Mengubah Big Data menjadi Smart Data:Meningkatkan Wawasan Manufaktur

Produsen kekurangan data dan kekurangan wawasan. Menurut penelitian dari IBM, hanya 28% organisasi “menggunakan data dari peralatan, proses, dan sistem untuk mendapatkan wawasan guna perbaikan proses yang berkelanjutan.” 

Masalahnya? Big data saja jarang memberikan nilai yang berarti tanpa konteks dan niat. Untuk mengoptimalkan operasional saat ini dan tetap kompetitif di pasar yang mengutamakan digital, produsen memerlukan cara untuk mengubah big data menjadi data pintar. Artinya, informasi yang relevan, akurat, dan dapat ditindaklanjuti. 

Teruslah membaca untuk mempelajari lebih lanjut tentang big data dan smart data, serta bagaimana perusahaan dapat menjembatani kesenjangan tersebut. 

Apa yang dimaksud dengan big data di bidang manufaktur?

Big data terdiri dari kumpulan data besar dan kompleks yang dihasilkan di seluruh sistem manufaktur, namun volume saja tidak menjamin peningkatan wawasan atau operasional. 

Sumber big data yang umum mencakup sistem IIoT, perangkat lunak sistem produksi, dan pengontrol logika yang dapat diprogram (PLC), log pemeliharaan, alat kontrol kualitas, dan sistem manajemen pemeliharaan terkomputerisasi (CMMS). 

Big data berfokus pada kuantitas dibandingkan kualitas, sehingga menciptakan tantangan dalam hal kegunaan. Meskipun lebih banyak data dapat membantu perusahaan melihat gambaran besarnya, akan menjadi lebih sulit untuk melihat detailnya. 

Empat karakteristik yang umum untuk big data:

• Volume: Volume mengacu pada jumlah data yang dihasilkan. Banyak perusahaan kini menghasilkan data berukuran terabyte (TB) setiap hari. 

• Kecepatan: Kecepatan mengacu pada kecepatan pembuatan dan pembaruan data. Dengan banyaknya jalur produksi yang berjalan 24/7/365, data tidak pernah berhenti.  

• Variasi: Variasi berbicara tentang variasi. Produsen kini mengumpulkan segalanya mulai dari data material hingga informasi efisiensi kinerja, data sensor IoT yang terhubung, dan hasil kontrol kualitas.  

• Kejujuran: Kebenaran adalah kebenaran: Apakah data akurat dan dapat diandalkan? Big data tidak akan berguna jika sumber datanya tidak dapat dipercaya. 

Apa itu data cerdas?

Data cerdas adalah informasi yang dikurasi, dikontekstualisasikan, dan diarahkan pada tujuan yang dihasilkan melalui analisis big data. Meskipun data besar sering kali dikumpulkan dan disimpan dalam skala besar, data cerdas sengaja dibentuk untuk mendukung pengambilan keputusan yang tepat. 

Tiga karakteristik yang membedakan data pintar dengan data besarnya: 

• Kualitas: Kualitas mengacu pada data yang jelas, ringkas, dan diformat dengan benar.  

• Relevansi: Relevansi mengacu pada ketepatan waktu. Meskipun data historis berperan dalam perencanaan jangka panjang, data yang tepat waktu diperlukan untuk memastikan tindakan yang dilakukan dapat mengatasi kondisi saat ini. 

• Akurasi: Akurasi berbicara presisi. Misalnya, mesin bersuhu tinggi mungkin memerlukan kalibrasi hanya sepersepuluh derajat. Output yang lebih atau kurang mungkin tidak dapat digunakan. Data pintar adalah data yang akurat. 

Tidak yakin apakah Anda memiliki big data atau smart data? Mulailah dengan pertanyaan sederhana:Apakah data hanya disimpan, atau apakah data membantu menjawab pertanyaan bisnis dan operasional?   

Perbedaan utama antara big data dan smart data

Baik data besar maupun data pintar berperan dalam operasi manufaktur. Big data menjadi landasan bagi analisis tren berskala besar dan dapat mendukung penyelarasan dengan ekspektasi dan pedoman peraturan seperti praktik manufaktur yang baik (GMP). Sementara itu, data pintar membantu produsen menemukan masalah, menentukan solusi, dan mengambil tindakan yang ditargetkan. 

Ada empat perbedaan utama antara big data dan smart data:

1. Big data menekankan pada pengumpulan; data pintar menekankan penggunaan. 

2. Big data bersifat umum; data pintar bersifat spesifik. 

3. Big data memprioritaskan konten; data pintar memprioritaskan konteks. 

4. Big data stabil; data pintar itu cepat. 

Mengapa big data saja sering gagal dalam bidang manufaktur

Perusahaan tidak boleh mengabaikan peran big data di sektor manufaktur. 

Secara historis, perusahaan hanya mampu menangkap data tingkat tinggi, seperti total volume output, waktu siklus, atau tingkat pengerjaan ulang. Namun, munculnya sistem dan sensor berskala kecil yang selalu terhubung memungkinkan pengumpulan data oleh mesin dalam skala besar. Saat ini, produsen dapat melacak dan mencatat setiap detail pengoperasian peralatan, mulai dari pengaktifan awal hingga beban kerja standar hingga waktu henti yang tidak terduga. Setiap proses dari aset lini produksi, setiap tindakan dari staf, dan setiap operasi dari perangkat lunak menjadi bagian dari lanskap data besar. 

Tantangannya? Volume data dapat mengarah pada visi terowongan; produsen berasumsi bahwa pengumpulan data saja sudah cukup untuk mendorong wawasan dan tindakan cepat. Namun dalam praktiknya, inisiatif big data sering kali gagal memberikan nilai. Lima penyebab kegagalan yang umum terjadi: 

• Pengumpulan data tanpa tujuan yang jelas

• Kualitas dan konsistensi data yang buruk

• Kurangnya standarisasi di seluruh sistem

• Terbatasnya kemampuan untuk menafsirkan dan mengambil tindakan terhadap data

• Terlalu banyak dasbor, terlalu sedikit wawasan

Bagaimana data cerdas meningkatkan kinerja manufaktur

Data cerdas membantu meningkatkan kinerja manufaktur karena memberikan wawasan yang dapat ditindaklanjuti. Pertimbangkan empat kumpulan besar data terstruktur yang dikumpulkan dari berbagai sumber, termasuk sensor peralatan, pengontrol, laporan pengguna, dan tolok ukur operasional. Wawasan yang dapat digunakan terkandung dalam data, namun hanya terlihat saat data divalidasi, dikurasi, dan dianalisis.  

Proses ini mengubah big data dalam manufaktur menjadi data cerdas, yang menawarkan banyak manfaat dalam hal performa. Yang pertama adalah analisis akar permasalahan yang lebih cepat. Dilengkapi dengan data kontekstual tentang bagaimana, kapan, dan mengapa peralatan rusak, tim dapat mengatasi sumbernya, bukan gejalanya. 

Data pintar juga meningkatkan keandalan dan waktu operasional aset. Dengan menggabungkan data performa saat ini dan historis, tim dapat mengidentifikasi kemungkinan titik kegagalan yang dapat menyebabkan waktu henti yang tidak direncanakan dan mengambil langkah untuk mengatasi masalah ini. Misalnya, jika analisis menunjukkan bahwa aset dengan beban kerja tinggi sering mengalami gangguan listrik, perusahaan dapat menjadwalkan pemeliharaan yang lebih sering untuk menyelesaikan masalah sekaligus mencari akar permasalahannya. 

Manfaat lain dari data pintar mencakup kualitas dan hasil yang lebih baik terkait dengan informasi yang akurat dan terkini tentang tingkat scrap dan pengerjaan ulang, serta perencanaan dan perkiraan beban kerja yang lebih baik berdasarkan kebutuhan operasional dan efisiensi peralatan. 

Terakhir, data cerdas mendorong keselarasan yang lebih kuat antar tim. Hal ini karena data pintar membantu tim pemeliharaan, operator, manajer dan C-suite menggunakan bahasa yang sama, mengurangi risiko pekerjaan yang berlebihan atau hilangnya peluang.

Peran pemeliharaan dan keandalan dalam strategi data cerdas

Data pemeliharaan dan keandalan memainkan peran penting dalam strategi data cerdas. Ini adalah proses timbal balik. Melacak pemeliharaan dan keandalan meningkatkan dampak data cerdas, dan data cerdas membantu mendorong peningkatan berkelanjutan pada proses pemeliharaan dan keandalan. 

Di sini, ada empat manfaat yang umum:

• Riwayat pemeliharaan memberikan konteks kegagalan:  Riwayat pemeliharaan memberikan wawasan yang bermakna untuk membantu mengungkap konteks kegagalan mesin dan dapat mendukung analisis preskriptif. 

• Kondisi aset dapat dikaitkan dengan hasil kinerja:  Kondisi aset sering kali terdiri dari data terstruktur dan tidak terstruktur. Selain keluaran sensor, perusahaan juga dapat memasukkan laporan pengguna yang berisi rekomendasi berdasarkan pengalaman bertahun-tahun. Menggabungkan sumber data ini akan mendorong hasil kinerja yang lebih baik.  

• Data yang dapat ditindaklanjuti mengurangi pemeliharaan reaktif dan risiko waktu henti yang tidak direncanakan:  Pemeliharaan reaktif mahal dan memakan waktu karena tidak akan dimulai hingga terjadi kegagalan. Menggunakan data pintar untuk membuat peta panas, laporan risiko, dan visualisasi data membantu mengidentifikasi potensi penyebab downtime yang tidak direncanakan. 

• Data pintar mendukung  analisis pemeliharaan prediktif :  Analisis prediktif memungkinkan tim pemeliharaan tetap terdepan dalam menghadapi potensi masalah. Mereka juga berperan dalam analisis yang lebih canggih yang memberikan wawasan menyeluruh seputar performa mesin dan potensi peningkatannya.

Data cerdas sebagai fondasi Manufaktur 4.0

Transformasi digital memungkinkan penerapan proses Manufaktur 4.0, yang mengandalkan perangkat dan peralatan yang selalu terhubung dan selalu aktif. 

Sementara itu, data cerdas adalah fondasi transformasi digital.  

Pertimbangkan kecerdasan buatan (AI) dan machine learning (ML). Teknologi ini mendorong terciptanya pabrik cerdas yang menggunakan data terkini dan historis untuk “belajar” dari waktu ke waktu dan meningkatkan operasi. Pelatihan model yang dilakukan oleh algoritma ML dan analisis data yang dilakukan oleh AI memerlukan data yang bersih dan kontekstual. Melepaskan alat ini pada sumber data besar akan membatasi keefektifannya. Memanfaatkan data pintar memperpendek jarak antara pertanyaan dan wawasan. 

Data pintar juga mendukung pemantauan dan pengoptimalan kesehatan mesin secara real-time yang diperlukan oleh Manufacturing 4.0. Di banyak lingkungan manufaktur, waktu henti peralatan yang berkepanjangan akan semakin memakan biaya dan mengganggu. Dengan akses ke data cerdas, tim dapat segera mengambil keputusan yang mendorong peningkatan kinerja. 

Selain itu, penggunaan data cerdas memungkinkan inisiatif digital yang skalabel dan berkelanjutan. Bisnis dapat menentukan di mana uang paling baik dibelanjakan untuk memperluas operasi produksi dan mengidentifikasi cara mengurangi biaya, membatasi emisi, dan mendukung teknologi ramah lingkungan yang baru. 

Ada juga alasan untuk menggunakan teknologi cerdas agar tetap menjadi yang terdepan dalam kurva teknologi. Seiring dengan semakin banyaknya aset baru yang didukung AI dan agen otonom, tim akan mudah tertinggal. Pengelolaan data yang cerdas membantu menentukan area yang perlu ditingkatkan dan menyarankan cara untuk memastikan kesiapan operasional. 

Praktik terbaik untuk membuat data cerdas di bidang manufaktur

Meletakkan dasar data cerdas di bidang manufaktur dimulai dengan lima praktik terbaik: 

1. Tentukan sasaran bisnis dan operasional yang jelas:  Data pintar menawarkan kejelasan, tetapi hanya jika Anda tahu apa yang Anda lihat. Mulailah dengan intelijen bisnis dan tujuan operasional yang jelas. Apakah Anda ingin meningkatkan throughput mesin? Meningkatkan kualitas keluaran? Mengurangi waktu respons pemeliharaan? Memahami tujuan akhir membantu menentukan titik awal. 

2. Standarisasi definisi dan metrik data: Buat metrik dan definisi yang konsisten untuk pemrosesan data. Hal ini berarti menghubungkan titik-titik pada KPI seperti waktu rata-rata untuk memperbaiki (MTTR), waktu rata-rata antara kegagalan (MTBF) dan efektivitas peralatan secara keseluruhan (OEE) untuk memastikan data dapat dioperasikan. 

3. Fokus pada kualitas data dibanding kuantitas: Lebih banyak data tidak berarti data lebih baik. Jika memungkinkan, pilihlah data berkualitas lebih tinggi dibandingkan informasi dengan jumlah lebih banyak. Misalnya saja, pembacaan suhu akurat yang dilakukan setiap 10 menit lebih berharga dibandingkan perkiraan kasar yang dikumpulkan setiap 30 detik. 

4. Integrasikan data di seluruh sistem:  Data yang terisolasi tidaklah pintar. Untuk memaksimalkan wawasan, integrasikan data di seluruh sistem seperti CMMS, pengelolaan aset perusahaan (EAM) dan perencanaan sumber daya perusahaan (ERP). 

5. Bangun kolaborasi lintas fungsi:  Pastikan akses kolaboratif ke data cerdas untuk membantu membangun strategi yang dapat ditindaklanjuti. Ini termasuk operator, staf pemeliharaan, pimpinan produksi, profesional teknologi, dan pemimpin perusahaan. 

Data pintar mengubah informasi menjadi tindakan

Big data menawarkan volume. Data cerdas menawarkan nilai. Keduanya diperlukan untuk operasi manufaktur berbasis data. Big data menyiapkan landasan untuk analisis tren berskala besar dan kepatuhan terhadap peraturan, sementara data cerdas membantu perusahaan meningkatkan kinerja, keandalan, dan pengendalian biaya. 

Ubah informasi menjadi tindakan dengan analisis mendalam. ATS membantu produsen menerapkan data cerdas untuk meningkatkan keandalan, performa, dan pengambilan keputusan. Mari kita bicara. 

Referensi

Institut IBM untuk Nilai Bisnis. (2022). Manufaktur 4.0:Dari data hingga keputusan. IBM. https://www.ibm.com/ thought-leadership/institute-business-value/en-us/report/manufacturing-4-0