Apakah perusahaan Anda memiliki banyak data mesin tapi data tersebut hanya tergeletak begitu saja? Bingung bagaimana data-data itu bisa digunakan dengan maksimal? Kini sudah saatnya Anda menggunakan kumpulan data tersebut untuk menyusun actionable insight. Memanfaatkan data yang dapat ditindaklanjuti menawarkan keunggulan kompetitif yang tak ternilai. Predictive maintenance (PdM) adalah salah satu manfaat yang bisa didapatkan dari kumpulan data-data tersebut karena bisa membantu mengurangi downtime dan pemborosan, yang berdampak pada efisiensi perusahaan yang lebih besar.
Tapi pada praktiknya, mengolah data-data ini agar bisa menjadi bahan untuk melakukan PdM tidak semudah itu. Tapi jangan pesimis dulu, ada beberapa best practices yang bisa dicontoh untuk membantu Anda memperoleh hasil di awal proses. Sebagai contoh, Anda bisa mulai dari yang kecil, yang sekiranya paling sederhana seperti maintenance oven. Dari proses sederhana seperti maintenance oven tersebut, Anda bisa mempelajari prosesnya secara berulang pada kumpulan data yang fokus pada satu use case. Dengan cara ini, Anda dan para stakeholder bisa memperoleh gambaran tentang langkah-langkah yang diperlukan sebelum menjalankan proyek PdM yang lebih kompleks.
Jika perusahaan Anda adalah salah satu yang baru ingin memulai pilot project PdM, ada baiknya Anda menyimak enam tips berikut.
1. Tentukan kasus yang akan dijadikan pilot project
Seperti yang sudah disebutkan di atas, start small, mulai dari satu kasus sebagai pilot project. Tujuan dari adanya pilot project PdM adalah untuk menunjukkan bahwa Anda memiliki kumpulan data yang memiliki kemungkinan besar untuk memberikan actionable insight yang dapat menghasilkan output bisnis. Jika tidak begitu, Anda akan terus berada di fase RnD tanpa implementasi. Bagaimana caranya menentukan apakah Anda memiliki kumpulan data yang dapat digunakan dalam pilot project?
Apakah ada cukup data, baik secara historis maupun saat ini yang sedang dikumpulkan, untuk mengetahui riwayat lengkap mesin tersebut? Poin ini dapat melibatkan kumpulan data dari beberapa mesin yang beroperasi selama beberapa tahun atau kumpulan data dari banyak mesin yang beroperasi selama periode waktu yang lebih singkat.
Bisakah data ini diakses di luar area shop floor? Bisakah Anda mengunggah data historis atau menghubungkan mesin melalui gateway IoT untuk mulai memposting data?
Apakah Anda memiliki sumber data lain yang dapat menambah data ini, seperti file log atau catatan pemeliharaan?
Apakah Anda memiliki ahli yang dapat menjelaskan pola keberhasilan atau kegagalan untuk mesin tertentu?
Apa hasil bisnis yang Anda inginkan? Misalnya, apakah tujuannya untuk meningkatkan margin, mengurangi downtime, atau memberikan penawaran baru kepada pelanggan?
2. Gabungkan dan atur kumpulan data yang relevan
Setelah kasus untuk pilot project ditentukan, langkah selanjutnya adalah menggabungkan data Anda ke tempat yang terpusat. Biasanya ada dua fase untuk proses ini: Fase pertama adalah mengunggah kumpulan data historis untuk mengisi model PdM. Data ini dapat berada di berbagai tempat, dan biasanya memerlukan upaya satu kali untuk mengunggah setiap kumpulan data. Yang kedua adalah menyiapkan sistem untuk mengirim aliran data secara terus menerus. Tergantung pada konektivitas, tahap dapat dilakukan dalam batch atau pembacaan saat terjadi aktivitas.
3. Eksplor data yang ada untuk potensi menggali wawasan
Langkah berikutnya yaitu saatnya mulai mengeksplorasi pertanyaan apa yang kira-kira dapat dijawab dengan kumpulan data yang sudah ada di tangan Anda. Memiliki orang yang ahli dengan mesin yang akan digunakan sebagai pilot project sangat penting di sini, karena tidak ada orang lain yang akan mengetahui perilaku mesin dengan lebih baik. Bekerjalah dengan mereka untuk menetapkan pola apa yang dapat diwakili oleh data yang bersangkutan, dan tentukan masalah apa yang sebenarnya dihadapi oleh mereka yang bisa dipecahkan dengan adanya PdM.
4. Kembangkan model machine learning
Di tahap ini, Anda bisa mulai mengembangkan model machine learning (ML) untuk PdM Anda. Selalu uji model yang ada dan ulangi proses ini agar model ML Anda bisa mengakomodir skenario lain sebanyak mungkin.
5. Terapkan model ML ke sekelompok mesin
Lakukan validasi keberhasilan model machine learning Anda dengan menerapkannya ke sekelompok mesin. Bergantung pada apa yang ingin Anda buktikan, ini dapat melibatkan beberapa model yang berjalan di beberapa grup, atau model yang sama berjalan di satu grup. Tidak peduli seperti apa proses penerapannya, sangat penting untuk memiliki hasil yang terukur.
Selain itu, perlu diingat bahwa tujuan membangun pilot project ini tidak hanya untuk menghasilkan model ML yang dapat diterapkan. Sebaliknya, proyek ini juga harus membantu menyempurnakan proses internal yang diperlukan untuk mengubah konsep atau ide menjadi model aktual. Tentunya di masa yang akan datang perusahaan Anda akan membutuhkan PdM dan model ML untuk penggunaan lainnya.
6. Implementasikan ke dalam proses produksi.
Setelah mengikuti langkah-langkah di atas untuk menyelesaikan pilot project Anda dan mendapatkan metrik keberhasilan untuk model machine learning yang dibuat, saatnya untuk menerapkan model ini ke setiap mesin di perusahaan Anda. Setelah itu Anda akan mulai menerima actionable insight yang dapat secara langsung mempengaruhi tugas sehari-hari dan tujuan jangka panjang perusahaan.
Bergantung pada jumlah data mesin historis yang tersedia dan kompleksitas pertanyaan yang ingin Anda jawab, proses penerapan PdM dapat memakan waktu antara tiga hingga enam bulan, dan dapat diulang sebanyak yang diperlukan. Dengan terus mengajukan pertanyaan yang relevan dan menjelajahi kumpulan data yang tersedia, model ini akan terus berkembang, memungkinkan perusahaan Anda untuk terus membuat keputusan operasional yang cerdas seiring pertumbuhan perusahaan Anda.
Artikel ini menyadur dari tulisan Rohit Gupta di Dataconomy
Comments