COVID-19 Mendorong Akuisisi Data &Evolusi Analisis

Strategi akuisisi data berkembang di era COVID-19, didorong oleh peningkatan persyaratan untuk visualisasi data jarak jauh dan keputusan berbasis data real-time. Sistem antarmuka manusia-mesin (HMI) dan kontrol pengawasan dan akuisisi data (SCADA) menjadi semakin penting untuk mencapai transformasi digital karena mereka dapat melakukan analitik pada perangkat edge, memberikan kelincahan dan ketahanan yang mendasar bagi kesuksesan.

Menghubungkan dengan Sensor Baru dan Lama

Instrumen tradisional dan sensor Internet of Things (IoT) yang lebih baru yang dipasang pada peralatan lapangan berada di dekat perangkat edge, yang pada gilirannya dapat menangkap sejumlah besar data yang dihasilkan seperti tekanan pompa atau kondisi pengoperasian alat berat. International Data Corporation (IDC) memperkirakan bahwa 79,4 zettabytes data akan dibuat oleh IoT saja pada tahun 20251 tetapi semua data mentah ini belum tentu menghasilkan wawasan. Sebaliknya, nilai hanya akan tercipta dengan memperoleh dan menerapkan informasi, pengetahuan, dan wawasan yang diperoleh dari menganalisis data mentah, memberdayakan pengguna akhir untuk meningkatkan proses.

Solusi sensor pintar tersedia saat ini untuk mengompresi, memfilter, atau mengubah sinyal waktu nyata ke dalam format yang diinginkan untuk analisis; namun, ada banyak perangkat lama yang sudah beroperasi dengan protokol berpemilik yang juga perlu disertakan untuk transformasi berbasis data yang lengkap. Karena penginstalan perangkat lunak HMI/SCADA sudah dekat, wajar dan nyaman menggunakan perangkat lunak ini untuk berkomunikasi dengan perangkat lama dan berkolaborasi dengan sensor pintar untuk mendukung pengambilan keputusan berbasis data secara real-time.

Membawa Analytics ke Edge

Perangkat lunak HMI/SCADA yang mampu melakukan analitik tingkat lanjut pada perangkat edge akan memainkan peran penting dalam kontrol, visualisasi, dan perumusan wawasan dan pengetahuan dari data waktu nyata. Karena sudah digunakan untuk visualisasi dan kontrol, perangkat lunak HMI/SCADA saat ini menyediakan pemantauan dan kontrol operasi (Gambar 1).

Ke depan, perangkat lunak HMI/SCADA dapat menyediakan konteks penting ke data waktu nyata untuk mendukung pengambilan keputusan berbasis data. Itu juga dapat mendeteksi pola yang diketahui dan menemukan anomali, dan dapat memprediksi dan memperingatkan operator tentang kegagalan yang akan datang jauh sebelumnya. Inferensi dan tindakan lokal dapat ditangani pada perangkat tepi atau server tepi, sementara data agregat atau pemodelan prediktif dapat dilakukan di awan. Analitik tingkat lanjut memperluas kemampuan tradisional HMI/SCADA sehingga pengguna dapat memahami akar penyebab peristiwa dan perilaku serta memprediksi kondisi masa depan.

Menerapkan aplikasi HMI/SCADA seluler dengan analitik di tepi jaringan menawarkan tingkat fleksibilitas tambahan bagi organisasi untuk mendukung layanan seluler cerdas bagi pekerja jarak jauh. Aplikasi seluler ini dapat memanfaatkan pengumpulan data yang kaya dari perangkat jarak jauh dan membagikannya dengan server edge untuk agregasi dan analisis lebih lanjut sebelum mengirimkannya ke cloud untuk pemodelan mesin dan analisis lainnya.

Integrasi yang erat antara analitik dengan aplikasi HMI/SCADA, yang didefinisikan sebagai analitik tertanam, sedang meningkat karena kebutuhan untuk mengubah data menjadi pengetahuan. Allied Market Research memperkirakan pasar untuk analitik tertanam akan berkembang dari $25,13 miliar pada tahun 2016 menjadi $60,28 miliar pada tahun 2023 2. Ketika perangkat lunak HMI/SCADA tradisional ditingkatkan dengan kemampuan analitik tertanam, pengguna mendapatkan pengalaman aplikasi yang lebih baik dengan menggabungkan wawasan dan tindakan ke dalam hal yang sama aplikasi.

Hasil analitik tertanam mencakup indikator kinerja utama (KPI), evaluasi statistik, dan peringatan yang dekat dengan tempat operator melakukan pekerjaan mereka dan tempat pengambilan keputusan. Tuntutan untuk mendorong transformasi digital lebih dekat ke tepi tempat data dikumpulkan ada karena tekanan untuk membuat keputusan berdasarkan data lebih cepat. Dengan kebutuhan untuk mempercepat respons mendekati waktu nyata, operator tidak lagi punya waktu untuk kembali ke ruang kontrol untuk analisis.

Pembelajaran Mesin dan Algoritma

Analisis data mengekstrak wawasan yang bermakna dari sumber data waktu nyata dan lainnya. Pembelajaran mesin adalah bentuk analitik yang menggunakan algoritme untuk mengekstrak data, mempelajarinya, dan kemudian memperkirakan masa depan berdasarkan data historis. Algoritma mengubah kumpulan data menjadi model. Metode pelatihan atau pembelajaran algoritme yang optimal bergantung pada jenis masalah yang dipecahkan, sumber daya komputasi yang tersedia, dan sifat data. Dua metode pembelajaran terkemuka diawasi dan tidak diawasi.

Dengan pembelajaran yang diawasi, suatu algoritma disajikan dengan satu set input bersama dengan output yang diinginkan (juga disebut label). Tujuannya adalah untuk menemukan aturan yang memungkinkan komputer pada dasarnya memecah hubungan dan mempelajari data input apa yang dipetakan ke output dan bagaimana caranya.

Dengan pembelajaran tanpa pengawasan, suatu algoritme disajikan dengan satu set input tetapi tidak ada keluaran (label) yang diinginkan, yang berarti algoritme harus menemukan struktur dan polanya sendiri saat menilai dan mengklasifikasikan ribuan titik data berdasarkan pola yang ditemukan. Ada empat kategori analitik tradisional:deskriptif, diagnostik, prediktif, dan preskriptif, dengan kategori kelima muncul dalam bentuk kognitif.

Analitik deskriptif menjawab pertanyaan “Apa yang terjadi?” Berdasarkan data real-time dan masa lalu, ini mengumpulkan wawasan tentang bagaimana prosesnya berjalan dengan memberikan konteks pada data. Berdasarkan data waktu nyata, aplikasi HMI/SCADA yang menggunakan analitik deskriptif memberikan visualisasi tentang apa yang terjadi, mengumumkan alarm untuk operator, dan memberikan detail seperti tanggal/waktu kejadian, nilai terkait, dan informasi mesin.

Analitik diagnostik dibangun di atas analitik deskriptif untuk menjawab pertanyaan, “Mengapa ini terjadi?” Analitik diagnostik menggunakan statistik untuk menemukan pola dan menawarkan wawasan tentang data waktu nyata. Penggunaan yang umum adalah identifikasi anomali dan akar penyebab (Gambar 2).

Analitik prediktif dibangun di atas analitik diagnostik untuk menjawab pertanyaan, “Apa yang akan terjadi di masa depan dan mengapa?” Analitik prediktif memanfaatkan data historis yang sama dengan dua jenis analitik sebelumnya untuk membangun model matematis yang dapat digunakan untuk membuat kesimpulan tentang apa yang akan terjadi di masa depan, memperingatkan operator tentang peristiwa masa depan yang memengaruhi produktivitas (Gambar 3). Ada beberapa alat yang digunakan untuk analisis prediktif termasuk:

• Deteksi anomali, yang menjawab pertanyaan, “Apakah perilaku itu anomali?” Ia menemukan data yang tidak sesuai dengan pola yang diharapkan.

• Klasifikasi, yang menjawab pertanyaan, “Apakah mesin atau proses ini akan gagal?” Ini mengklasifikasikan data ke dalam kategori biner seperti “Apakah produk ini memiliki cacat? Ya atau Tidak.”

• Klasifikasi multi-kelas mencoba menjawab pertanyaan, “Apakah mesin atau proses ini akan gagal karena alasan X?” Ini mengklasifikasikan data ke dalam salah satu dari tiga atau lebih kategori seperti “Jenis cacat kualitas apa yang dimiliki produk ini? Kecil, besar, atau kritis?”

• Regresi menjawab pertanyaan, “Berapa lama sebelum mesin atau proses ini gagal?” Regresi menggunakan proses statistik untuk memperkirakan hubungan antara variabel dependen dan satu atau lebih variabel independen.

Analitik preskriptif dibangun di atas analitik prediktif untuk menjawab pertanyaan, “Apa yang harus kita lakukan?” Analitik preskriptif menyediakan model untuk menginformasikan operator mengenai tindakan yang direkomendasikan. Algoritma optimasi dan simulasi sering digunakan untuk analisis preskriptif. HMI/SCADA yang bekerja dengan analitik preskriptif dapat menentukan beberapa kemungkinan tindakan yang berbeda dan memandu operator menuju solusi.

Analisis kognitif dibangun di atas analisis preskriptif untuk menjawab pertanyaan, “Mengapa saya harus melakukannya?” Analisis kognitif menggunakan teknik algoritme pembelajaran mandiri dan pembelajaran mendalam untuk meniru cara berpikir manusia.

Pemahaman Tingkat Selanjutnya

Analisis deskriptif dan diagnostik menggunakan data masa lalu untuk menjelaskan apa yang terjadi dan mengapa itu terjadi, sedangkan analisis prediktif, preskriptif, dan kognitif menggunakan data historis untuk memperkirakan apa yang akan terjadi di masa depan bersama dengan tindakan apa yang harus diambil untuk memengaruhi hasil tertentu. Dalam banyak kasus, beberapa analitik dan algoritme digunakan secara bersamaan, dengan hasil yang dikumpulkan untuk pengambilan keputusan yang lebih baik.

Perangkat lunak HMI/SCADA yang diterapkan pada perangkat edge dapat menjadi faktor kunci dalam menyediakan analitik untuk mendorong organisasi menuju pengambilan keputusan berbasis data yang lebih baik bahkan dari lokasi yang jauh, sehingga meningkatkan daya saing.

Jika ada hikmah dari pandemi COVID-19, itu adalah cara perusahaan belajar menyesuaikan model bisnis dengan pengambilan keputusan berbasis data yang lebih real-time. Dengan menciptakan visibilitas yang lebih jauh ke dalam proses yang menggunakan orang, peralatan, bahan baku, dan fasilitas, perusahaan menemukan bahwa mereka dapat berjalan lebih optimal dengan menyediakan ikatan yang lebih dekat dengan pelanggan, karyawan, dan pemasok.

Artikel ini ditulis oleh Bruno Armond Crepaldi, chief technology officer di ADISRA (Austin, TX). Untuk informasi lebih lanjut, kunjungi di sini .

Referensi

1. 18 Juni 2019 - Pertumbuhan Perangkat IoT yang Terhubung Diperkirakan Menghasilkan 79,4ZB Data pada 2025, Menurut Perkiraan IDC Baru.
2. 1 Juni 2020 - Pasar Analisis Tertanam Global Mencapai $60,28 Miliar pada tahun 2023:AMR.