Perbedaan antara Process Mining dan BPR yang terutama terletak pada
fokus utama mereka. Process Mining lebih berfokus pada analisis dan pemahaman proses
bisnis yang sedang berjalan dan berorientasi pada identifikasi potensi perbaikan dan
optimasi. Sedangkan fokus utama BPR terletak pada transformasi proses bisnis secara
menyeluruh dan mendalam yang melibatkan perubahan fundamental dalam struktur,
budaya, dan teknologi organisasi. Sifat perubahan yang dihasilkan oleh Process Mining
lebih kepada evolusioner (peningkatan bertahap) dimana sifat perubahan BPR bersifat
 revolusioner (perubahan total). Sifat perubahan tersebut juga dapat mendasari
perbedaan waktu implementasi dari kedua metode itu dimana Process Mining dapat
memberikan wawasan cepat dan memungkinkan perbaikan proses yang lebih cepat
diidentifikasi dan diimplementasikan dibandingkan dengan proses implementasi BPR yang
dapat memakan waktu lama dan melibatkan perubahan yang besar dalam jangka panjang.

5. Business Intelligence
Business Intelligence (BI) adalah seperangkat strategi dan teknik yang digunakan
organisasi untuk mengubah data bisnis menjadi format yang dapat digunakan pemangku
kepentingan untuk mengidentifikasi, mengembangkan, dan menciptakan peluang bisnis
strategis baru. Istilah "Business Intelligence" diciptakan pada tahun 1958 oleh peneliti
IBM, Hans Peter Luhn. Luhn mendefinisikan Business Intelligence: sebagai "Kemampuan
untuk memahami keterkaitan fakta yang disajikan sedemikian rupa untuk mengarahkan
tindakan menuju tujuan yang diinginkan."
BI memiliki banyak potensi kegunaan, antara lain:
• Menganalisis perilaku pelanggan dan mengidentifikasi tren
• Penganggaran dan perencanaan keuangan
• Analisis risiko
• Manajemen Hubungan Pelanggan
• Meningkatkan logistik dan kinerja operasional
BI dan Process Mining memiliki tujuan bersama, yaitu untuk berkontribusi pada kualitas
keputusan yang berbeda di berbagai tingkat organisasi. Tetapi perbedaan yang signifikan
harus dipertimbangkan ketika memutuskan untuk menggunakan penambangan proses
atau Business Intelligence untuk organisasi.
Process Mining adalah teknik yang digunakan untuk menganalisis, memantau, dan
mengoptimalkan proses bisnis berdasarkan data yang ada yang digunakan dalam
organisasi. Process Mining, seperti Data Mining, menggunakan algoritma untuk
menemukan pengetahuan dari kumpulan data. Organisasi dapat menemukan dan
menganalisis proses mereka menggunakan Process Mining, membuat fungsi baru,
memperbaiki inefisiensi dalam proses yang ada, dan membuat keputusan yang lebih
tepat.
Business Intelligence dan Process Mining sering menganalisis proses yang sama untuk
mendapatkan wawasan baru, tetapi tingkat analisis kedua teknologi tersebut berbeda.
Analisis Business Intelligence berada pada level yang lebih tinggi daripada Process Mining
dan lebih mementingkan pemenuhan standar produktivitas dan efisiensi proses atau
kebutuhan dan kepuasan pelanggan.

6. GRC
Governance, Risk Management, Compliance (GRC) mengacu pada kemampuan organisasi
untuk mencapai tujuannya secara efektif dengan mengelola ketidakpastian dan bertindak
 dengan integritas penuh. Tata kelola (Governance) adalah kombinasi budaya, kebijakan,
proses, peraturan, dan institusi yang menentukan struktur di mana organisasi dikelola dan
diarahkan. Manajemen risiko (Risk Management) merupakan proses untuk
mengidentifikasi, mengevaluasi, dan memprioritaskan risiko serta membuat rencana
untuk meminimalkan atau menghilangkan dampak peristiwa negatif. Kepatuhan
(Compliance) mengacu pada tindakan untuk mematuhi, dan menunjukkan kepatuhan
terhadap, hukum dan peraturan eksternal serta kebijakan dan prosedur internal.
Process Mining adalah titik temu antara Data Mining dan manajemen proses bisnis yang
berfokus pada pemahaman proses dan menangkap temuan yang lebih signifikan. Process
Mining berupaya mencari, memantau, dan meningkatkan proses nyata (dibandingkan
proses yang diasumsikan) dengan mengekstraksi pengetahuan dari log peristiwa dari
sistem informasi. Process Mining terdiri dari penemuan proses, pemeriksaan kesesuaian,
dan pengukuran kinerja.
Hubungan antara Process Mining dengan GRC adalah Process Mining dapat menjadi alat
yang berguna untuk menghasilkan lebih banyak pengetahuan tentang proses bisnis
aktual yang membantu dalam menilai risiko dengan lebih baik. Penerapan Process
Mining dalam GRC bertujuan untuk memberikan transparansi dan pemahaman yang
mendalam terhadap proses bisnis organisasi, mengidentifikasi risiko, memantau kinerja
proses secara real-time, memastikan kepatuhan dengan regulasi, meningkatkan efisiensi
operasional, mendukung perbaikan proses, dan memudahkan proses audit. Dengan
analisis data operasional aktual, GRC Process Mining memberdayakan organisasi untuk
mengelola tata kelola, risiko, dan kepatuhan dengan lebih efektif, memberikan wawasan
yang bermanfaat kepada pemangku kepentingan, dan memungkinkan respons yang cepat
terhadap perubahan dalam lingkungan bisnis atau regulasi.

7. Big Data
Istilah Big Data mengacu pada volume besar data yang dapat terstruktur, semi-terstruktur,
dan tidak terstruktur, yang tumbuh secara eksponensial seiring waktu. Karena ukurannya
yang besar, tidak ada sistem atau alat manajemen tradisional yang dapat memprosesnya
secara efisien. Istilah Big Data dapat digambarkan dengan karakteristik sebagai berikut.
• Volume: Mengacu pada ukuran data atau jumlah data.
• Variety: Variasi mengacu pada berbagai jenis data seperti video, gambar, log server
web, dll.
• Velocity: Kecepatan menunjukkan seberapa cepat data tumbuh dalam ukuran dan
data meningkat secara eksponensial pada tingkat yang cepat.
• Veracity: Veracity (kebenaran) berarti ketidakpastian data, seperti media sosial
berarti apakah data tersebut dapat dipercaya atau tidak.
• Value: Mengacu pada nilai pasar data. Apakah layak menghasilkan pendapatan
tinggi dan mampu menarik wawasan dan nilai dari data besar adalah tujuan akhir
organisasi.
 Process Mining dan Big Data memiliki hubungan erat dalam konteks analisis proses
bisnis. Process Mining menggunakan prinsip-prinsip analisis data besar untuk menggali,
menganalisis, dan memodelkan proses bisnis berdasarkan data operasional aktual.
Dengan memanfaatkan volume besar dan beragam jenis data, Process Mining dapat
mengungkap pola, hubungan, dan potensi perbaikan dalam skala yang luas. Kecepatan
pemrosesan data real-time juga memungkinkan pemantauan dinamis terhadap proses
bisnis. Sebaliknya, Big Data memberikan infrastruktur dan kemampuan analisis skala besar
yang mendukung aplikasi Process Mining untuk organisasi dengan berbagai tingkat
kompleksitas dan ukuran. Integrasi keduanya memungkinkan organisasi untuk
mendapatkan wawasan mendalam, meningkatkan efisiensi operasional, dan membuat
keputusan yang lebih baik berdasarkan pemahaman yang holistik tentang proses bisnis
mereka.

8. Automated Business Process Discovery (ABPD)

Automated Business Process Discovery (ABPD) adalah teknologi yang memanfaatkan
Artificial Intelligence (AI) dan algoritma Machine Learning untuk secara otomatis
mengidentifikasi, memetakan, dan menganalisis alur kerja dan proses dalam sistem bisnis
organisasi. ABPD menangkap data dari berbagai sumber, seperti file log dan aktivitas
pengguna, untuk memberikan visualisasi dan wawasan real-time tentang efisiensi dan
efektivitas proses tersebut. Dengan demikian, ABPD memungkinkan organisasi untuk
menentukan area untuk perbaikan, merampingkan operasi, dan meningkatkan
produktivitas secara keseluruhan. Ada beberapa manfaat dalam menggunakan ABPD,
diantaranya adalah: ABPD menghemat waktu dan tenaga karena hanya menggunakan
data yang ada, ABPD dapat mengidentifikasi proses yang tak terlihat yang mungkin
tersembuyi di dalam sistem lain, sampai penghematan sumber daya. APBD juga tetap
melakukan perbaikan yang berkelanjutan dengan tetap memastikan penyesuaian dengan
lingkungan yang berubah.
Dalam konteks ABPD, Process Mining merujuk pada penerapan teknik dan alat analisis
yang secara otomatis mengidentifikasi, merekonstruksi, dan memodelkan proses bisnis
dari data operasional secara langsung. Dalam konteks ABPD, Process Mining mencakup
penggunaan algoritma dan teknik otomatisasi untuk menganalisis log data atau data
transaksional yang dihasilkan oleh sistem-sistem informasi organisasi. Tujuan utamanya
adalah untuk mengungkap secara otomatis alur kerja yang sebenarnya berdasarkan
kegiatan operasional yang tercatat, tanpa memerlukan intervensi manusia. Perbandingan
hubungan antara Process Mining dan ABPD terletak pada fokus keduanya pada
otomatisasi identifikasi, analisis, dan pemodelan proses bisnis dari data operasional.
Process Mining menggunakan teknik otomatisasi, termasuk ABPD, untuk menggali dan
merekonstruksi proses bisnis secara langsung dari log transaksi dan data operasional.
ABPD, sebagai bagian dari pendekatan Process Mining, menyediakan metode otomatis
untuk mengidentifikasi pola dalam data operasional dan membuat model proses bisnis
secara real-time. Keduanya berkolaborasi untuk memberikan pemahaman yang lebih
 akurat, real-time, dan otomatis tentang alur kerja organisasi, memfasilitasi perbaikan
proses, peningkatan efisiensi, dan pengelolaan proses bisnis yang lebih optimal. Dengan
demikian, ABPD menjadi elemen penting dalam rangkaian proses analisis lebih luas yang
disebut Process Mining.

9. Business Process Intelligence

Business Process Intelligence (BPI) merupakan metode yang memungkinkan untuk
mengumpulkan, mengintegrasikan, menganalisis, dan menyajikan data mentah menjadi
informasi bisnis yang berwawasan luas dan dapat ditindaklanjuti untuk meningkatkan dan
mengoptimalkan pengambilan keputusan dan kinerja. Ini adalah cara untuk meningkatkan
proses bisnis menggunakan gambaran besar dan analisis yang mendalam. Process Mining
adalah bagian dari Process Intelligence yang berfokus pada analisis log peristiwa yang
dihasilkan oleh sistem informasi, seperti aplikasi ERP atau CRM. Ada beberapa
perbedaan antara Process Mining dan BPI, beberapa diantaranya adalah:
• Scope: BPI mencakup proses yang lebih luas di seluruh lingkup bisnis, sedangkan
Process Mining berfokus pada proses spesifik yang dicatat dalam log peristiwa.
• Data Resource: BPI menggunakan lebih banyak variasi sumber data, termasuk data
terstruktur dan tidak terstruktur, sedangkan Process Mining bergantung pada log
peristiwa dari sistem informasi.
• Approach: BPI mengambil pendekatan yang lebih holistik terhadap analisis proses,
yang mencakup penemuan proses, pemantauan, pengoptimalan, dan otomatisasi
pada bisnis. Sedangkan Process Mining fokus uatamnya ada pada penemuan dan
analisis proses.
• Capabilities: BPI menawarkan kemampuan yang lebih luas, seperti pemantauan
waktu nyata, otomatisasi alur kerja, dan analitik tingkat lanjut. Dimana Process
Mining lebih terspesialisasi, berkonsentrasi pada analisis log peristiwa untuk
mengungkap inefisiensi dan kemacetan proses.
Kesimpulannya adalah BPI mencakup analisis prediktif dan preskriptif, serta fokus pada
pemantauan kinerja dan pengambilan keputusan yang diinformasikan. Meskipun
keduanya bertujuan untuk meningkatkan efisiensi dan efektivitas proses bisnis, Process
Mining lebih berfokus pada analisis berbasis data operasional langsung, sementara BPI
mencakup analisis yang lebih luas dan melibatkan berbagai sumber data untuk
memberikan pandangan holistik terhadap proses bisnis secara keseluruhan.