 |
| Ilustrasi predictive maintenance |
Sebagai salah satu aplikasi Artificial Intelligence, predictive maintenance kian banyak diaplikasikan di lingkungan industri di Indonesia. Apa manfaatnya bagi bisnis? Bagaimana hal itu bisa diterapkan dengan cepat, simpel, dan terpercaya?
Penerapan Artificial Intelligence (AI) dan Internet of Things (IoT) telah merambah ke banyak sektor, di antaranya sektor manufaktur. Dan salah satu use case di mana keduanya applicable secara harmonis di sektor ini adalah predictive maintenance.
Prinsip umum dalam pemeliharaan (maintenance) adalah mendeteksi masalah sebelum kejadian sehingga dapat mencegah terjadinya hal-hal yang tidak diinginkan. Namun dalam hal pemeliharaan ini, para pelaku di industri manufaktur juga menghadapi dilema dalam hal frekuensi pemeliharaan.
“Dilemanya ada dua, yaitu kita melakukan maintenance terlalu sering atau terlalu jarang,” jelas Christian Suryanto, Technical Expert, IBM Indonesia di hadapan peserta InfoKomputer Tech Gathering beberapa waktu lalu.
Frekuensi pemeliharaan yang tepat ini menjadi penting karena dapat berujung pada cost atau biaya. Frekuensi yang terlalu sering dapat menyebabkan ongkos maintenance meningkat, padahal belum tentu dibutuhkan. Sedangkan pemeliharaan yang jarang dilakuan dapat berujung pada biaya kehilangan, kerusakan, dan asuransi.
Oleh karena itu, pertanyaan berikutnya tentunya adalah bagaimana menentukan frekuensi pemeliharaan yang tepat. Di sinilah Artificial Intelligence dan Internet of Things bekerja sama untuk menjawab tantangan ini, melalui Predictive Maintenance.
“Cost ini menjadi poin dari faktor utama dalam predictive maintenance yaitu mengurangi biaya,” ujar Christian. Berdasarkan survei yang dilakukan oleh IBM, pemanfaatan predictive maintenance dapat memangkas hingga 40% dari biaya total pemeliharaan.
Namun tentu saja ada manfaat lain dari predictive maintenance selain biaya. Pemeliharaan prediktif ini juga dapat bersumbangsih pada keselamatan pekerja, baik dari sisi engineer yang melakukan pemeliharaan itu sendiri maupun dari sisi pekerja yang mengoperasikan mesin atau alat yang dipelihara.
Manfaat lain dari predictive maintenance adalah menanggulangi worker shortage. Saat tidak banyak sumber daya manusia yang bisa melakukan pemeliharaan mesin atau alat di lapangan, predictive maintenance yang berbasis AI ini dapat membantu memberdayakan SDM secara lebih efisien.
Dan manfaat lain yang pasti diharapkan dari predictive maintenance adalah mengatasi downtime dan menjaga uptime.
Perhatikan 4D
Kemudian Christian Suryanto memaparkan empat hal, yang disebutnya sebagai 4D, yang dibutuhkan dalam predictive maintenance. Pertama adalah Data sebagai elemen dasar dalam mengaplikasikan AI.
Kedua adalah Deployment. Model AI yang dibuat seharusnya bisa di-deploy di mana saja. “Karena vendor lock-in is a nightmare. Kita ingin sebebas bebasnya menerapkan teknologi yang kita miliki saat ini. Kalau deploymentnya tidak fleksibel, akan sulit bagi kita untuk mengintegrasikan model AI itu dengan mesin yang sudah ada, terutama dengan legacy system atau mesin-mesin lama yang belum mempunyai sensor IoT,” papar Christian.
Ketiga adalah Detection, deteksi terhadap pola-pola (pattern) yang tersembunyi. Pasalnya, manusia akan kesulitan melakukan deteksi pola secara manual apabila volume datanya sangat besar atau datanya sangat kompleks. “AI bisa melakukan deteksi, bisa melihat pattern yang tersembunyi sehingga kita bisa mendapatkan insight yang lebih banyak,” imbuh Christian. Terakhir adalah Depth, yaitu kedalaman eksplorasi AI terhadap data-data yang ada.
Bisa Manual, Tapi...
Kemudian Christian Suryanto juga memaparkan tahap-tahap dalam predictive maintenance: data collection/data procurement, data preparation, feature engineering, model training, prediction, dan deployment.
Christian menuturkan bahwa adalah mungkin untuk membangun model AI untuk predictive maintenance ini secara manual, jika kita memang belum mempunyai platformnya. “Tapi kita akan membutuhkan komputasi yang luar biasa dan tim yang luar biasa juga untuk mengerti hal itu, dan mentranslasikan apapun yang ada di real case menjadi mathematical case dan kemudian ditranslasi kembali balik ke real case. Sekali lagi, ini bisa dilakukan secara manual tapi perhitungannya akan intens,” jelas Christian.
Dan proses predictive maintenance ini juga tidak bisa dilakukan hanya sekali, Proses ini harus dilakukan secara terus menerus. “Proses ini akan berulang-ulang karena kita akan terus memperbarui model tersebut,” jelas Christian. Proses yang berulang-ulang ini bertujuan menghasilkan insight yang lebih baik.
H2O Sederhanakan Predictive Maintenance
Membantu perusahaan menyederhanakan predictive maintenance, IBM menawarkan solusi H20 Driverless AI. “H2O Driverless AI adalah suatu platform, automated machine learning platform, AI to do AI. simplifying the process, untuk data expert bahkan sampai ke non data scientist,” jelas Christian. H2O yang dapat berjalan di mesin IBM Power ini akan melakukan proses predictive maintenance mulai dari data preparation sampai ke prediction dan deployment.
“Misalnya kita punya sensor untuk mendeteksi air pressure pada truk, setelah itu data-data dari sensor tersebut dari multiple truck kita gabungkan dalam satu file dan kita masukkan ke H2O Driverless AI, nanti hasil yang keluar adalah global, apakah truk butuh maintenance atau tidak. As simple as that,” tegas Christian.
Salah satu fitur yang digarisbawahi oleh Christian adalah explain ability. Menurut Christian, salah satu hal yang paling utama dari model AI adalah kepercayaan atau trust.
“Oke, AI menjadi salah satu yang penting. Model juga menjadi salah satu yang penting. Tapi apakah benar kita bisa percaya model tersebut? Ujung-ujungnya ini hanya akan jadi blackbox kalau kita nggak tau dia mengambil kesimpulan dari mana. Seakan-akan dia bilang A kita terima A, dia bilang B kita terima B. Kita harus punya background juga kenapa sistem mengambil pilihan A atau B. Mengapa harus dilakukan maintenance, mengapa tidak harus maintenance,” jelasnya.
H2O datang dengan satu fitur di mana memungkinkan pengguna dapat memperoleh reasoning lima faktor teratas yang menyebabkan sistem mengambil keputusan untuk melakukan pemeliharaan atau tidak.
sumber: https://infokomputer.grid.id/read/122433039/predictive-maintenance-pangkas-biaya-jaga-keselamatan-pekerja
Ayo Ikuti Event Online Bersama APTIKNAS. silahkan Cek di Eventcerdas.com
0 Komentar