Big Data di Industri Otomasi: Manfaat dan Contohnya

Daftar Isi

Kelasteknisi.com | Industri modern menghasilkan data dalam jumlah sangat besar. Sensor temperatur, pressure transmitter, flow meter, vibration sensor, energy meter, PLC, DCS, SCADA, mesin produksi hingga sistem ERP dapat menghasilkan data secara terus-menerus.

Data tersebut sebenarnya sangat berharga. Riwayat temperatur motor dapat membantu mendeteksi perubahan kondisi mesin, data getaran dapat digunakan untuk analisis kesehatan rotating equipment, sedangkan data produksi dapat membantu menemukan bottleneck yang membuat kapasitas produksi menurun.

Di sinilah Big Data dalam otomasi industri mulai berperan. Big Data memungkinkan data dari berbagai sumber dikumpulkan, disimpan, diproses dan dianalisis untuk menghasilkan informasi yang berguna bagi operator, teknisi, engineer hingga manajemen.

Singkatnya: Big Data bukan sekadar menyimpan data dalam jumlah besar. Nilai sebenarnya muncul ketika data tersebut dapat digunakan untuk menemukan pola, mendeteksi anomali, meningkatkan kualitas, mengurangi downtime dan membantu pengambilan keputusan.

Apa Itu Big Data?

Big Data adalah istilah yang digunakan untuk menggambarkan kumpulan data yang ukuran, kecepatan pertumbuhan atau keragamannya membuat pengelolaannya membutuhkan pendekatan dan teknologi data yang sesuai.

Big Data sering dijelaskan menggunakan beberapa karakteristik yang dikenal sebagai V. Tiga karakteristik yang paling umum adalah:

• Volume — jumlah data yang sangat besar.
• Velocity — data dihasilkan dan diproses dengan cepat.
• Variety — data berasal dari berbagai format dan sumber.

Dalam penerapan modern sering pula dibahas Veracity, yaitu kualitas dan keandalan data, serta Value, yaitu nilai yang dapat diperoleh dari data tersebut.

Dalam dunia industri, masalahnya bukan hanya seberapa banyak data yang tersedia. Engineer juga harus mengetahui apakah timestamp-nya benar, sensor terkalibrasi, tag mempunyai konteks yang jelas, data hilang atau tidak, serta apakah informasi dari satu sistem dapat dihubungkan dengan sistem lainnya.

Apa Itu Big Data dalam Otomasi Industri?

Big Data dalam otomasi industri adalah pemanfaatan data dalam jumlah besar dari proses produksi, mesin, sensor, sistem kontrol dan sistem bisnis untuk mendapatkan informasi yang dapat membantu operasi industri.

Sumber datanya dapat berasal dari:

• Sensor temperatur, tekanan, level dan flow.
• Vibration sensor.
• Energy meter dan power meter.
• PLC.
• DCS.
• SCADA.
• Variable Frequency Drive (VFD).
• Motor dan protection relay.
• Robot industri.
• Machine vision.
• Industrial IoT (IIoT).
• Process historian.
• MES.
• CMMS.
• ERP.

Karena sumbernya sangat beragam, tantangan terbesar sering bukan mendapatkan data, tetapi membuat data tersebut terstruktur, mempunyai konteks, dapat dipercaya dan dapat digunakan oleh aplikasi lain.

Bagaimana Aliran Big Data di Pabrik?

Untuk teknisi yang terbiasa dengan PLC dan SCADA, arsitektur sederhananya dapat dibayangkan seperti berikut:

Sensor / Mesin
↓
PLC / DCS
↓
SCADA / Historian / Edge
↓
Data Platform / Cloud
↓
Analytics / AI / Machine Learning
↓
Dashboard / Alarm / Maintenance / Keputusan Operasional

Arsitektur sebenarnya bisa jauh lebih kompleks. Sebagian data mungkin tetap berada di jaringan OT, sebagian diproses pada edge computer, sedangkan data tertentu dikirim ke data center atau cloud.

Pemilihan arsitektur harus mempertimbangkan kebutuhan real-time, bandwidth, keamanan, ketersediaan jaringan, volume data dan kritikalitas proses.

Contoh Sederhana Big Data di Industri

Bayangkan sebuah pabrik mempunyai 100 motor listrik. Setiap motor dipantau menggunakan beberapa parameter seperti:

• Arus.
• Tegangan.
• Temperatur bearing.
• Getaran.
• Kecepatan.
• Status running atau stop.
• Alarm dan trip.

Jika parameter tersebut dicatat setiap beberapa detik selama 24 jam, jumlah data akan terus bertambah. Dalam hitungan bulan atau tahun, pabrik dapat mempunyai jutaan bahkan jauh lebih banyak titik data.

Jika data hanya disimpan, manfaatnya terbatas. Tetapi setelah dianalisis, engineer dapat mencari hubungan seperti:

• Apakah getaran meningkat sebelum bearing rusak?
• Apakah temperatur motor naik ketika beban melebihi kondisi tertentu?
• Mesin mana yang paling sering trip?
• Berapa lama rata-rata mesin beroperasi sebelum mengalami gangguan?
• Apakah konsumsi energi meningkat ketika performa mesin menurun?

Inilah contoh sederhana bagaimana data operasional dapat berubah menjadi informasi engineering.

Peran Big Data dalam Industri Otomasi

Big Data mempunyai banyak penerapan dalam sistem otomasi dan manufaktur. Berikut beberapa penggunaan yang paling relevan.

1. Predictive Maintenance

Salah satu penerapan Big Data yang paling menarik adalah predictive maintenance.

Pada preventive maintenance tradisional, perawatan biasanya dilakukan berdasarkan jadwal, misalnya setiap tiga atau enam bulan.

Predictive maintenance mencoba menggunakan kondisi aktual aset untuk membantu memperkirakan kapan performa mulai memburuk atau kapan tindakan pemeliharaan perlu dipertimbangkan.

Data yang dapat digunakan antara lain:

• Vibration.
• Temperatur.
• Arus motor.
• Tekanan.
• Acoustic data.
• Oil analysis.
• Riwayat alarm dan trip.
• Riwayat work order.

Dengan data historis yang cukup dan berkualitas, pola sebelum kegagalan dapat dianalisis sehingga tim maintenance mempunyai informasi tambahan untuk menentukan tindakan.

2. Condition Monitoring

Condition monitoring digunakan untuk memantau kondisi mesin berdasarkan parameter operasinya.

Misalnya temperatur bearing motor biasanya berada di sekitar rentang tertentu. Jika dalam beberapa minggu trennya terus meningkat pada kondisi beban yang relatif sama, teknisi dapat melakukan pemeriksaan sebelum terjadi gangguan yang lebih serius.

Big Data membuat analisis tidak hanya berdasarkan satu pembacaan sesaat, tetapi dapat menggunakan data historis dalam periode panjang.

3. Mendeteksi Anomali

Data analytics dapat digunakan untuk mendeteksi kondisi yang berbeda dari pola operasi normal.

Contohnya sebuah pompa biasanya menarik arus 20–24 A pada kondisi operasi tertentu. Jika arus perlahan berubah sementara parameter proses lainnya relatif sama, sistem dapat menandai kondisi tersebut untuk dianalisis lebih lanjut.

Anomali bukan berarti mesin pasti rusak. Anomali adalah sinyal bahwa terdapat perubahan yang perlu diperiksa.

4. Meningkatkan Kualitas Produk

Data proses dapat dihubungkan dengan hasil quality control.

Misalnya kualitas produk dipengaruhi oleh temperatur, tekanan, kecepatan mesin dan waktu proses. Data historis dapat digunakan untuk mencari kondisi operasi yang berhubungan dengan peningkatan jumlah produk reject.

Engineer kemudian dapat menggunakan informasi tersebut untuk memperbaiki parameter proses atau mencari akar masalah.

5. Mengurangi Downtime

Downtime tidak terencana dapat menyebabkan kerugian produksi yang besar.

Dengan menggabungkan data alarm, event, sensor, maintenance dan operasi, perusahaan dapat menganalisis penyebab downtime dan menemukan mesin yang paling sering menyebabkan penghentian produksi.

Data ini juga dapat digunakan untuk menghitung indikator seperti Mean Time Between Failures (MTBF) dan Mean Time To Repair (MTTR).

6. Optimasi Konsumsi Energi

Big Data juga relevan untuk bidang kelistrikan industri.

Data dari energy meter, power meter dan sistem monitoring dapat digunakan untuk melihat:

• Konsumsi energi setiap mesin.
• Profil beban harian.
• Peak demand.
• Power factor.
• Energi per unit produk.
• Peralatan yang tetap menggunakan energi saat produksi berhenti.

Dengan membandingkan konsumsi energi terhadap volume produksi, perusahaan dapat memperoleh indikator seperti kWh per unit produk untuk membantu mengevaluasi efisiensi.

7. Optimasi Proses Produksi

Data dari seluruh lini dapat membantu menemukan bottleneck.

Contohnya mesin A mampu menghasilkan 100 unit/jam, tetapi mesin B hanya 70 unit/jam. Jika mesin B juga sering berhenti akibat alarm tertentu, data historis dapat membantu engineer menentukan area yang perlu diprioritaskan.

8. Traceability Produk

Pada industri tertentu, perusahaan perlu mengetahui bagaimana sebuah produk dibuat, material apa yang digunakan, mesin mana yang memprosesnya dan parameter proses saat produk tersebut diproduksi.

Data produksi yang terintegrasi dapat meningkatkan traceability sehingga ketika terjadi masalah kualitas, engineer dapat menelusuri batch dan kondisi proses terkait.

Hubungan Big Data dengan PLC, SCADA dan DCS

Big Data tidak menggantikan PLC, SCADA atau DCS. Masing-masing mempunyai fungsi berbeda.

Teknologi	Fungsi Umum
PLC	Menjalankan logika dan kontrol mesin/proses
DCS	Kontrol proses terdistribusi dan monitoring terintegrasi
SCADA	Supervisory monitoring, akuisisi data dan kontrol tingkat pengawasan
Historian	Menyimpan data proses time-series dan event historis
Big Data Platform	Mengintegrasikan dan menganalisis data berskala besar dari berbagai sumber

PLC atau DCS tetap menangani fungsi kontrol yang membutuhkan respons deterministik. Big Data analytics umumnya berada pada lapisan yang berbeda dan digunakan untuk analisis, optimasi serta dukungan keputusan.

Baca juga perbedaan PLC, DCS dan SCADA.

Peran Process Historian dalam Big Data Industri

Dalam otomasi industri, salah satu komponen yang sangat penting adalah process historian.

Historian dirancang untuk menyimpan data proses berdasarkan waktu atau time-series. Misalnya:

• Temperatur setiap detik.
• Tekanan proses.
• Flow rate.
• Status valve.
• Arus motor.
• Kecepatan VFD.
• Alarm.
• Event.

Data historian kemudian dapat digunakan untuk trending, troubleshooting, laporan produksi maupun sebagai salah satu sumber data untuk analytics dan machine learning.

Hubungan Big Data dan Industrial IoT (IIoT)

Industrial Internet of Things (IIoT) memperluas kemampuan pengumpulan data dengan menghubungkan sensor, mesin dan perangkat industri.

Semakin banyak perangkat terhubung, semakin banyak pula data yang dapat dihasilkan. Karena itu IIoT dan Big Data sering digunakan bersama.

IIoT mengumpulkan data → Big Data mengelola data → Analytics/AI mencari pola → Engineer mengambil tindakan

Tetapi tidak semua data harus dikirim ke cloud. Sebagian pemrosesan dapat dilakukan dekat dengan mesin melalui edge computing.

Pelajari konsep dasarnya melalui artikel pengertian Internet of Things (IoT).

Mengapa Edge Computing Penting?

Bayangkan vibration sensor berkecepatan tinggi menghasilkan data dalam jumlah sangat besar. Mengirim seluruh data mentah terus-menerus ke cloud dapat membutuhkan bandwidth tinggi.

Edge computing memungkinkan sebagian pemrosesan dilakukan dekat dengan sumber data.

Contohnya edge device dapat melakukan:

• Filtering data.
• Data aggregation.
• Feature extraction.
• Deteksi anomali lokal.
• Buffering ketika jaringan terputus.
• Mengirim hanya informasi yang diperlukan ke server atau cloud.

Pendekatan ini dapat mengurangi kebutuhan transmisi data dan membantu aplikasi yang membutuhkan respons lebih cepat.

Big Data dan Artificial Intelligence di Industri

Big Data dan Artificial Intelligence (AI) sering dibahas bersama, tetapi keduanya bukan hal yang sama.

Big Data berkaitan dengan pengelolaan dan pemanfaatan data berskala besar, sedangkan AI dan machine learning dapat menggunakan data tersebut untuk membangun model yang melakukan klasifikasi, prediksi, deteksi pola atau fungsi lainnya.

Contohnya, model machine learning dapat dilatih menggunakan data vibration motor yang sudah diberi label kondisi normal dan kondisi gangguan.

Setelah model tervalidasi, sistem dapat membantu mendeteksi pola yang menyerupai kondisi abnormal.

Penting: hasil AI atau machine learning tidak seharusnya langsung digunakan untuk mengubah setelan proteksi, interlock, PLC, drive atau sistem keselamatan tanpa validasi engineering. Pada sistem industri kritis, keputusan harus mempertimbangkan keselamatan, reliabilitas dan prosedur perubahan yang berlaku.

Digital Twin dan Big Data

Teknologi lain yang semakin berkaitan dengan data industri adalah digital twin.

Secara sederhana, digital twin merupakan representasi digital dari aset, proses atau sistem fisik yang menggunakan data untuk membantu memahami kondisi atau perilaku sistem tersebut.

Sebagai contoh, digital twin sebuah mesin dapat menggunakan data:

• Kecepatan.
• Temperatur.
• Getaran.
• Beban.
• Energi.
• Riwayat maintenance.

Model tersebut dapat digunakan untuk simulasi, analisis performa atau evaluasi skenario tanpa harus selalu melakukan pengujian langsung pada mesin fisik.

Cloud Computing dalam Big Data Industri

Cloud menyediakan sumber daya komputasi dan penyimpanan yang dapat digunakan untuk mengelola serta menganalisis data dalam skala besar.

Tetapi arsitektur industri tidak harus memilih antara cloud atau lokal secara mutlak.

Banyak implementasi menggunakan pendekatan hybrid:

Control Layer: PLC / DCS
Supervisory Layer: HMI / SCADA
Data Layer: Historian / Database
Edge Layer: Edge Analytics / Gateway
Enterprise/Cloud: Analytics / AI / Dashboard / Data Lake

Data yang kritis terhadap kontrol dapat tetap diproses secara lokal, sementara analisis jangka panjang atau komputasi yang lebih berat dapat dilakukan pada infrastruktur lain sesuai kebutuhan.

OPC UA dan Interoperabilitas Data Industri

Salah satu tantangan Big Data industri adalah setiap mesin dapat menggunakan vendor, format dan protokol yang berbeda.

Karena itu interoperabilitas menjadi penting.

OPC UA merupakan salah satu teknologi yang banyak digunakan untuk pertukaran informasi pada sistem otomasi. OPC UA bukan hanya menyediakan komunikasi data, tetapi juga mendukung information modeling sehingga data dapat membawa konteks yang lebih jelas.

Sebagai contoh, nilai 75 saja tidak terlalu berguna.

Tetapi jika sistem mengetahui bahwa nilai tersebut adalah:

Equipment: Motor-101
Parameter: Bearing Temperature
Value: 75
Unit: °C
Timestamp: 10:30:15
Status: Valid

data tersebut mempunyai konteks yang jauh lebih berguna untuk analytics.

Tantangan Big Data dalam Otomasi Industri

Implementasi Big Data tidak otomatis membuat sebuah pabrik menjadi smart factory. Ada beberapa tantangan yang harus diselesaikan terlebih dahulu.

1. Kualitas Data

Analitik yang baik membutuhkan data yang baik.

Sensor rusak, timestamp salah, data hilang, kalibrasi buruk atau tag yang tidak mempunyai konteks dapat menghasilkan kesimpulan yang salah.

Prinsip sederhananya:

Bad Data In → Bad Analysis Out

2. Integrasi Sistem Lama

Banyak pabrik masih menggunakan PLC, mesin dan sistem kontrol lama yang dirancang jauh sebelum konsep IIoT dan cloud populer.

Mengintegrasikan sistem tersebut membutuhkan perencanaan agar fungsi kontrol yang sudah stabil tidak terganggu.

3. Cybersecurity

Semakin banyak sistem OT terhubung dengan sistem IT atau layanan lain, semakin penting pula pengelolaan cybersecurity.

Segmentasi jaringan, autentikasi, kontrol akses, patch management, backup, logging dan monitoring keamanan harus menjadi bagian dari desain, bukan ditambahkan setelah sistem selesai.

4. Penyimpanan Data

Tidak semua data perlu disimpan selamanya dengan resolusi penuh.

Engineer perlu menentukan:

• Data apa yang perlu disimpan.
• Berapa lama data disimpan.
• Sampling rate yang dibutuhkan.
• Data mana yang dapat dikompresi.
• Data apa yang harus tersedia secara real-time.

5. Kekurangan Konteks Data

Tag bernama TT101.PV mungkin mudah dipahami oleh engineer yang membuat sistem, tetapi belum tentu jelas bagi data scientist atau engineer lain lima tahun kemudian.

Karena itu metadata, tag naming convention, unit engineering, asset hierarchy dan dokumentasi sangat penting.

6. Kompetensi SDM

Implementasi Big Data industri membutuhkan kolaborasi antara beberapa bidang:

• Teknisi instrumentasi.
• Automation engineer.
• Electrical engineer.
• IT engineer.
• OT cybersecurity.
• Data engineer.
• Data analyst.
• Data scientist.
• Process engineer.

Data scientist mungkin memahami model machine learning, tetapi teknisi dan process engineer memahami bagaimana mesin sebenarnya bekerja. Keduanya dibutuhkan agar hasil analisis tidak hanya bagus di komputer tetapi juga masuk akal di lapangan.

Big Data Tidak Selalu Berarti Cloud

Ada anggapan bahwa semua implementasi Big Data harus memindahkan seluruh data pabrik ke cloud. Ini tidak selalu benar.

Data dapat diproses menggunakan:

• On-premise server.
• Process historian.
• Edge computer.
• Private cloud.
• Public cloud.
• Hybrid architecture.

Pilihan terbaik bergantung pada kebutuhan aplikasi, keamanan, latency, volume data, regulasi dan biaya.

Contoh Implementasi Big Data pada Motor Listrik

Sebagai contoh praktis, kita mempunyai motor induksi yang menggerakkan pompa.

Sistem mengumpulkan data:

• Arus motor.
• Temperatur bearing.
• Vibration RMS.
• Kecepatan motor.
• Flow pompa.
• Tekanan discharge.
• Status trip.

Data tersebut disimpan selama satu tahun.

Ketika bearing pernah mengalami kegagalan, engineer dapat melihat data beberapa minggu sebelum kejadian. Misalnya ditemukan pola temperatur dan getaran yang meningkat sebelum mesin akhirnya trip.

Pola tersebut kemudian dapat digunakan sebagai dasar pengembangan condition monitoring atau model prediksi.

Di sinilah nilai Big Data muncul: bukan karena kita mempunyai jutaan data, tetapi karena data historis membantu engineer menemukan pola yang sebelumnya sulit terlihat.

Masa Depan Big Data dalam Otomasi Industri

Perkembangan Big Data di industri semakin berkaitan dengan AI, machine learning, IIoT, edge computing, digital twin dan sistem manufaktur cerdas.

Beberapa arah yang semakin penting adalah:

1. Analytics Semakin Dekat ke Mesin

Sebagian analisis akan semakin banyak dilakukan pada edge device sehingga tidak seluruh data mentah harus dikirim ke server pusat.

2. Predictive Maintenance Semakin Matang

Kombinasi sensor, data historis dan model analitik memungkinkan condition monitoring berkembang dari alarm berbasis batas sederhana menuju analisis pola yang lebih kompleks.

3. Digital Twin Semakin Terintegrasi

Data aktual dari mesin dapat digunakan untuk memperbarui representasi digital sehingga engineer mempunyai informasi yang lebih baik untuk simulasi dan evaluasi.

4. AI Digunakan untuk Membantu Engineer

AI dapat membantu mengelompokkan alarm, mendeteksi anomali, menganalisis data maintenance, membuat prediksi dan mencari pola pada data dalam jumlah besar.

Namun pada sistem kritis, AI lebih tepat digunakan sebagai alat bantu keputusan daripada langsung menggantikan seluruh fungsi engineering dan proteksi.

5. Data Industri Akan Semakin Terstruktur

Mempunyai data saja tidak cukup. Industri akan semakin membutuhkan semantic data, metadata, asset hierarchy dan information model agar data dari berbagai vendor dapat dipahami secara konsisten.

Apakah Teknisi Otomasi Perlu Belajar Big Data?

Menurut Kelas Teknisi, jawabannya perlu memahami konsep dasarnya, meskipun teknisi tidak harus berubah menjadi data scientist.

Teknisi dan automation engineer sebaiknya memahami:

• Bagaimana data sensor dihasilkan.
• Sampling dan timestamp.
• PLC dan SCADA data logging.
• Process historian.
• Database dasar.
• OPC UA.
• IIoT.
• Edge computing.
• Dasar data analytics.
• Dasar cybersecurity OT.

Pengetahuan tersebut semakin relevan karena pekerjaan otomasi modern tidak berhenti ketika PLC sudah berhasil menjalankan motor. Data dari mesin tersebut juga dapat digunakan untuk maintenance, energi, kualitas, produksi dan pengambilan keputusan.

Kesimpulan

Big Data di industri otomasi bukan hanya tentang menyimpan data sebanyak mungkin. Tujuan utamanya adalah mengubah data dari sensor, mesin, PLC, DCS, SCADA, historian, IIoT dan sistem bisnis menjadi informasi yang dapat digunakan untuk meningkatkan operasi.

Penerapannya dapat digunakan untuk condition monitoring, predictive maintenance, optimasi energi, peningkatan kualitas, analisis downtime, traceability hingga optimasi proses produksi.

Perkembangan AI, machine learning, edge computing dan digital twin membuat data industri semakin bernilai. Namun kualitas data, interoperabilitas, cybersecurity dan pemahaman proses tetap menjadi fondasi utama.

Bagi teknisi dan automation engineer, kemampuan membaca diagram dan melakukan troubleshooting PLC tetap penting. Tetapi di era smart manufacturing, kemampuan memahami data yang dihasilkan mesin akan menjadi keterampilan yang semakin berguna.

Baca juga Internet of Things (IoT): Pengertian dan Cara Kerjanya untuk memahami bagaimana perangkat dan sensor dapat terhubung dalam sistem digital.

FAQ Big Data di Industri Otomasi

Apa itu Big Data dalam industri?

Big Data dalam industri adalah pengelolaan dan analisis data dalam jumlah besar dari mesin, sensor, proses produksi dan sistem bisnis untuk memperoleh informasi yang dapat membantu operasi dan pengambilan keputusan.

Apa hubungan Big Data dengan PLC?

PLC menjalankan logika kontrol dan menghasilkan data proses. Sebagian data tersebut dapat disimpan melalui SCADA, historian atau platform lain untuk kemudian digunakan dalam analisis Big Data.

Apa hubungan Big Data dan IoT?

IoT dan IIoT memungkinkan sensor serta perangkat saling terhubung dan menghasilkan data. Big Data menyediakan pendekatan untuk mengelola serta menganalisis data tersebut dalam skala besar.

Apa contoh Big Data dalam manufaktur?

Contohnya adalah analisis jutaan data temperatur, getaran, arus, tekanan, alarm dan riwayat maintenance untuk mendeteksi perubahan kondisi mesin dan mendukung predictive maintenance.

Apa manfaat Big Data bagi maintenance?

Data historis dapat membantu menemukan pola kerusakan, menganalisis penyebab gangguan, memantau kondisi aset dan membantu menentukan waktu pemeliharaan berdasarkan kondisi aktual mesin.

Apakah Big Data sama dengan Artificial Intelligence?

Tidak. Big Data berhubungan dengan pengelolaan dan analisis kumpulan data besar, sedangkan AI merupakan kelompok teknologi yang dapat menggunakan data untuk melakukan prediksi, klasifikasi, pengenalan pola atau tugas lainnya.

Apakah Big Data harus menggunakan cloud?

Tidak. Big Data industri dapat menggunakan server lokal, historian, edge computing, cloud atau kombinasi beberapa arsitektur tersebut.

Apakah Big Data dapat menggantikan teknisi?

Big Data lebih tepat digunakan untuk memberikan informasi tambahan kepada teknisi dan engineer. Data dapat membantu menemukan pola dan anomali, tetapi diagnosis akhir tetap membutuhkan pemahaman kondisi mesin, proses dan kondisi lapangan.