Difference between revisions of "Process Mining"
Onnowpurbo (talk | contribs) |
Onnowpurbo (talk | contribs) (→Contoh) |
||
| (14 intermediate revisions by the same user not shown) | |||
| Line 19: | Line 19: | ||
| + | |||
| + | ==Contoh Dataset== | ||
| + | |||
| + | * https://processmining.org/event-data.html#data | ||
| + | * https://figshare.com/articles/dataset/Event_Log_Sampling_Datasets/20354505 | ||
==Platform== | ==Platform== | ||
| Line 25: | Line 30: | ||
* https://fluxicon.com/disco/ | * https://fluxicon.com/disco/ | ||
* https://apromore.com/editions-and-pricing/ | * https://apromore.com/editions-and-pricing/ | ||
| + | * http://rapidprom.org/ | ||
| + | * https://rapidminer.com/ | ||
==Tool== | ==Tool== | ||
| + | |||
| + | ===Open Source=== | ||
* https://promtools.org/ | * https://promtools.org/ | ||
* https://www.processmining.org/ | * https://www.processmining.org/ | ||
* https://github.com/pm4py/pm4py-core | * https://github.com/pm4py/pm4py-core | ||
| − | * | + | * https://pm4py.fit.fraunhofer.de/ |
| + | |||
| + | ===Non Open Source=== | ||
| + | |||
| + | * https://apromore.com/ | ||
| + | * https://documentation.apromore.org/ | ||
==Referensi== | ==Referensi== | ||
| Line 37: | Line 51: | ||
* https://github.com/TheWoops/awesome-processmining | * https://github.com/TheWoops/awesome-processmining | ||
* https://www.xes-standard.org/ | * https://www.xes-standard.org/ | ||
| + | |||
| + | ==Contoh== | ||
| + | |||
| + | * [[Apromore: Docker Install]] | ||
| + | * [[pm4py: install]] | ||
| + | * [[pm4py: pm-heuristic.py]] | ||
| + | * [[pm4py: pm-dfg.py]] | ||
| + | * [[pm4py: pm-bpmn.py]] | ||
| + | * [[pm4py: pd-heuristic.py]] | ||
| + | * [[pm4py: pd-dfg.py]] | ||
| + | * [[pm4py: pd-bpmn.py]] | ||
| + | * [[pm4py: deteksi bottleneck]] | ||
| + | * [[prom: install]] | ||
==Referensi / Buku== | ==Referensi / Buku== | ||
Latest revision as of 11:12, 22 March 2024
Penambangan proses adalah sekumpulan teknik yang menghubungkan bidang ilmu data dan manajemen proses untuk mendukung analisis proses operasional berdasarkan log peristiwa. Tujuan dari penambangan proses adalah untuk mengubah data peristiwa menjadi wawasan dan tindakan. Penambangan proses merupakan bagian integral dari ilmu data, didorong oleh ketersediaan data peristiwa dan keinginan untuk meningkatkan proses. Teknik penambangan proses menggunakan data peristiwa untuk menunjukkan apa yang sebenarnya dilakukan orang, mesin, dan organisasi. Penambangan proses memberikan wawasan baru yang dapat digunakan untuk mengidentifikasi jalur eksekusi yang diambil oleh proses operasional dan mengatasi masalah kinerja dan kepatuhannya.
Penambangan proses dimulai dari data peristiwa. Input untuk penambangan proses adalah log peristiwa. Log peristiwa melihat proses dari sudut tertentu. Setiap peristiwa dalam log harus berisi
- pengidentifikasi unik untuk instance proses tertentu (disebut id kasus),
- aktivitas (deskripsi peristiwa yang sedang terjadi), dan
- stempel waktu.
Mungkin ada atribut peristiwa tambahan yang mengacu pada sumber daya, biaya, dll., tetapi ini bersifat opsional. Dengan sedikit usaha, data tersebut dapat diambil dari sistem informasi yang mendukung proses operasional. Penambangan proses menggunakan data peristiwa ini untuk menjawab berbagai pertanyaan terkait proses.
Ada tiga kelas utama teknik process mining:
- penemuan proses,
- pemeriksaan kesesuaian, dan
- peningkatan proses.
Di masa lalu istilah seperti Workflow Mining dan Automated Business Process Discovery (ABPD) digunakan.
Contoh Dataset
- https://processmining.org/event-data.html#data
- https://figshare.com/articles/dataset/Event_Log_Sampling_Datasets/20354505
Platform
- https://id.celonis.cloud/user/ui/
- https://fluxicon.com/disco/
- https://apromore.com/editions-and-pricing/
- http://rapidprom.org/
- https://rapidminer.com/
Tool
Open Source
- https://promtools.org/
- https://www.processmining.org/
- https://github.com/pm4py/pm4py-core
- https://pm4py.fit.fraunhofer.de/
Non Open Source
Referensi
Contoh
- Apromore: Docker Install
- pm4py: install
- pm4py: pm-heuristic.py
- pm4py: pm-dfg.py
- pm4py: pm-bpmn.py
- pm4py: pd-heuristic.py
- pm4py: pd-dfg.py
- pm4py: pd-bpmn.py
- pm4py: deteksi bottleneck
- prom: install