Menggagas Era Baru: Dari Smart ke Wise Manufacturing
Saat dunia bergerak menuju Industri 5.0, kebutuhan tidak lagi sebatas otomatisasi dan konektivitas. Yang dibutuhkan kini adalah sistem manufaktur yang berpengetahuan, bijak, dan adaptif terhadap manusia serta lingkungan. Disertasi karya Emiliano Traini (Politecnico di Torino, 2022) memperkenalkan kerangka kerja hybrid modeling yang menggabungkan data, pengetahuan, dan kecerdasan buatan dalam satu sistem informasi digital untuk mendukung manufaktur cerdas dan berkelanjutan.
Motivasi: Ketika Satu Model Tak Cukup Lagi
Model-model tradisional sering gagal menangkap kompleksitas sistem manufaktur modern. Beberapa alasan mengapa pendekatan tunggal tidak mencukupi:
- Model berbasis fisika membutuhkan pemahaman mendalam tetapi kurang adaptif.
- Model data-driven sangat bergantung pada data dalam jumlah besar.
- Pengetahuan manusia sering kali sulit dikodifikasi ke dalam algoritma.
Solusinya? Pendekatan Hybrid Modeling yang menggabungkan kekuatan semua jenis model ini dalam satu arsitektur sistem yang disebut Hybrid-Wisdom-Based System (HWBS).
Konsep Inti: DIKW dan Hybrid System
1. Hirarki DIKW: Dari Data ke Kebijaksanaan
Framework DIKW (Data → Information → Knowledge → Wisdom) menjadi landasan penting dalam merancang sistem berbasis informasi. Hirarki ini menggambarkan proses transformasi data mentah menjadi keputusan yang bijaksana dan kontekstual. Pada level paling dasar, data dikumpulkan melalui sensor atau log sistem menggunakan teknologi seperti Internet of Things (IoT) dan data lake. Selanjutnya, data tersebut diolah menjadi informasi melalui proses agregasi dan klasifikasi, yang didukung oleh sistem seperti ERP (Enterprise Resource Planning) dan MES (Manufacturing Execution System). Informasi kemudian diolah menjadi pengetahuan dengan memanfaatkan model berbasis aturan atau pembelajaran mesin (machine learning), yang dijalankan melalui Knowledge-Based System (KBS) dan teknologi ML. Pada tingkatan tertinggi, pengetahuan dikonversi menjadi kebijaksanaan, yaitu pengambilan keputusan strategis yang mempertimbangkan konteks luas, dengan bantuan Decision Support System (DSS) dan agent system. Hirarki ini menjadi kunci untuk menciptakan sistem yang adaptif, responsif, dan mampu mendukung pengambilan keputusan yang kompleks.
2. Hybrid Modeling
Menggabungkan:
- Physics-based model untuk efisiensi awal,
- Machine Learning untuk peningkatan presisi seiring waktu,
- Human expertise untuk fleksibilitas dan etika.
Framework HW-MAS: Sistem Multi-Agen Berbasis Hybrid-Wisdom
Struktur Agen DIKW
Framework ini menggunakan agen-agen digital yang memiliki karakteristik:
- D: akses data dari sistem produksi,
- I: mengubah data jadi informasi melalui analisis sistem,
- K: membentuk knowledge base dari pola,
- W: menghasilkan keputusan kontekstual dengan mempertimbangkan sustainability, human-centricity, dan resilience.
Studi Kasus: HW-TPM untuk Mesin CNC
Total Productive Maintenance (TPM) berbasis hybrid diterapkan untuk sistem milling CNC menggunakan data terbuka NASA:
- Agen pengukur memantau getaran & suhu.
- Agen sensor mengklasifikasikan kondisi alat.
- Agen pelatih menyempurnakan model prediksi keausan.
Hasil:
- Presisi prediksi kegagalan meningkat 26% dibanding model ML tunggal.
- Waktu pergantian alat berkurang 18%, efisiensi waktu produksi naik signifikan.
Integrasi Sistem: ERP–MES–PLM dalam Visi 5.0
Framework ini menjembatani sistem informasi perusahaan:
- ERP (Enterprise Resource Planning) untuk perencanaan,
- MES (Manufacturing Execution System) untuk eksekusi di shop floor,
- PLM (Product Lifecycle Management) untuk pengelolaan produk sepanjang umur hidupnya.
Melalui pendekatan hybrid:
- PLM menyimpan pengetahuan eksplisit desain,
- MES mengumpulkan data operasional real-time,
- ERP menyelaraskan keputusan bisnis dengan kondisi aktual produksi.
Kekuatan Framework HWBS
1. Adaptif Sejak Awal
Physics-based model memberikan performa yang memadai bahkan sebelum data besar tersedia, menjadikannya ideal untuk tahap awal produksi atau produk baru.
2. Evolusi Seiring Data Bertambah
Machine Learning memperbaiki akurasi prediksi seiring waktu dan memungkinkan deteksi pola baru secara otomatis.
3. Incorporating Human Knowledge
Sistem dapat mengadopsi:
- Heuristik pakar,
- Pengalaman operator,
- Preferensi pengguna untuk menghasilkan keputusan yang etis, praktis, dan bisa diterima manusia.
Perbandingan: Hybrid vs Model Tradisional
Dalam konteks penerapan teknologi untuk pemodelan, terdapat perbedaan signifikan antara model tunggal dan hybrid modeling. Model tunggal, seperti Machine Learning (ML) atau Pemrograman Berbasis Pengetahuan (PB), cenderung memiliki ketergantungan data yang tinggi pada ML, namun rendah pada PB. Sebaliknya, hybrid modeling menawarkan fleksibilitas moderat dalam hal ketergantungan data, memadukan kekuatan ML dan PB. Adaptasi awal pada model tunggal relatif lemah pada ML, sedangkan hybrid modeling menggabungkan adaptasi kuat dari PB dan ML. Dalam hal ketahanan terhadap noise, model tunggal cenderung lebih rentan, sementara hybrid modeling lebih tahan terhadap gangguan dan noise. Ketika berhadapan dengan kompleksitas masalah, model tunggal menangani aspek-aspek tertentu secara parsial, sedangkan hybrid modeling mampu menangani kompleksitas secara lebih komprehensif. Keterlibatan manusia dalam model tunggal biasanya rendah, sedangkan pada hybrid modeling, keterlibatan manusia lebih tinggi dan terintegrasi, memungkinkan pengambilan keputusan yang lebih terarah dan berbasis konteks.
Kritik & Opini
Framework ini sangat kuat secara teori dan aplikatif. Namun, beberapa hal perlu menjadi perhatian:
- Kebutuhan integrasi sistem tinggi: tidak semua pabrik punya kesiapan infrastruktur.
- Tantangan interoperabilitas antar platform (ERP–MES–PLM) belum sepenuhnya tuntas.
- Konsep wisdom masih abstrak dan perlu konkretisasi dalam pengambilan keputusan sistem.
Namun begitu, kontribusi besar Traini adalah menjadikan "kebijaksanaan digital" bukan sekadar wacana, melainkan sistem yang bisa dirancang dan diterapkan.
Kesimpulan: Membangun Manufaktur Cerdas dengan Kesadaran Digital
Di tengah tuntutan keberlanjutan dan adaptasi cepat, sistem manufaktur masa depan tidak cukup sekadar cerdas—ia harus bijak. Framework Hybrid-Wisdom-Based System (HWBS) dalam disertasi ini menunjukkan bahwa:
- Keputusan terbaik lahir dari sinergi data, model matematis, dan intuisi manusia.
- Kebijaksanaan sistem digital bisa dibangun melalui struktur DIKW dan model hybrid.
Pendekatan ini selaras dengan visi Eropa tentang Industri 5.0, yang tidak hanya mengejar efisiensi, tetapi juga memperhatikan nilai-nilai kemanusiaan, lingkungan, dan daya tahan jangka panjang.
Sumber : Emiliano Traini. Hybrid modeling to support the smart manufacturing: concepts, theoretic contributions and real-case applications about Hybrid and Wisdom-based Systems. Doctoral Dissertation, Politecnico di Torino, 2022.