3 BAB III METODOLOGI
4.2 Observasi dan Ekstraksi Data
4.3.2 Konversi Data Event Log
Setelah berhasil mengekstrak data event logdari basis data ERP milik PT. Farmasi, langkah selanjutnya adalah
52
mengkonversikan format data mentah dari ekstensi Microsoft
Excel .xlsx menjadi format mining extra mark-up language
atau .mxml agar dapat dimasukkan kedalam perangkat lunak ProM untuk dapat dihasilkan model prosesnya. Untuk dapat melakukan konversi data ini, digunakan perangkat lunak Disco. Ketika mengimport satu set data, maka Disco akan membaca format data dari setiap kolom atau atribut yang terdapat dalam data. Format akan disesuaikan dengan kebutuhan atribut dari penggalian proses yaitu CaseID, Activity dan Timestamp. Apabila format tidak terbaca maka atribut dapat ditentukan sendiri dengan batuan navigasi yang terdapat pada bagian atas perangkat lunak Disco seperti pada gambar 4.2.
Gambar 4.2 Navigasi Atribut Pada Disco
Gambar 4.3 adalah tampilan data ketika dimasukkan dan siap diproses kedalam Disco.
Gambar 4.3 Hasil Pembacaan Event Log Menggunakan Perangkat Lunak Disco
53 Setelah data berhasil dibaca oleh Disco, maka langkah selanjutnya adalah melakukan pemrosesan model proses bisnis awal dari Disco untuk selanjutnya dikonversikan kedalam ekstensi .mxml. Pada halaman tampilan seperti Gambar 4.3, klik Start Import untuk memulai pemrosesan data dan menghasilkan model proses bisnis. Gambar 4.4 merupakan hasil pemodelan proses produksi Produk A dan Produk B, Gambar 4.5 merupakanhasil pemodelan proses produksi Produk A dan Gambar 4.6 merupakan hasil pemodelan proses produksi Produk B pada PT. Farmasi.
54
Gambar 4.4 Model Proses Produksi Gabungan Produk A dan Produk B Menggunakan Perangkat Lunak Disco
55
56
57 Perangkat lunak Disco juga dapat menyediakan overview secara keseluruhan dari event log yang diproses, Gambar 4.7 merupakan overview dari event log proses bisnis produksi PT. Farmasi secara keseluruhan.
Gambar 4.7 Overview Model Proses Produksi Produk A dan Produk B
Dapat diketahui dari overview tersebut bahwa terdapat 12,786 kejadian yang terjadi dalam event log proses bisnis produksi dari Produk A dan Produk B selama satu tahun. Dalam 12,786 kejadian tersebut, dipetakan kedalam 876case. Terdapat total 20 aktivitas yang terdapat dalam proses bisnis produksi. Diketahui nilai tengah dari durasi setiap case yang adalah 11.7 hari sedangkan rata-rata pengerjaan setiap case nya adalah 22 hari. Hal ini berarti setiap produk obat-obatan yang diproduksi membutuhkan waktu rata-rata sebanyak 22 hari dari awal penimbangan hingga diterima menjadi produk jadi.Overview juga menyebutkan bahwa data event log yang diolah dimulai dari tanggal 1 Januari 2014 berakhir pada 31 Desember 2014.
58
Gambar 4.8 Overview Model Proses Produksi Produk A
Dari overview pada Gambar 4.8 tersebut dapat diketahui bahwa terdapat 9,797 kejadian yang terjadi dalam event log proses bisnis produksi dari Produk A selama satu tahun. Dalam 9,797 kejadian tersebut, dipetakan kedalam 692 case. Terdapat total 16 aktivitas yang terdapat dalam proses bisnis produksi. Diketahui nilai tengah dari durasi setiap case yang adalah 11,3 hari sedangkan rata-rata pengerjaan setiap case nya adalah 11,6 hari. Hal ini berarti setiap produk obat-obatan yang diproduksi membutuhkan waktu rata-rata sebanyak 11,6 hari dari awal penimbangan hingga diterima menjadi produk jadi. Overview juga menyebutkan bahwa data event log yang diolah dimulai dari tanggal 19 Februari 2014 berakhir pada 11 November 2014.
59
Gambar 4.9 Overview Model Proses Produksi Produk B
Gambar 4.9 menerangkan bahwa terdapat 3,357 kejadian yang terjadi dalam event log proses bisnis produksi dari Produk B selama satu tahun. Dalam 3,357 kejadian tersebut, dipetakan kedalam 184 case. Terdapat total 19 aktivitas yang terdapat dalam proses bisnis produksi. Diketahui nilai tengah dari durasi setiap case yang adalah 53,6 hari sedangkan rata-rata pengerjaan setiap case nya adalah 60,9 hari. Hal ini berarti setiap produk obat-obatan yang diproduksi membutuhkan waktu rata-rata sebanyak 60,9 hari dari awal penimbangan hingga diterima menjadi produk jadi. Overview juga menyebutkan bahwa data event log yang diolah dimulai dari tanggal 1 Januari 2014 hingga 31 Desember 2014.
Gambar 4.10 menjabarkan variasi skenario yang terdapat dalam event log proses produksi Produk A dan Produk B secara keseluruhan. Dapat diketahui bahwa dari 876 kasus yang terdapat dalam event log, ada 197 variasi kasus dengan jumlah kasus dalam variasi yang berbeda-beda.
60
Gambar 4.10 Penjabaran Variant Kasus Dalam Event Log
Untuk variasi kasus dalam event log proses produksi Produk A digambarkan pada Gambar 4.11 dibawah ini. Dapat diketahui bahwa dari 692 kasus yang terdapat dalam event log, ada 146 variasi kasus dengan jumlah kasus dalam variasi yang berbeda-beda.
Gambar 4.11 Penjabaran Variant Kasus Dalam Event Log Proses Produksi Produk A
61
Gambar 4.12 Penjabaran Variant Kasus Dalam Event Log Proses Produksi Produk B
Sedangkan pada event log proses produksi Produk B, dapat diketahui seperti yang tertera pada Gambar 4.12, bahwa dari 692 kasus yang terdapat dalam event log, ada 52 variasi kasus dengan jumlah kasus dalam variasi yang berbeda-beda. Jumlah variasi dari masing-masing event log untuk mengetahui besarnya noise yang terdapat dalam event log. Selain itu, urutan skenario dari setiap kasus juga dapat diketahui dari grafik dan tabel yang terdapat pada penjabaran kasus.Dari ketiga event log yang diolah dalam fase strukturisasi dan konversi data ini secara umum dapat diketahui bahwa proses produksi dari Produk A memiliki noise lebih banyak daripada proses produksi Produk B. Hal ini berarti lebih banyak variasi skenario yang dijalankan dalam proses produksi Produk A pada keadaan aktual dibandingkan dengan Produk B.
Setelah data telah berhasil diimport kedalam Disco dan dihasilkan model prosesnya, maka selanjutnya adalah melakukan konversi data dengan fitur export yang terdapat dalam Disco. Untuk melakukan proses konversi, klik tombol
62
dan klik Export MXML File seperti yang tertera pada Gambar 4.13.
63