Predictive Analytics
Analisis data sensor, mesin, atau sistem TI melalui Nimitflow, mulai dari penerimaan dan penyimpanan data, analisis sinyal FFT, hingga pengembangan model Machine Learning sesuai kebutuhan organisasi. Hasilnya dihubungkan ke dasbor, laporan, dan notifikasi agar tim dapat memantau tren dan merencanakan pekerjaan.
Telusuri Penggunaan dan Detail
- Prediksi anomali dan tren dari data historis dan data berkelanjutan menggunakan Machine Learning
- Uji model dengan data historis (Back-test) dan data waktu nyata (Real-time) sebelum digunakan
- Dapat dipasang di server organisasi (On-Premise), terpisah dari sistem yang sudah ada
Lihat Fitur Tambahan
- Grafik membandingkan nilai aktual dan prediksi, dengan notifikasi melalui email atau saluran yang sudah digunakan organisasi
- Latih ulang model (Retrain) saat data atau perilaku sistem berubah
- Setiap proyek dimulai dengan evaluasi kesiapan data
Apakah cocok untuk pekerjaan Anda?
Cocok untuk siapa?
Tim analisis data, departemen produksi, dan tim perawatan dengan data historis dan kebutuhan prediksi tren
Persiapkan informasi sebelum berbicara
Tujuan prediksi, contoh data historis, dan metode evaluasi yang diinginkan
Ringkasan
- Predictive Analytics adalah perangkat lunak prediksi dengan model Machine Learning yang dikembangkan Inspektion berdasarkan data setiap organisasi untuk mendeteksi anomali dan tren sebelum masalah terjadi, lalu menampilkan grafik dan notifikasi untuk membantu keputusan tim Anda.
- Inspektion mengembangkan dan memasang sistem Machine Learning untuk memprediksi anomali waktu respons transaksi 5 dan 10 menit ke depan bagi klien industri keuangan di Thailand, pada server milik klien, serta menyusun dokumen penutupan proyek pada 2022.
- Proyek pabrik terkait adalah sistem penghitungan shot cetakan dan pengingat pemeliharaan yang diserahkan Inspektion kepada produsen komponen otomotif di Thailand dan Kamboja pada 2021–2022. Sistem ini menggunakan notifikasi ambang batas, belum berupa model prediksi.
- Setiap proyek dimulai dengan evaluasi kesiapan data karena akurasi prediksi bergantung pada kelengkapan data, dan model harus dilatih ulang ketika data berubah.
- Pilih sistem sesuai kebutuhan: gunakan InCBM untuk memantau kondisi mesin langsung dari sensor getaran, Predictive Analytics untuk memprediksi dari berbagai sumber data, dan mulai dengan Data Lakehouse (sistem penyatuan berbagai sumber data agar siap dianalisis) jika data tersebar di banyak sistem.
Dari data sensor ke grafik dan notifikasi
Contoh dalam dokumentasi Nimitflow menunjukkan penerimaan data dari alat ukur getaran AMS, dilanjutkan perekaman dan analisis FFT (pemisahan sinyal berdasarkan frekuensi), lalu dikirim ke dasbor InCBM untuk melihat grafik, tren, dan riwayat notifikasi.
- 1
Terima dan simpan data
Hubungkan sensor atau sumber data ke alur kerja di Nimitflow untuk merekam data dan riwayat secara berkelanjutan
- 2
Analisis sinyal dan kembangkan model
Gunakan FFT untuk memeriksa komponen frekuensi sinyal dan menyiapkan data pelatihan Machine Learning sesuai tujuan prediksi, dengan pengujian hasil sebelum penerapan
- 3
Visualisasikan hasil dan teruskan ke tim
Hubungkan hasil ke dasbor seperti InCBM atau Grafana, lengkap dengan kondisi notifikasi, log kejadian, dan laporan sesuai ruang lingkup sistem
Pilih metode analisis yang sesuai tugas
FFT dan notifikasi ambang batas merupakan bagian dari analisis sinyal dan pemantauan kondisi. Prediksi dengan Machine Learning memerlukan data untuk melatih dan memvalidasi model. Contoh ini menjelaskan integrasi sistem, bukan bukti akurasi model.
Untuk siapa Predictive Analytics dan masalah apa yang ditangani?
Predictive Analytics cocok bagi tim yang sudah memiliki data historis mesin, proses produksi, atau sistem TI dan ingin mengetahui tanda anomali sebelum masalah terjadi. Machine Learning mempelajari pola data sebelumnya lalu memprediksi nilai mendatang. Ketika nilai prediksi memenuhi ambang yang ditentukan, sistem memberi notifikasi agar tim memeriksanya.
Banyak organisasi baru mengetahui masalah setelah mesin berhenti atau produk cacat muncul, atau melakukan pemeliharaan berdasarkan jadwal tanpa melihat kondisi aktual. Sinyal awal sering sudah ada dalam data yang direkam sistem. Predictive Analytics menganalisis data tersebut secara berkelanjutan, sementara tim Anda menentukan cara menanganinya.
Kemampuan Predictive Analytics
- Pemeliharaan prediktif (Predictive Maintenance) — menganalisis data mesin, seperti jumlah shot mesin cetak injeksi, untuk memberi pemberitahuan awal tentang jadwal pemeliharaan preventif
- Prediksi tren kualitas — memantau tren dari data proses produksi yang berkelanjutan untuk menyesuaikan proses sebelum cacat terjadi
- Deteksi anomali (Anomaly Detection) — memprediksi nilai mendatang lalu menampilkan grafik perbandingan nilai aktual dan prediksi
- Notifikasi — dikirim ke tim terkait melalui email atau saluran organisasi yang sudah ada ketika nilai analisis memenuhi kriteria yang memerlukan tindakan
| Masalah Umum | Bagaimana Predictive Analytics membantu |
|---|---|
| Masalah baru diketahui setelah terjadi | Prediksi nilai lebih awal agar tim punya waktu memeriksa sebelum kejadian |
| Pemeliharaan berdasarkan jadwal tanpa memperhatikan penggunaan aktual | Mulai dengan notifikasi berdasarkan jumlah shot aktual, lalu gunakan data terkumpul untuk prediksi |
| Data tersedia, tetapi tidak dipantau secara berkelanjutan | Analisis berkelanjutan dan grafik dasbor yang membandingkan nilai aktual dengan prediksi |
| Data tidak dapat diekspor keluar dari organisasi | Dipasang di server organisasi (On-Premise) |
Apa perbedaan prediksi dan notifikasi ambang batas?
Notifikasi ambang batas dipicu saat nilai saat ini mencapai angka yang ditentukan, misalnya jumlah shot mencapai interval pemeliharaan. Prediksi menggunakan model untuk memperkirakan nilai mendatang dari pola data historis, lalu memberi notifikasi sebelum nilai aktual menjadi abnormal. Jika data terkumpul belum cukup, mulailah dengan notifikasi ambang batas.
Cara kerja Predictive Analytics
Predictive Analytics terdiri dari 5 tahap: evaluasi data, persiapan data, pelatihan dan pengujian model, penerapan beserta notifikasi, dan pemeliharaan model setelah digunakan. Tahap pertama menentukan ruang lingkup proyek karena data yang tersedia menentukan seberapa jauh prediksi dapat dilakukan.
- 1
Survei dan evaluasi kesiapan data
Kami meninjau tujuan prediksi, contoh data historis, dan metode evaluasi yang Anda inginkan untuk menilai apakah data sudah cukup untuk prediksi.
- 2
Siapkan dan bersihkan data
Ambil data dari sistem sumber, hapus nilai yang salah atau hilang, lalu susun dalam format untuk pelatihan model
- 3
Latih dan uji model
Latih model prediksi deret waktu (Time-series adalah data yang berurutan menurut waktu), lalu uji dengan data historis (Back-test) dan data waktu nyata (Real-time) sebelum digunakan
- 4
Terapkan sistem dan notifikasi
Pasang di server organisasi, tampilkan grafik perbandingan nilai aktual dan prediksi di dasbor, lalu kirim notifikasi ketika nilai memenuhi ambang yang ditetapkan
- 5
Pelihara dan latih ulang model
Periksa data dan grafik prediksi secara berkala, serta latih ulang model (Retrain) ketika data atau perilaku sistem berubah
Sistem hanya menampilkan hasil dan mengirim notifikasi. Sistem tidak menghentikan mesin atau mengubah pengaturan operasi secara otomatis. Saat menerima notifikasi, tim Anda memutuskan apakah perlu memeriksa, memperbaiki, atau menyesuaikan proses.
Pekerjaan apa yang cocok dan tidak cocok untuk Predictive Analytics?
Predictive Analytics cocok untuk pekerjaan dengan data historis berkelanjutan, tujuan prediksi yang jelas, dan penanggung jawab saat notifikasi muncul. Tidak cocok jika belum ada data tercatat atau sistem diharapkan mengambil keputusan menggantikan tim. Dalam kondisi tersebut, mulai dengan pengumpulan data atau notifikasi ambang batas.
| Pekerjaan | Apakah cocok untuk Predictive Analytics? | Alasan atau hal-hal yang perlu dilakukan |
|---|---|---|
| Prediksi anomali dari data yang dicatat terus-menerus menurut waktu, seperti data transaksi atau operasi sistem | Tepat | Sejenis dengan kasus sistem transaksi di industri keuangan yang menggunakan model prediksi deret waktu |
| Data tidak dapat diekspor keluar dari organisasi | Tepat | Dipasang di server organisasi, terpisah dari sistem yang sudah ada |
| Tentukan interval pemeliharaan cetakan berdasarkan jumlah shot | Mulai dengan notifikasi ambang batas | Jika mesin sudah menyimpan data shot dalam file, penghitungan shot dan pengingat pemeliharaan dapat dilakukan tanpa model |
| Prediksi tren kualitas atau pemeliharaan di lini produksi menggunakan model | Dapat dilakukan; belum ada kasus yang diserahkan | Proyek pabrik yang sudah diserahkan menggunakan notifikasi ambang batas. Kami terlebih dahulu mengevaluasi data nyata Anda pada tahap survei. |
| Data tersebar di berbagai sistem | Dapat dilakukan setelah data disatukan | Susun data dengan Data Lakehouse terlebih dahulu agar model memperoleh data lengkap dan konsisten |
| Pantau kondisi motor menggunakan sensor getaran | Gunakan InCBM | InCBM merangkum nilai kesehatan tiap sensor dan memungkinkan pengaturan ambang Warning/Critical |
| Belum ada data historis, atau pencatatan masih di kertas | Belum cocok | Mulai kumpulkan data secara berkelanjutan, lalu evaluasi kembali kesiapannya |
| Mengharapkan sistem menghentikan mesin atau mengizinkan pelepasan pekerjaan secara otomatis | Tidak cocok | Sistem menampilkan hasil dan notifikasi; tim Anda mengambil keputusan |
| Memerlukan angka akurasi sebelum proyek dimulai | Perlu dibahas terlebih dahulu | Akurasi bergantung pada data Anda. Kami menyepakati metode evaluasi pada tahap survei, lalu mengukurnya melalui pengujian Back-test dan Real-time. |
InCBM
- Pantau kondisi mesin langsung dari sensor getaran
- Rangkum nilai kesehatan tiap sensor dan atur sendiri ambang Warning/Critical
- Unduh aplikasi Android untuk mencobanya
Predictive Analytics
- Prediksi dari berbagai sumber, termasuk mesin, proses produksi, dan sistem TI
- Latih model sesuai data dan tujuan setiap organisasi
- Harga sesuai ruang lingkup data dan proses
Ringkasan: Keduanya dapat digunakan bersama — pilih sesuai kebutuhan pemantauan kondisi mesin atau prediksi dari berbagai sumber data
Pengalaman prediksi data dan pelajaran yang kami peroleh
Kami mengerjakan 2 jenis proyek terkait. Pertama, sistem Machine Learning untuk memprediksi anomali transaksi di industri keuangan Thailand pada 2021–2023. Kedua, sistem penghitungan shot cetakan dengan pengingat pemeliharaan berbasis ambang batas di industri komponen otomotif Thailand dan Kamboja pada 2021–2022. Proyek pertama menggunakan model prediksi; proyek kedua menggunakan penghitungan dan ambang batas, bukan model prediksi.
Prediksi anomali transaksi · Industri keuangan · Thailand · 2021–2023
Pada 2021–2023, kami mengembangkan dan memasang sistem Machine Learning bagi klien industri keuangan Thailand yang mengelola sistem transaksi pembayaran. Model LSTM (jaringan saraf untuk data berurutan menurut waktu) memprediksi anomali waktu respons transaksi 5 dan 10 menit ke depan. Sistem dipasang pada server Production dan Development milik klien, terpisah dari sistem pemrosesan transaksi.
Sistem ini mencakup pelatihan ulang model, pencadangan dan pemulihan data, serta grafik Grafana yang membandingkan nilai aktual dan prediksi. Kami menyusun dokumen penutupan proyek pada 2022, dilanjutkan pemeliharaan sesuai kontrak. Pada 2023, kami mencoba pelatihan ulang dengan 3 algoritma tambahan — CNN-LSTM, Random Forest, dan XGBoost — untuk membandingkan akurasi pada setiap horizon prediksi.
Penghitungan shot cetakan dan pengingat pemeliharaan · Komponen otomotif · Thailand dan Kamboja · 2021–2022
Kami menyerahkan aplikasi web dengan 5 bagian untuk menghitung shot cetakan injeksi kepada produsen komponen otomotif di Thailand pada 2021, lalu memasangnya di lokasi produksi Kamboja pada 2022. Sistem menggabungkan jumlah shot per cetakan dari file mesin 2 merek, menampilkan status OK / Warning / PM, dan mengirim email untuk hingga 5 kondisi per cetakan. Ini adalah notifikasi berbasis ambang batas; data shot yang terus dikumpulkan menjadi titik awal prediksi pemeliharaan.
Baca kasus lengkap
Pelajaran yang kita dapatkan
- Pengumpulan dan transformasi data memakan banyak waktu pada awal proyek prediksi transaksi, sehingga akses ke data historis harus siap sejak awal proyek.
- Akurasi bergantung pada kelengkapan dan kesinambungan data. Metode evaluasi dan horizon prediksi harus disepakati terlebih dahulu, baik untuk pengujian historis maupun waktu nyata.
- Model perlu terus dipelihara setelah pemasangan. Setelah penutupan proyek, kami mencoba pelatihan ulang dengan algoritma lain untuk membandingkan akurasi dan menyarankan pertimbangan data perangkat keras server sebagai input tambahan.
- Gunakan data yang sudah direkam mesin sebelum menambah sensor, dan cocokkan pembacaan dengan file laporan mesin sebelum digunakan. Pada proyek penghitungan shot, jumlah yang dibaca sistem sesuai dengan file laporan mesin dalam pengujian penutupan proyek.
Apa artinya bagi Anda?
Sebelum memberikan penawaran, kami meminta tujuan prediksi dan contoh data nyata untuk memeriksa kelengkapan, kesinambungan, serta periode pencatatan. Jika data belum cukup, mulailah dengan pengumpulan data dan notifikasi ambang batas. Dukungan setelah pemasangan, seperti jadwal pemeriksaan hasil prediksi dan pelatihan ulang, sebaiknya ditetapkan dalam ruang lingkup sejak awal.
Spesifikasi teknis
| Jenis | Perangkat lunak analitik prediktif dengan model yang dikembangkan dan disesuaikan berdasarkan data setiap organisasi |
|---|---|
| Kemampuan | Pemeliharaan prediktif · Tren kualitas · Deteksi anomali |
| Teknik dalam proyek nyata | Machine Learning dengan model LSTM untuk prediksi deret waktu · Uji perbandingan CNN-LSTM, Random Forest, XGBoost |
| Pengujian model | Data historis (Back-test) dan data waktu nyata (Real-time) |
| Pemasangan | Pada server organisasi (On-premise) |
| Visualisasi | Grafik perbandingan nilai aktual dan prediksi, misalnya dasbor Grafana |
| Notifikasi | Email atau saluran yang sudah digunakan organisasi |
Detail teknis berasal dari proyek nyata perusahaan. Model dan alat setiap proyek dipilih berdasarkan data nyata pada tahap desain.
Arsitektur dan Konektivitas
Sistem yang dapat terhubung
- Data Lakehouse organisasi — sumber data terstruktur
- Dasbor Grafana — grafik perbandingan nilai aktual dan prediksi
- Email atau saluran notifikasi yang sudah digunakan organisasi
Persyaratan Sistem
- Data historis dari mesin, proses, atau sistem yang akan diprediksi — jumlah yang diperlukan dievaluasi dari data nyata pada tahap survei
- Server organisasi untuk melatih dan menjalankan model (On-premise) — spesifikasi ditentukan sesuai volume data pada tahap desain
- Data Lakehouse tidak diperlukan terlebih dahulu jika data sudah siap digunakan
Model Lisensi
Penawaran harga berdasarkan lingkup projek
Harga bergantung pada ruang lingkup data dan proses yang ingin diprediksi. Hubungi tim kami untuk mendapatkan penawaran.
- Tim mengevaluasi kesiapan data pada tahap survei sebelum mengusulkan ruang lingkup dan harga
- Dukungan setelah serah terima, seperti pemeriksaan data, peninjauan grafik prediksi, dan pelatihan ulang model, disepakati dalam ruang lingkup pekerjaan
Industri yang Digunakan
- Keuangan — prediksi anomali sistem transaksi pembayaran
Contoh alur kerja dan tampilan dari dokumentasi Nimitflow
Cara memulai
Kirimkan tujuan prediksi dan contoh data Anda. Kami mengevaluasi kesiapan data pada tahap survei, lalu mengusulkan ruang lingkup pekerjaan dan penawaran.
Persiapan apa saja
- Tujuan prediksi — hal yang ingin diketahui lebih awal, seperti jadwal pemeliharaan, tren kualitas, atau anomali sistem
- Contoh data historis serta sistem atau file yang saat ini menyimpan data
- Metode evaluasi yang diinginkan dan horizon prediksi
- Penanggung jawab saat notifikasi muncul dan saluran notifikasi yang sudah digunakan organisasi
Pertanyaan yang Sering Diajukan
Berapa banyak data historis yang diperlukan sebelum prediksi dapat dimulai?
Tidak ada jumlah minimum yang berlaku untuk semua pekerjaan. Jumlah yang diperlukan bergantung pada karakter data, proses, dan horizon prediksi yang diinginkan. Kami mengevaluasi kesiapan dari contoh data nyata pada tahap survei sebelum proyek dimulai.
Apakah Data Lakehouse harus tersedia terlebih dahulu?
Tidak selalu. Jika organisasi sudah memiliki data siap pakai, pekerjaan dapat dimulai langsung. Jika data tersebar di berbagai sistem, kami menyarankan penataan dengan Data Lakehouse terlebih dahulu agar model memperoleh data lengkap dan konsisten.
Apakah data harus dikirim ke luar organisasi?
Tidak. Predictive Analytics dapat dipasang di server organisasi. Dalam proyek prediksi transaksi untuk klien industri keuangan Thailand, sistem dipasang pada server Production dan Development milik klien, terpisah dari sistem pemrosesan transaksi, dengan pencadangan dan pemulihan data. Konfigurasi pemasangan setiap proyek ditentukan pada tahap desain.
Apakah model tetap akurat ketika data berubah?
Tidak selalu. Jika data atau perilaku sistem berubah, model perlu dilatih ulang karena akurasi bergantung pada kelengkapan data. Sistem prediksi transaksi memiliki fungsi pelatihan ulang, dan setelah penutupan proyek kami mencoba algoritma lain untuk membandingkan akurasi. Kami menyarankan pelatihan berkelanjutan dan pertimbangan data tambahan yang relevan sebagai input.
Apa perbedaan Predictive Analytics dan InCBM?
InCBM memantau kondisi mesin langsung dari data sensor getaran (Condition-Based Monitoring) dan memberi notifikasi berdasarkan ambang yang Anda tetapkan. Predictive Analytics memprediksi dari berbagai sumber data, mencakup kualitas dan pemeliharaan, dengan model yang dilatih sesuai data setiap organisasi. Kedua sistem dapat digunakan bersama.
Berapa harga Predictive Analytics?
Harga bergantung pada ruang lingkup data dan proses yang ingin diprediksi. Kami terlebih dahulu mengevaluasi kesiapan data pada tahap survei, lalu mengusulkan ruang lingkup dan penawaran. Dukungan setelah pemasangan disepakati dalam ruang lingkup pekerjaan.
