COVID-19 Mempercepat Evolusi Akuisisi Data & Analitik
Strategi akuisisi data berkembang di era COVID-19, didorong oleh kebutuhan yang meningkat untuk visualisasi data jarak jauh dan keputusan berbasis data secara real-time. Antarmuka manusia-mesin (HMI) dan sistem pengawasan, kontrol, dan akuisisi data (SCADA) semakin penting untuk mencapai transformasi digital karena mereka dapat melakukan analitik di perangkat tepi, menyediakan kelincahan dan ketahanan yang fundamental untuk keberhasilan.
Menghubungkan Sensor Baru dan Lama
Instrumen tradisional dan sensor Internet of Things (IoT) yang lebih baru yang dipasang pada peralatan lapangan berada dalam jarak dekat dengan perangkat tepi, yang kemudian dapat menangkap sejumlah besar data yang dihasilkan seperti tekanan pompa atau kondisi operasi mesin. International Data Corporation (IDC) memperkirakan 79,4 zettabyte data akan diciptakan oleh IoT sendiri pada tahun 2025, tetapi semua data mentah ini tidak akan menghasilkan wawasan. Sebaliknya, nilai hanya akan diciptakan dengan mendapatkan dan menerapkan informasi, pengetahuan, dan wawasan yang diperoleh dari menganalisis data mentah, memberdayakan pengguna akhir untuk meningkatkan proses.
Solusi sensor cerdas tersedia saat ini untuk mengompresi, menyaring, atau mengonversi sinyal real-time ke dalam format yang diinginkan untuk analisis; namun, ada banyak perangkat lama yang sudah beroperasi dengan protokol proprietary yang juga perlu diikutkan untuk transformasi berbasis data yang lengkap. Karena instalasi perangkat lunak HMI/SCADA sudah berada di dekat tepi, alami dan nyaman untuk menggunakan perangkat lunak ini baik untuk berkomunikasi dengan perangkat lama maupun untuk berkolaborasi dengan sensor cerdas guna mendukung pengambilan keputusan berbasis data secara real-time.
Membawa Analitik ke Tepi
Perangkat lunak HMI/SCADA yang mampu melakukan analitik canggih di perangkat tepi akan memainkan peran penting dalam kontrol, visualisasi, dan formulasi wawasan serta pengetahuan dari data real-time. Karena sudah digunakan untuk visualisasi dan kontrol, perangkat lunak HMI/SCADA saat ini menyediakan pemantauan dan kontrol operasi (Gambar 1).
Selanjutnya, perangkat lunak HMI/SCADA dapat menyediakan konteks penting untuk data real-time guna mendukung pengambilan keputusan berbasis data. Ini juga dapat mendeteksi pola yang diketahui dan menemukan anomali, serta dapat memprediksi dan memperingatkan operator tentang kegagalan yang akan datang jauh sebelum terjadi. Inferensi dan tindakan lokal dapat ditangani di perangkat tepi atau server tepi, sementara data agregat atau pemodelan prediktif dapat dilakukan di cloud. Analitik canggih memperluas kemampuan tradisional HMI/SCADA sehingga pengguna dapat memahami penyebab akar peristiwa dan perilaku serta memprediksi kondisi di masa depan.
Menerapkan aplikasi seluler HMI/SCADA dengan analitik di jaringan tepi menawarkan organisasi tingkat fleksibilitas tambahan untuk mendukung layanan seluler cerdas untuk pekerja jarak jauh. Aplikasi seluler ini dapat memanfaatkan pengumpulan data yang kaya dari perangkat jarak jauh dan membagikannya dengan server tepi untuk agregasi dan analisis lebih lanjut sebelum mengirimkannya ke cloud untuk pemodelan mesin dan analisis lainnya.
Integrasi erat analitik dengan aplikasi HMI/SCADA, yang didefinisikan sebagai analitik tertanam, semakin meningkat karena kebutuhan untuk mentransformasi data menjadi pengetahuan. Allied Market Research memperkirakan pasar analitik tertanam akan berkembang dari $25,13 miliar pada tahun 2016 menjadi $60,28 miliar pada tahun 2023. 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 aplikasi yang sama.
Hasil analitik tertanam termasuk indikator kinerja kunci (KPI), evaluasi statistik, dan peringatan di dekat tempat operator melakukan pekerjaan dan tempat keputusan dibuat. Permintaan untuk mendorong transformasi digital lebih dekat ke tepi di mana data dikumpulkan ada karena tekanan untuk membuat keputusan berbasis data lebih cepat. Dengan kebutuhan untuk mempercepat respons hampir real-time, operator tidak lagi punya waktu untuk kembali ke ruang kontrol untuk analisis.
Pembelajaran Mesin dan Algoritma
Analitik data mengekstrak wawasan yang bermakna dari sumber data real-time dan lainnya. Pembelajaran mesin adalah bentuk analitik yang menggunakan algoritma untuk mengekstrak data, belajar darinya, dan kemudian meramalkan masa depan berdasarkan data historis. Algoritma mengubah kumpulan data menjadi model. Metode pelatihan algoritma — atau pembelajaran — yang optimal tergantung pada jenis masalah yang diselesaikan, sumber daya komputasi yang tersedia, dan sifat data. Dua metode pembelajaran terkemuka adalah supervised dan unsupervised.
Dengan supervised learning, sebuah algoritma disajikan dengan serangkaian input beserta output yang diinginkan (juga disebut label). Tujuannya adalah menemukan aturan yang memungkinkan komputer untuk pada dasarnya memecah hubungan dan mempelajari data input apa yang dipetakan ke output dan bagaimana.
Dengan unsupervised learning, sebuah algoritma disajikan dengan serangkaian input tetapi tidak ada output yang diinginkan (label), yang berarti algoritma harus menemukan struktur dan pola 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 yang muncul dalam bentuk cognitive.
Analitik deskriptif menjawab pertanyaan “Apa yang sedang terjadi?” Berdasarkan data real-time dan masa lalu, ini menghasilkan wawasan tentang bagaimana proses berkinerja dengan memberikan konteks pada data. Berdasarkan data real-time, aplikasi HMI/SCADA yang menggunakan analitik deskriptif menyediakan visualisasi apa yang sedang terjadi, memberitahu alarm untuk operator, dan memberikan detail seperti tanggal/waktu kejadian, nilai yang terkait, dan informasi mesin.
Analitik diagnostik mengembangkan analitik deskriptif untuk menjawab pertanyaan, “Mengapa ini terjadi?” Analitik diagnostik menggunakan statistik untuk menemukan pola dan menawarkan wawasan tentang data real-time. Penggunaan umum meliputi identifikasi anomali dan penyebab akar (Gambar 2).
Analitik prediktif mengembangkan 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 matematika yang dapat digunakan untuk membuat inferensi tentang apa yang akan terjadi di masa depan, memperingatkan operator tentang peristiwa di masa depan yang mempengaruhi produktivitas (Gambar 3). Ada beberapa alat yang digunakan untuk analitik prediktif termasuk:
Deteksi anomali, yang menjawab pertanyaan, “Apakah perilaku anomali?” Ini 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 kategori atau lebih seperti “Apa jenis cacat kualitas yang dimiliki produk ini? Ringan, berat, 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 mengembangkan analitik prediktif untuk menjawab pertanyaan, “Apa yang harus kita lakukan?” Analitik preskriptif menyediakan model untuk memberitahu operator mengenai tindakan yang direkomendasikan. Algoritma optimasi dan simulasi sering digunakan untuk analitik preskriptif. HMI/SCADA yang bekerja dengan analitik preskriptif dapat menentukan beberapa tindakan berbeda yang mungkin dan memandu operator menuju solusi.
Analitik cognitive mengembangkan analitik preskriptif untuk menjawab pertanyaan, “Mengapa saya harus melakukannya?” Analitik cognitive menggunakan teknik algoritma pembelajaran mandiri dan deep learning untuk meniru pemikiran manusia.
Pemahaman Level Selanjutnya
Analitik deskriptif dan diagnostik menggunakan data masa lalu untuk menjelaskan apa yang terjadi dan mengapa itu terjadi, sementara analitik prediktif, preskriptif, dan cognitive menggunakan data historis untuk meramalkan apa yang akan terjadi di masa depan beserta tindakan apa yang harus diambil untuk mempengaruhi hasil tertentu. Dalam banyak kasus, beberapa analitik dan algoritma digunakan secara bersamaan, dengan hasil yang diagregat untuk pengambilan keputusan yang lebih baik.
Perangkat lunak HMI/SCADA yang diterapkan di perangkat tepi dapat menjadi faktor kunci dalam menyediakan analitik untuk mendorong organisasi menuju pengambilan keputusan berbasis data yang lebih baik bahkan dari lokasi jarak jauh, meningkatkan daya saing.
Jika ada linang perak di tengah pandemi COVID-19, itu adalah cara perusahaan belajar untuk menyesuaikan model bisnis dengan pengambilan keputusan berbasis data yang lebih real-time. Dengan menciptakan visibilitas jarak jauh yang lebih besar ke dalam proses yang memanfaatkan orang, peralatan, bahan baku, dan fasilitas, perusahaan menemukan bahwa mereka dapat beroperasi secara lebih optimal dengan memberikan hubungan yang lebih erat 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
- 18 Juni 2019 - Pertumbuhan Perangkat IoT Terkoneksi Diperkirakan Akan Menghasilkan 79,4ZB Data pada Tahun 2025, Menurut Perkiraan Baru IDC.
- 1 Juni 2020 - Pasar Analitik Tertanam Global Akan Mencapai $60,28 Miliar pada Tahun 2023: AMR.
