Sabtu, 22 Juli 2023

IoT untuk Transformasi Produksi di Industri

Lean manufacturing (produksi ramping) merupakan praktik produksi dengan memperhitungkan penggunaan sumber daya agar tidak terjadi 3M (muda, muri, dan mura).
  • Muda (無駄): hal yang tidak berguna, kesia-siaan, atau pemborosan.
  • Muri (無理): hal yang tidak mungkin (berlebihan, di luar kapasitas).
  • Mura (斑): hal yang tidak merata/seimbang dan rusak, ketidakseimbangan, atau kerusakan.
Prinsip produksi ramping ini memang berasal dari Jepang sesuai dengan 3M yang ingin dihindari. Salah satu cara untuk "merampingkan" pemakaian sumber daya adalah dengan digitalisasi shop floor (tempat produksi) yang dapat diakses di cloud web pada komputer/mesin. Digitalisasi produksi diperlukan dengan menerapkan sistem cyber-physical dengan IoT (Internet of Things). Sistem cyber-physical (Cyber-Physical System, CPS) ini membawa keuntungan untuk end-to-end, dari hulu ke hilir, pada produksi karena meningkatkan produktivitas dan mengurangi penggunaan sumber daya berlebihan sehingga kinerja produksi meningkat. Sistem cyber-physical untuk produksi ini menjadi disebut Cyber-Physical Production System (CPPS). Pengembangannya perlu dilakukan dengan sistem agile. Agile merupakan pengembangan teknologi, biasanya perangkat lunak, secara iteratif dan intensif mengikuti suatu aturan tertentu sehingga mampu menghasilkan teknologi yang sesuai permintaan, tepat guna, dan berkualitas tinggi.
Beberapa contoh metode agile:
  • Scrum Methodology
  • Scaled Agile Framework (SAFe)
  • Lean Software Development (LSD)
  • Kanban (看板)
  • Extreme Programming (XP)
  • Crystal Methodology
  • Dynamic Systems Development Method (DSDM)
  • Feature Driven Development (FDD)
  • Adaptive Software Development (ASD)
  • Rational Unified Process (RUP)
  • Agile Modelling (AM)
Gambar 1. Tahapan Metode Agile untuk Pengembangan

Untuk pemakaiannya terdapat perangkat keras (hardware) dan perangkat lunak (software) yang harus tersedia. Beberapa contoh hardware dan software untuk teknologi nirkabel dengan IoT di antaranya adalah
  • Hardware:
    • AIR (accoustic impulse response)
    • Barcode
    • PTS (printed sensors)
    • Raspberry Pi
    • Arduino (Uno/Due/Mega/Leonardo/Fio/LilyPad/Nano/Mini/Micro/Ethernet/Esplora/Robot/Diecimila/Zero/Bluetooth/dll.)
    • RFID (radio-frequency identification)
  • Software:
    • Digital twin
    • CoAP (Constrained Application Protocol)
    • MQTT (Message Queuing Telemetry Transport)
    • HTTP (Hypertext Transfer Protocol)
    • Bahasa markah: HTML (Hypertext Markup Language) dan XML (Extensible Markup Language)
    • IDE (integrated development environment).
Gambar 2. Rancangan Hardware dan Evaluasi Teknis

Contoh rancangan hardware ditunjukkan pada Gambar 2. Tempat produksi dipasangi alat sensor sebagai pengganti manusia yang mencatat agar akuisisi data lebih mudah dan langsung (real-time). Adanya sensor membantu untuk menentukan kapan waktu produktif di tempat produksi. Dari pengakuisisi data juga akan ada timbal balik dengan tersedianya data-data aktivitas tersebut di web sesuai tipe data pada pemrograman yang berlaku (bergantung bahasa pemrograman) atau umpan balik fisik (dengan aktuator). Aktivitas produksi, seperti planning, scheduling, dispatching, sorting, sweeping, standardizing, dan controlling dapat dipantau secara otomatis pula, tidak secara manual lagi. Skema kerja pekerja dengan sistem IoT dan cloud, yang terdiri dari operator dan dispatcher, dapat dilihat sebagai berikut (Gambar 3):
Gambar 3. Skema Kerja Dispatcher (Penugas) dan Operator

Skenario kerja dispatcher (penugas):
  1. Melakukan scan/tap operator RFID.
  2. Melakukan penugasan dengan menulis Assignment ID.
  3. Memberikan kartu penugasan kepada operator.
  4. Melakukan pengecekan status scan/tap operator.
  5. Melakukan refresh data Assignment ID.
Skenario kerja operator:
  1. Menyalakan mesin lalu melakukan persiapan.
  2. Melakukan scan/tap (1) kartu penugasan saat mulai operasi.
  3. Melakukan proses setup dan permesinan sesuai penugasan.
  4. Melakukan scan/tap (2) kartu penugasan saat selesai operasi.
  5. Mematikan mesin jika semua operasi telah selesai dikerjakan lalu mengembalikan kartu penugasan kepada dispatcher.

Terbukti bahwa pemantauan dengan digitalisasi ini memiliki keakuratan, ketelitian, dan konsistensi tinggi supaya produktivitas di industri ramping meningkat. Adanya digitalisasi dan otomatisasi dengan sensor dan IoT ini juga membantu pekerja manusia yang memiliki keterbatasan kerja dan tidak melibatkan terlalu banyak orang (pekerja manusia) dalam pemantauan produksi. Selain pada pemantauan proses produksi di shop floor, IoT juga dapat dimanfaatkan untuk preprocessing bahan baku mentah (sortasi, penilaian kelas atau grading, dan penimbangan), untuk pencampuran bahan (mixing) pada produksi, untuk pengepakan (packing) dan pengemasan (packaging), untuk evaluasi performa mesin dengan OEE (overall equipment effectiveness), untuk pelacakan (tracking/tracing) dan keterlacakan (traceability) produk ketika produk dikirim atau mengalami kerusakan (sehingga bisa ditarik kembali), serta untuk prediksi kapabilitas/availabilitas aset produksi agar optimum.
Gambar 4. Skema Proses Manufaktur

Pengembangan sistem IoT untuk pemantauan ini disarankan untuk industri yang besar sementara industri kecil masih opsional untuk memanfaatkan IoT karena skala sumber daya yang dipakai berbeda. Akan lebih berdampak jika IoT dimanfaatkan pada industri yang lebih besar dengan jam terbang lebih lama dan perencanaan yang terperinci. Ini juga bergantung kepada investasi yang bisa dilakukan pada pengembangan IoT industri untuk perusahaan.
Gambar 5. Hasil Brainstorming Integrasi IoT dengan Peningkatan Kualitas Produk di Industri

Sistem IoT industri disebut juga IIoT, Industrial Internet of Things. Pemanfaatan IIoT dapat meminimalkan eror pada proses yang mampu mengarahkan kepada pembuangan produk, pemberhentian lini produksi, penarikan kembali produk per kloter produksi, kerja ulang ekstra, dan kehilangan kepercayaan pada produk/brand dari pelanggan/konsumen. Akan lebih menarik jika IoT dipadukan dengan bidang peningkatan kualitas bahan baku mentah dan kualitas produk jadi, seperti quality control (QC) dan quality assurance (QA). Harapannya, IoT memulihkan transformasi 3P, yaitu people, process, dan product/platform agar makin baik dalam industri.
 
"If the business doesn't perform, there is no today, and if the business doesn't transform, there will be no tomorrow."
(– Kutipan didapat dari PT Paragon Technology and Innovation)

***

Materi didapatkan dari webinar KKSM Lecture Series Sesi 5 "IoT-Based Production Monitoring" yang diadakan Kelompok Keahlian Sistem Manufaktur Teknik Industri ITB dengan pemateri Dr. Ir. Anas Ma'ruf, M.T. (dosen di Teknik dan Manajemen Industri ITB) pada 12 November 2022: 9.00—11.00.

Jumat, 14 Juli 2023

Sistem Intelijensi Pemasaran dengan Kecerdasan Buatan

Kecerdasan buatan (artificial intelligence, AI) merupakan algoritme komputasional yang membuat mesin belajar dari meniru kemampuan manusia. Makin mirip dengan kemampuan manusia, makin canggih AI. Ada beberapa jenis AI yang diketahui: weak AI, dengan kemampuan di bawah kemampuan manusia; strong AI, dengan kemampuan yang sama dengan kemampuan manusia; super AI, dengan kemampuan di atas kemampuan manusia. Tipe-tipe sistem AI dirincikan dalam Gambar 1 dan Gambar 2.
Gambar 1. Tipe-tipe Sistem AI
 
Gambar 2. Macam-macam Machine Learning

Teknologi AI sudah diintegrasikan dalam berbagai bidang pekerjaan, termasuk dalam pemasaran (marketing). Marketing membutuhkan AI untuk mempermudah riset pemasaran demi meningkatkan penjualan kepada pelanggan. AI membantu marketer dengan mempelajari tren yang terjadi saat-saat ini. Contohnya, AI mampu meningkatkan kata kunci untuk optimasi SEO dalam pencarian di mesin pencari. AI yang dapat digunakan minimal adalah analytical AI (baik yang disupervisi, yang tidak disupervisi, maupun yang diperkuat) untuk menambah market intelligence (intelijen pasar) dalam riset pemasaran. Keunggulan yang AI miliki adalah AI analitik mampu melakuan automatisasi karena repetitive learning, AI mampu mengidentifikasi langsung data-data tersembunyi dalam lapisan-lapisan yang tersembunyi pula, AI mampu beradaptasi dengan algoritme-algoritme progresif, dan AI mampu memperoleh akurasi tinggi dengan jaringan saraf tiruan (artificial neural networks).
Gambar 3. Komponen-komponen Sistem AI

AI untuk pemasaran ini didasari oleh integrasi proses, teknologi, dan alat analisis yang diterapkan secara kontinu untuk memantau, mengumpulkan, dan menganalisis data (tidak konvensional dan tidak terstruktur) lalu memproses data secara cerdas sehingga mendapatkan informasi, wawasan, dan pengetahuan untuk keputusan pemasaran yang lebih baik. Ada beberapa komponen dalam sistem AI, di antaranya adalah peniruan memori (memory emulation) dalam menyimpan dan memproses data, pembelajaran mesin (machine learning), reasoning and judgement untuk prediksi, simulasi, dan, optimisasi, serta teknologi antarmuka (interface) dengan speech recognition, natural language processing (NLP) (selengkapnya tentang NLP terdapat pada Gambar 4), pembacaan dengan sensor (sensor reading), dan computer vision. Untuk pembacaan data dan analisisnya sendiri dapat disokong dengan penggunaan statistika deskriptif, statistika inferensial, dan inferensi kausal. Bagaimana AI memproses data, informasi, pengetahuan, dan wawasan untuk membuat keputusan ditunjukkan pada Gambar 5.
Gambar 4. Natural Language Processing untuk AI
 
Gambar 5. Bagaimana AI Analitik Memproses Data

Ada beberapa teknologi yang memungkinkan percepatan pengembangan AI seperti sensor, IoT (Internet of Things), Big Data, teknologi penyimpanan "awan" (cloud), perangkat keras akselerator AI, deep learning, dan sebagainya. Terutama untuk marketing sendiri, AI mampu membuat peramalan (forecasting) dengan mempelajari pola data di masa lalu melalui pembelajaran berulang (repetitive learning) untuk menghadapi fluktuasi/volatilitas harga (price volatility) agar pendapatan dari permintaan pasar dapat diproyeksikan berdasarkan pangsa pasar (market share) perusahaan dan kerugian dapat ditanggulangi. Pemanfaatan AI sebagai intelijen pasar melengkapi kebutuhan akan data dalam pemasaran untuk menganalisis kondisi pasar secara lebih efisien.
 
***

Materi didapatkan dari webinar "AI for Marketing Intelligence" yang diadakan Pusat Artificial Intelligence ITB dengan pemateri Titah Yudhistira, S.T., M.T., Ph.D. (dosen di Teknik dan Manajemen Industri ITB) pada 28 Februari 2023: 13.00—15.00.