Thoriqi Firdaus, S.Pd., M.Pd
Pengembang Platform & Instruktur Utama

Thoriqi Firdaus, S.Pd., M.Pd.

Dosen Universitas Pelita Bangsa

💻 Digital Pedagogy 🤖 AI in Science Education 🌱 STEM-Green Integration 🌍 Socio-scientific Issues
Pertemuan 3 | Mata Kuliah AI

Fondasi Data Industri

Membongkar peran data dari Sensor Mesin, Sistem ERP, hingga Logistik, dan memahami mengapa Data Cleaning adalah kunci dari kecerdasan manufaktur masa depan.

Mulai Pembelajaran

Sebuah mesin menghasilkan 10.000 produk per hari.

AI digunakan untuk memprediksi kapan mesin tersebut akan mengalami kerusakan (predictive maintenance).

Bagaimana AI mengetahui bahwa mesin tersebut akan rusak?

Data Sebagai Bahan Bakar AI

Kualitas sistem AI sangat bergantung pada kualitas data yang digunakan. Perhatikan siklus di bawah ini untuk memahami bagaimana data mentah dari mesin diolah menjadi sebuah prediksi cerdas.

💡 Instruksi: Klik ke-5 titik pada diagram di bawah untuk melihat detail setiap proses aliran data.
📡 1. DATA 🧹 2. INFORMASI 📈 3. POLA 🧠 4. MODEL AI ⚡ 5. PREDIKSI

Dari Mana Data Industri Berasal?

Data industri tidak hanya berasal dari satu tempat. Kenali ekosistem data di dalam sebuah pabrik cerdas dengan mengklik titik-titik pada peta di bawah ini.

📡
💻
📦
🚚
🔍

A. Sensor dan IoT (Internet of Things)

Sebagian besar data mentah di lantai produksi berasal dari sensor yang tertanam langsung pada mesin. Sensor ini berfungsi sebagai indera perasa bagi mesin tersebut. Beberapa parameter yang sering diukur meliputi:

🌡️ Temperatur
⏱️ Tekanan
📳 Getaran
⚙️ Kecepatan
⚡ Arus Listrik
💧 Kelembapan
📍 Posisi
🌊 Flow Rate

Contoh Kasus Sederhana:
Perhatikan tabel pencatatan data sensor pada sebuah mesin motor penggerak setiap 5 menit di bawah ini.

Waktu Temperatur Getaran RPM (Kecepatan)
08:00 72°C 2.1 1.500
08:05 74°C 2.3 1.510
08:10 78°C 3.1 1.520
08:15 85°C 4.8 1.525

🤔 Analisis Mahasiswa

Apakah perubahan data tersebut memberikan informasi tentang kondisi mesin?
(Klik area ini untuk melihat kesimpulan)

Mengenal Jenis Data Manufaktur

Pengelompokan data berdasarkan sumber dan fungsinya dalam sistem industri cerdas.

📊 3.3.1 Data Produksi

Data produksi tidak hanya sekadar laporan hasil kerja. Dalam kacamata AI, data ini berfungsi sebagai metrik utama untuk mengukur efektivitas mesin (OEE) dan mendeteksi inefisiensi pada lantai pabrik.

  • Jumlah Produksi (Fungsi: Mengukur output aktual)
  • Waktu Produksi / Cycle Time (Fungsi: Deteksi bottleneck/keterlambatan)
  • Downtime (Fungsi: Analisis waktu henti mesin)
  • Output Mesin (Fungsi: Mengukur kapasitas individual mesin)
  • Reject / Cacat (Fungsi: Indikator kualitas proses)
  • Target Produksi (Fungsi: Baseline evaluasi AI)
Monitor Dashboard Produksi di Lantai Pabrik
Contoh visualisasi Data Produksi pada Control Room
Contoh Perekaman Data Produksi Harian (Arahkan kursor ke baris tabel)
Tanggal (Date) Kode Mesin (Machine) Jumlah Output Waktu Henti (Downtime)
01/09/2026 M01 950 unit 20 menit
💡 Kondisi Normal: Downtime wajar untuk setup awal.
02/09/2026 M01 920 unit 35 menit
⚠️ Analisis AI: Downtime naik 75%. Output turun. Periksa log maintenance!
Fungsi Data: Dari tabel di atas, AI dapat menyimpulkan bahwa peningkatan downtime sebesar 15 menit pada tanggal 02/09 langsung berdampak pada hilangnya 30 unit output produksi. Data inilah yang digunakan sistem untuk memprediksi kerugian finansial akibat mesin rusak.

3.3.2 Data Sensor (Time-Series)

REC
Temperature
75.4 °C
Vibration
1.2 mm/s
Pressure
30.1 psi
Speed
1500 RPM
Log Data Kontinu Karakteristik: TIME-SERIES
Timestamp (Waktu) Temp (°C) Vibration Pressure RPM
10:00:01.000 75.2 1.1 30.0 1500
10:00:02.000 75.2 1.2 30.1 1500
10:00:03.000 75.3 1.2 30.1 1500
10:00:04.000 75.4 1.2 30.1 1500
Mengapa disebut Time-Series?
Perhatikan kolom Timestamp hijau di atas. Berbeda dengan data produksi yang direkap per hari, data sensor dihasilkan secara kontinu setiap detik (bahkan milidetik). Keempat parameter (Suhu, Getaran, Tekanan, RPM) direkam secara bersamaan dalam satu stempel waktu. Waktu inilah yang menjadi kunci bagi AI untuk melacak tren perubahan fisik mesin sebelum terjadi kerusakan.

💻 3.3.3 Data ERP (Enterprise Resource Planning)

ERP menghasilkan data yang berkaitan dengan proses bisnis dan operasional. Jika sensor merekam kondisi fisik, ERP menyimpan konteks bisnis dari operasional tersebut.

🛒 Pembelian Bahan Baku
📦 Inventory (Stok)
📋 Production Order
🤝 Data Supplier
💰 Komponen Biaya
📈 Data Penjualan
👷 Tenaga Kerja
Layar Dashboard Sistem ERP menampilkan grafik keuangan dan analitik bisnis

Sensor vs ERP: Dua Sisi Koin yang Sama
(Arahkan kursor ke kartu untuk melihat perbedaan sudut pandang)

📡
Data Sensor
"Mesin potong A berhenti beroperasi selama 45 menit."
💻
Data ERP
"Pesanan No. 402 untuk Klien X terlambat, biaya penalti Rp 5 Juta."
📡
Data Sensor
"Suhu reaktor kimia naik 15 derajat di atas batas normal."
💻
Data ERP
"Bahan baku cair batch #89 berpotensi cacat, stok pengganti hanya sisa 20%."
📡
Data Sensor
"Motor konveyor beroperasi 20% lebih cepat dari standar."
💻
Data ERP
"Konsumsi energi harian melonjak, margin keuntungan produk Y turun 2%."
Sederhananya: Sensor memberi tahu apa yang terjadi pada mesin secara fisik, sedangkan ERP memberikan konteks bisnis dan dampak finansialnya. AI di industri modern (Smart Factory) akan menggabungkan kedua data ini untuk mengambil keputusan yang menguntungkan secara operasional maupun finansial.

🚚 3.3.4 Data Logistik & Rantai Pasok

Data ini merekam pergerakan fisik material dari luar pabrik, di dalam pabrik, hingga menjadi produk jadi yang sampai ke tangan konsumen.

📍 Lokasi Barang
🔢 Jumlah Barang
⏱️ Waktu Pengiriman
⏳ Lead Time
🗺️ Rute Distribusi
✅ Status Pengiriman
👇 Klik pada setiap tahapan untuk melihat aliran datanya!
🏭
1. Supplier
📦
2. Warehouse
⚙️
3. Production
🚚
4. Distribution
🏪
5. Customer

Judul

Deskripsi

Data yang Dihasilkan:

Simulasi Analisis Aliran Data Logistik

Geser slider di bawah ini untuk melihat bagaimana inefisiensi di satu titik (misalnya Produksi) mempengaruhi total barang yang sampai ke Pelanggan.

Volume Pemasok Awal 1000 Unit
Tingkat Kualitas Produksi (QC) 90 %
🏭
Supplier
1000
📦
Warehouse
980
⚙️
Production
882
🚚
Distribution
873
🏪
Customer
864
🗑️

Total Reject & Kehilangan

136 Unit

Ini adalah akumulasi dari kerusakan material di gudang (2%), produk cacat produksi, dan kerusakan saat pengiriman (1%). AI bertugas menekan angka merah ini sekecil mungkin.

🔍 3.3.5 Data Quality (Kualitas)

Data ini merekam hasil inspeksi fisik produk. Sistem AI dan Computer Vision menggunakan data ini untuk memisahkan produk cacat (defect) secara otomatis dari ban berjalan.

🚫
Jml Produk Cacat
🔬
Jenis Defect
📊
Inspection Result
⭐
Quality Score
📉
Rejection Rate

Live Inspection Data (Stasiun QC-01)

Standar Toleransi AI:
Weight: 10.0 - 10.5 | Dim: 20.0 - 20.5
Product ID Weight (kg) Dimension (cm) Status (Quality)
P001 10.2 20.1 GOOD
P002 10.4 20.3 GOOD
P003 12.8 23.9 REJECT
P004 10.1 20.2 GOOD
Analisis Mahasiswa: Perhatikan produk P003. Angka berat (12.8) dan dimensi (23.9) jauh melampaui batas toleransi yang ditetapkan. Sensor kamera dan timbangan mengirimkan data ini ke sistem, lalu AI secara seketika (real-time) melabeli produk tersebut sebagai REJECT sebelum produk sempat dikemas.

Ketika Data Tidak "Siap Pakai"

Raw Data ≠ Ready-to-use Data. Algoritma AI sangat sensitif terhadap kesalahan data mentah.

Apakah data sensor di bawah ini sudah siap digunakan oleh AI?
Klik sel yang mencurigakan!
Machine Temperature (°C) Vibration (mm/s) Status
M01 72 2.1 Normal
M02 75 — Normal
M03 300 2.4 Normal
M04 78 Normal
M05 79 2.6 Normal
M06 79 2.6 Normal

Identifikasi Masalah

Deskripsi error akan muncul di sini.

Dampak pada AI: -

Dasar Data Preprocessing

Menjembatani Data Mentah menuju Kecerdasan Buatan

Apa itu Data Preprocessing?
Secara sederhana, Data Preprocessing adalah serangkaian proses untuk mempersiapkan data agar lebih bersih, rapi, dan sesuai untuk digunakan dalam analisis statistik maupun sistem AI.

Alur Pipeline Preprocessing

Klik pada setiap tahapan untuk melihat penjelasan fungsinya

Tahap 1
Raw Data
Tahap 2
Data Cleaning
Tahap 3
Data Transform
Tahap 4
Data Integration
Tahap 5
Data Ready

Raw Data

Data mentah yang dikumpulkan langsung dari sensor mesin, sistem ERP, atau logistik. Data pada tahap ini masih berantakan, memiliki format yang tidak konsisten, serta mengandung eror.

Poin Penting Pertemuan Ini:
Kita tidak perlu membahas seluruh teknik preprocessing secara mendalam hari ini. Mahasiswa cukup memahami bahwa Data Cleaning merupakan salah satu bagian paling vital dari Data Preprocessing sebelum kita melangkah ke pemodelan Machine Learning.

Data Cleaning: Membuat Data Lebih Siap Digunakan

Kenali 5 jenis masalah utama pada data mentah industri dan konsep dasar penyelesaiannya.

1 3.6.1 Missing Data (Data Hilang)
+

Data yang seharusnya ada, tetapi terekam kosong oleh sistem.

MachineTemperature
M0172
M02— (Kosong)
M0375
🤔 Analisis: Apa yang dapat dilakukan terhadap data mesin M02 yang hilang?

Konsep Penanganan:

  • Menghapus: Membuang baris M02 sepenuhnya (jika data kita sangat banyak).
  • Mengisi manual: Memasukkan angka tertentu (misal: 0, tapi ini bisa merusak analisis suhu).
  • Metode Imputasi: Mengisi dengan nilai rata-rata dari mesin lain secara otomatis.
  • Validasi: Memeriksa kembali koneksi sensor M02 ke database.
2 3.6.2 Duplicate Data (Data Ganda)
+

Satu kejadian yang sama terekam lebih dari satu kali secara tidak sengaja.

IDMachineTemperature
001M0172
002M0275
002M0275
🤔 Analisis: Apakah mesin M02 (ID 002) perlu dihitung dua kali dalam laporan rata-rata harian?

Tentu tidak. Duplikasi akan membuat AI mengira mesin M02 memiliki beban kerja 2x lipat, atau membuat nilai rata-rata keseluruhan suhu pabrik menjadi tidak akurat (condong ke angka 75). Solusinya adalah proses De-duplication (menghapus salinan yang identik).

3 3.6.3 Inconsistent Data (Data Tidak Konsisten)
+

Penulisan entitas yang sama, namun dengan ejaan atau format yang berbeda-beda akibat human error atau perbedaan sistem.

Nama Mesin (Input Manusia)
M01
M-01
machine01
M01

Padahal semuanya merujuk pada fisik mesin yang sama. Bagi AI, ketiganya dianggap sebagai 3 mesin yang berbeda!

Konsep Solusi: Standardization. Membuat aturan baku (misal: hilangkan spasi, hapus tanda strip, dan jadikan huruf kapital semua) agar semuanya seragam menjadi M01.

4 3.6.4 Incorrect Data & Outliers (Pencilan)
+

Nilai yang melenceng sangat jauh dari pola normal sekumpulan data.

75°C ➔ 76°C ➔ 78°C ➔ 450°C ➔ 79°C
🤔 Analisis: Apakah 450°C itu benar, atau murni kesalahan sensor?
⚠️ Konsep Sangat Penting di Industri:
Tidak semua outlier adalah kesalahan yang harus dihapus! Dalam industri, angka ekstrem (seperti 450°C) bisa benar-benar menunjukkan kondisi abnormal (mesin terbakar). Menghapus outlier ini justru akan membutakan sistem Predictive Maintenance. Outlier harus diinvestigasi, bukan sekadar dihapus.
5 3.6.5 Format & Satuan Tidak Konsisten
+

Tabel Tanggal:

01/09/2026
02-09-2026
2026/09/03
September 4, 2026

Tabel Temperatur:

75 °C
167 °F
75 (tanpa satuan)

AI tidak memiliki "nalar manusia" untuk menyadari bahwa 75 °C sama dengan 167 °F. Data harus dikonversi ke dalam satu format baku (misalnya standar ISO YYYY-MM-DD untuk tanggal, dan satuan Celcius untuk suhu) agar model matematis AI dapat beroperasi.

Tugas Pertemuan 3: Mengenali dan Membersihkan Data Industri

Mata Kuliah Artificial Intelligence - Teknik Industri

Bentuk: Individu
Output: 1 Lembar Analisis & Tabel
Fokus: Sumber, Jenis, & Data Cleaning

🎯 Langkah 1: Pilih Kasus Industri

Mahasiswa memilih salah satu konteks industri di bawah ini, lalu buat dataset sederhana minimal 10 baris data hipotetis yang mencerminkan kondisi nyata:

⚙️ Proses Produksi 🏭 Mesin Manufaktur 📦 Gudang / Inventory 🔍 Quality Control 🚚 Logistik / Distribusi

📊 Contoh Ilustrasi Dataset Hipotetis (Raw Data)

Berikut adalah contoh acuan format data mentah yang harus dibuat oleh mahasiswa sebelum dibersihkan:

No Machine Temperature Vibration Output Status
1M01722.1100Normal
2M01742.398Normal
3M02— (Kosong)2.597Normal
4M02768.995Normal
5M02768.995Normal

📝 Langkah 2: Lembar Analisis (Poin Pengerjaan)

1. Identifikasi Sumber

Tuliskan asal data (misal: sensor IoT mesin, sistem ERP, atau logistik warehouse).

2. Penjelasan Variabel

Uraikan arti masing-masing kolom/variabel beserta satuan ukur yang digunakan.

3. Identifikasi Masalah

Temukan anomali: Missing value, duplikat, inkonsistensi, format salah, atau outlier.

4. Tindakan Cleaning

Jelaskan secara logis tindakan apa yang dilakukan terhadap masalah tersebut dan alasannya.

Rangkaian Output Tugas Mahasiswa:
Raw Data ➔ Identifikasi Masalah ➔ Tindakan Cleaning ➔ Clean Data (Siap AI)