RPS minggu 13 · sub-CPMK 5 · 2x50 menit

Industry 4.0 dan IoT untuk Operasi Global

S1 Manajemen — Konsentrasi Operasi · FEB UNDIP

Peta Pembelajaran Hari Ini

Sub-CPMK 5: menerapkan teknologi Industry 4.0 untuk operasi global. Empat indikator capaian yang harus Anda kuasai.

Jam ke-1 (50 menit)

9 pillar Industry 4.0
Smart Manufacturing & Smart Factory
IoT dan IIoT fundamental

Jam ke-2 (50 menit)

Digital Twin technology
AI/ML untuk predictive analytics
Making Indonesia 4.0 roadmap

Hari ini Anda akan dapat menghitung ROI Smart Factory investment dan design Industry 4.0 roadmap.

Empat capaian hari ini. Pertama, sembilan pillar teknologi Industry 4.0 — dari Big Data AI, Autonomous Robot, Simulation, Horizontal & Vertical System Integration, IIoT, Additive Manufacturing, Augmented Reality, Cloud, dan Cybersecurity. Kedua, Smart Manufacturing dan Smart Factory sebagai manifestation Industry 4.0 di pabrik. Ketiga, IoT dan IIoT atau Industrial IoT sebagai enabler connected factory. Keempat, Digital Twin technology untuk simulate physical asset di virtual world, dan AI/ML untuk predictive analytics. Mini-case hari ini adalah Siemens Amberg plant di Jerman yang disebut sebagai "factory of the future" dengan quality rate 99.99885 persen. Indonesia punya roadmap Making Indonesia 4.0 yang launch 2018 untuk transformasi 5 priority industry: food and beverage, automotive, textile, electronics, dan chemical. Hari ini Anda akan dapat menghitung ROI Smart Factory investment dan design Industry 4.0 roadmap.

Magnitudo Industry 4.0 Market

Industry 4.0 adalah opportunity triliunan dollar — investasi global semakin accelerate.

Global Industry 4.0 investment

USD ~1,5 T

Dihedge ~, McKinsey 2025 estimate cumulative investment global

Siemens Amberg quality rate

99.99885%

Dihedge ~, world record smart factory — 12 defect per 1 miliar unit

Pertanyaan pemantik: dari 9 pillar Industry 4.0 yang akan kita pelajari, mana yang Anda rasa paling dekat dengan kehidupan sehari-hari?

Industry 4.0 adalah opportunity triliunan dollar dengan investasi global yang semakin accelerate. Statistik: investasi Industry 4.0 global kumulatif diperkirakan USD 1,5 triliun di 2025 (McKinsey, dihedge ~). Siemens Amberg plant di Jerman mencapai quality rate 99.99885 persen — world record smart factory dengan hanya 12 defect per 1 miliar unit yang diproduksi. Pertanyaan pemantik tentang 9 pillar Industry 4.0 dan kehidupan sehari-hari: AI/ML ada di Netflix dan Gojek recommendation. IoT di smart home (lampu, AC via HP). Cloud di Google Drive dan Office 365. Augmented Reality di Instagram filter dan IKEA Place app. Additive Manufacturing di custom insole dan dental. Industry 4.0 adalah kumpulan teknologi yang sudah mulai permeate kehidupan sehari-hari. Sebagai praktisi global operations, Anda harus paham bagaimana teknologi ini apply ke operasi bisnis untuk productivity improvement dan competitive advantage.

Bagian 1 · 1/4

9 Pillar Industry 4.0

Diskusi kelas: sebutkan satu teknologi yang menurut Anda paling transformatif untuk pabrik.

9 Pillar Industry 4.0 (BCG Framework)

Boston Consulting Group mengidentifikasi 9 teknologi pillar yang define Industry 4.0.

Pillar	Definisi	Contoh Aplikasi Pabrik
1. Big Data & AI	Analyze massive data untuk insight	Predictive maintenance, demand forecast
2. Autonomous Robot	Robot yang operate otonom	Cobot, AGV, picking robot
3. Simulation	Virtual model operasi	Digital twin, line simulation
4. H/V Integration	Connect ERP-MES-SCADA	End-to-end data flow
5. IIoT	Sensor di mesin untuk data	Vibration sensor, temperature monitor
6. Additive Mfg	3D printing layer-by-layer	Prototyping cepat, custom parts
7. Augmented Reality	Overlay digital ke real world	Maintenance instruction, training
8. Cloud	On-demand IT resource	ERP cloud, MES cloud
9. Cybersecurity	Protect connected system	OT security, zero-trust

Tip: tidak semua pillar harus di-adopsi bersamaan. Start dengan quick win (IIoT, cloud) lalu evolve ke advanced (AI, digital twin).

Boston Consulting Group mengidentifikasi 9 teknologi pillar yang define Industry 4.0. Pertama, Big Data dan AI — analyze massive data untuk insight, contoh predictive maintenance (forecast kapan mesin akan failure), demand forecast untuk planning. Kedua, Autonomous Robot — robot yang operate otonom, contoh cobot (collaborative robot) yang kerja bersama human, AGV (Automated Guided Vehicle) untuk material handling, picking robot di warehouse. Ketiga, Simulation — virtual model operasi, contoh Digital Twin untuk simulate mesin, line simulation untuk test layout sebelum implement. Keempat, Horizontal dan Vertical System Integration — connect ERP-MES-SCADA-PLC untuk end-to-end data flow, dari customer order sampai mesin production. Kelima, IIoT atau Industrial IoT — sensor di mesin untuk collect data (vibration, temperature, pressure), real-time monitoring. Keenam, Additive Manufacturing atau 3D printing — build part layer-by-layer, contoh prototyping cepat, custom spare parts on-demand. Ketujuh, Augmented Reality — overlay digital ke real world, contoh AR glasses untuk maintenance instruction, AR training untuk new operator. Kedelapan, Cloud — on-demand IT resource, contoh ERP cloud, MES cloud untuk reduce IT capex. Kesembilan, Cybersecurity — protect connected system, OT (Operational Technology) security berbeda dari IT security, zero-trust untuk connected factory. Tip praktis: tidak semua pillar harus di-adopsi bersamaan. Start dengan quick win seperti IIoT dan cloud untuk quick ROI, lalu evolve ke advanced seperti AI dan digital twin. Sebagai konsultan Industry 4.0, Anda harus assess maturity klien dan design phased roadmap.

Hitung dari Nol: Smart Factory Investment ROI

Skenario: Pabrik Indonesia mau upgrade ke Smart Factory dengan invest IIoT + AI predictive maintenance. Investasi: sensor 100 mesin USD 1.000/sensor = USD 100.000, AI platform USD 50.000/tahun, integration USD 50.000 one-time. Total USD 200.000 (Rp 3 M). Benefit: (1) reduce unplanned downtime 30% dari 100 jam/tahun = 30 jam × Rp 50 jt/jam = Rp 1,5 M/tahun; (2) reduce maintenance cost 20% dari Rp 2 M = Rp 400 jt/tahun; (3) reduce scrap 10% dari Rp 1 M = Rp 100 jt/tahun. Total benefit Rp 2 M/tahun. Hitung payback.

Komponen	Nilai
Investasi one-time	Rp 3 M (USD 200 rb × 15.000)
Benefit tahun 1	Rp 2 M (1,5 + 0,4 + 0,1)
AI platform recurring	Rp 750 jt/tahun
Net benefit/tahun	2 - 0,75 = Rp 1,25 M/tahun
Payback period	3 / 1,25 = 2,4 tahun
NPV 5 tahun (discount 12%)	1,25 × 3,605 - 3 = Rp 1,5 M (positif)

Smart Factory ROI

Payback 2,4 tahun

Smart Factory investment payback 2,4 tahun, NPV positif Rp 1,5 M (5 tahun). Attractive untuk pabrik dengan mesin banyak dan downtime cost tinggi. Quick win: predictive maintenance.

Hitungan Smart Factory investment ROI ini menggambarkan business case konkret untuk upgrade ke Industry 4.0. Pabrik Indonesia mau upgrade ke Smart Factory dengan invest IIoT sensor dan AI predictive maintenance. Investasi: 100 mesin × USD 1.000 per sensor = USD 100.000 untuk sensor (vibration, temperature, pressure, current). AI platform USD 50.000 per tahun (subscription). Integration dan implementation USD 50.000 one-time. Total USD 200.000 atau Rp 3 miliar (kurs Rp 15.000 per USD). Benefit yang ter-identify: pertama, reduce unplanned downtime 30 persen dari 100 jam per tahun menjadi 70 jam. Saving 30 jam × Rp 50 juta per jam (lost production value) = Rp 1,5 miliar per tahun. Kedua, reduce maintenance cost 20 persen dari Rp 2 miliar per tahun (better planning, less emergency repair) = Rp 400 juta saving. Ketiga, reduce scrap 10 persen dari Rp 1 miliar (consistent quality via real-time monitoring) = Rp 100 juta saving. Total benefit Rp 2 miliar per tahun. AI platform recurring Rp 750 juta per tahun. Net benefit Rp 1,25 miliar per tahun. Payback period 3 / 1,25 = 2,4 tahun. NPV 5 tahun dengan discount 12 persen: 1,25 × 3,605 (PV factor) - 3 (capex) = Rp 1,5 miliar positif. Smart Factory investment attractive untuk pabrik dengan mesin banyak dan downtime cost tinggi. Quick win yang sering recommended: predictive maintenance karena ROI cepat. Sebagai konsultan Industry 4.0, Anda harus quantify benefit per pillar dan design phased roadmap.

Bagian 2 · 2/4

Smart Manufacturing & Smart Factory

Diskusi kelas: kalau Anda ingin design pabrik masa depan, fitur apa yang wajib ada?

Smart Factory — 5 Karakteristik

Smart Factory adalah manifestation Industry 4.0 di pabrik dengan 5 karakteristik kunci.

Karakteristik	Definisi	Contoh Aplikasi
1. Connected	Semua mesin & sistem terintegrasi	ERP-MES-SCADA-PLC end-to-end
2. Optimized	Continuous improvement otomatis	AI optimization cycle time, energy
3. Transparent	Real-time visibility ke semua proses	KPI dashboard live, mobile access
4. Proactive	Predict & prevent issue	Predictive maintenance, QC
5. Agile	Adaptasi cepat perubahan demand	Flexible production line, quick changeover

Smart Factory bukan tujuan tetapi enabler — gunakan untuk solve business problem spesifik (cost, quality, delivery).

Smart Factory adalah manifestation Industry 4.0 di pabrik dengan 5 karakteristik kunci. Pertama, Connected — semua mesin dan sistem terintegrasi secara digital. Contoh: ERP (business planning) connect ke MES (Manufacturing Execution System) connect ke SCADA (Supervisory Control and Data Acquisition) connect ke PLC (Programmable Logic Controller) di mesin. Data flow end-to-end dari customer order sampai mesin production. Kedua, Optimized — continuous improvement otomatis via AI. Contoh: AI optimization cycle time berdasarkan data real-time, energy optimization via smart scheduling. Ketiga, Transparent — real-time visibility ke semua proses. KPI dashboard live (OEE, throughput, quality rate) accessible via mobile untuk manager kapan saja. Keempat, Proactive — predict dan prevent issue sebelum terjadi. Contoh: predictive maintenance (AI forecast mesin akan failure dalam 7 hari, schedule maintenance), predictive QC (AI detect potential defect dari sensor pattern). Kelima, Agile — adaptasi cepat ke perubahan demand. Contoh: flexible production line yang dapat switch product dalam hitungan menit, quick changeover dengan SMED (Single Minute Exchange Die), mass customization capability. Smart Factory bukan tujuan tetapi enabler — gunakan untuk solve business problem spesifik (cost reduction, quality improvement, delivery acceleration). Sebagai konsultan Smart Factory, Anda harus help klien identify business problem dulu, baru pilih technology yang fit.

Hitung dari Nol: OEE (Overall Equipment Effectiveness)

Skenario: Pabrik Indonesia ukur OEE satu mesin. Available time 8 jam (480 menit), planned downtime 30 menit (break, meeting), unplanned downtime 60 menit (breakdown). Ideal cycle time 1 menit/unit, total unit produced 300 unit, yang good quality 285 unit (15 reject). Hitung Availability, Performance, Quality, dan OEE.

Komponen OEE	Formula	Perhitungan	Nilai
Planned production time	Available - planned downtime	480 - 30	450 menit
Operating time	Planned - unplanned	450 - 60	390 menit
Availability	Operating / Planned	390 / 450	86,7%
Ideal output	Operating time × rate	390 / 1	390 unit
Performance	Actual / Ideal	300 / 390	76,9%
Quality	Good / Total	285 / 300	95,0%
OEE	A × P × Q	0,867 × 0,769 × 0,950	63,3%

OEE Analisis

63,3% (low)

OEE 63,3% jauh di bawah world class 85%. Performance 76,9% adalah bottleneck — mesin berjalan lambat dari ideal. Target: naikkan Performance via AI optimization ke 90%, OEE naik ke ~75%.

Hitungan OEE atau Overall Equipment Effectiveness ini adalah metric fundamental Smart Factory. OEE menggabungkan tiga komponen: Availability, Performance, Quality. Available time 8 jam = 480 menit. Planned downtime 30 menit (break, meeting, planned maintenance). Unplanned downtime 60 menit (breakdown, setup). Ideal cycle time 1 menit per unit. Total unit produced 300 unit. Good quality 285 unit (15 reject). Hitung: Planned production time = 480 - 30 = 450 menit. Operating time = 450 - 60 = 390 menit. Availability = Operating / Planned = 390/450 = 86,7 persen (cukup baik, target world class 90 persen). Ideal output (kalau mesin berjalan ideal terus) = 390 menit × 1 unit per menit = 390 unit. Performance = Actual/Ideal = 300/390 = 76,9 persen (rendah — mesin berjalan lambat dari ideal, ada micro stop, speed loss). Quality = Good/Total = 285/300 = 95,0 persen (cukup baik, target world class 99 persen). OEE = A × P × Q = 0,867 × 0,769 × 0,950 = 63,3 persen. World class OEE adalah 85 persen. Pabrik ini 63,3 persen jauh di bawah world class. Performance 76,9 persen adalah bottleneck utama — mesin berjalan lambat dari ideal speed. Strategi improvement: focus ke Performance via AI optimization (optimal cycle time), better scheduling untuk reduce micro stop, operator training. Target naikkan Performance ke 90 persen → OEE naik ke sekitar 75 persen. Sebagai konsultan Smart Factory, OEE adalah metric baseline yang harus di-ukur sebelum dan sesudah transformasi untuk quantify impact.

Bagian 3 · 3/4

Digital Twin & AI/ML

Diskusi kelas: pernahkah Anda dengar tentang Digital Twin? Apa fungsinya?

Digital Twin — Virtual Replica

Digital Twin adalah virtual replica dari physical asset yang real-time sync via sensor data — revolution untuk simulation dan optimization.

Tipe Digital Twin	Scope	Use Case
Component Twin	Part individual	Simulate valve, gear performance
Asset Twin	Satu mesin/equipment	Simulate mesin CNC, turbin
System Twin	Production line	Simulate layout, throughput
Process Twin	Seluruh pabrik	Simulate factory operations
Network Twin	Supply chain	Simulate supplier-customer flow

Tip: Digital Twin paling valuable untuk asset expensive dan critical (jet engine, turbin power plant, paper machine).

Digital Twin adalah virtual replica dari physical asset yang real-time sync via sensor data — revolution untuk simulation dan optimization. Lima tipe Digital Twin dengan scope berbeda. Pertama, Component Twin — model part individual. Use case: simulate performance valve, gear, bearing dalam berbagai kondisi (temperature, pressure, vibration). Kedua, Asset Twin — model satu mesin atau equipment. Use case: simulate mesin CNC, turbin power plant, paper machine. Ketiga, System Twin — model production line. Use case: simulate layout alternative, throughput analysis, bottleneck identification. Keempat, Process Twin — model seluruh pabrik. Use case: simulate factory operations, capacity planning, energy optimization. Kelima, Network Twin — model supply chain. Use case: simulate supplier-customer flow, inventory optimization, disruption response. Vendor Digital Twin terkenal: GE Digital (Predix platform untuk industrial), Siemens (MindSphere dan Plant Simulation), ANSYS (engineering simulation), PTC (ThingWorx). Tip praktis: Digital Twin paling valuable untuk asset expensive dan critical (jet engine USD 20 juta, turbin power plant USD 50 juta, paper machine USD 100 juta) di mana optimization 1 persen setara jutaan dollar. Banyak perusahaan Indonesia belum adopt Digital Twin — opportunity competitive advantage. Sebagai konsultan Smart Factory, Anda harus help klien identify use case high-value Digital Twin.

AI/ML untuk Predictive Analytics

AI (Artificial Intelligence) dan ML (Machine Learning) adalah enabler predictive analytics di Industry 4.0.

3 Tipe ML

Supervised: label data, train model
Unsupervised: pattern recognition
Reinforcement: trial-error dengan reward

Use Case di Operasi Global

Predictive maintenance: forecast failure
Demand forecast: better planning
Quality inspection: computer vision
Route optimization: logistics
Anomaly detection: fraud, defect

Vendor AI/ML terkenal: AWS SageMaker, Google Vertex AI, Azure ML, IBM Watson.

AI atau Artificial Intelligence dan ML atau Machine Learning adalah enabler predictive analytics di Industry 4.0. Tiga tipe ML. Pertama, Supervised Learning — model di-train dengan label data (input + output yang diinginkan). Contoh: train model dengan 10.000 gambar defect untuk recognize defect baru. Cocok untuk classification dan regression. Kedua, Unsupervised Learning — model find pattern di data tanpa label. Contoh: clustering customer behavior, anomaly detection. Cocok untuk segmentation dan pattern recognition. Ketiga, Reinforcement Learning — model learn via trial-error dengan reward system. Contoh: AlphaGo learn main Go dengan bermain jutaan game. Cocok untuk sequential decision making. Use case AI/ML di operasi global. Pertama, Predictive maintenance: ML model analyze sensor data (vibration, temperature, current) untuk forecast kapan mesin akan failure. Saving dari unplanned downtime signifikan. Kedua, Demand forecast: ML model analyze historical sales, weather, event, social media untuk forecast demand lebih akurat dari statistical method tradisional. Better planning = lower inventory + higher availability. Ketiga, Quality inspection: Computer Vision (CNN) inspect product visual lebih cepat dan akurat dari human inspector. Cocok untuk high-volume product. Keempat, Route optimization: ML model optimize delivery route real-time dengan traffic, weather, window customer. Saving fuel dan waktu. Kelima, Anomaly detection: ML detect anomaly di transaction (fraud) atau sensor (defect) yang tidak terlihat human. Vendor AI/ML terkenal: AWS SageMaker (managed ML platform), Google Vertex AI, Azure Machine Learning, IBM Watson. Banyak vendor industri juga embed AI di produk (Siemens MindSphere, GE Predix). Sebagai konsultan Industry 4.0, Anda harus help klien identify use case high-impact dan build ML capability internal.

Hitung dari Nol: AI Predictive Maintenance Value

Skenario: Pabrik dengan 50 mesin critical. Cost breakdown tidak terduga (unplanned) Rp 100 jt/event, frequency 4 event/tahun/mesin. Cost planned maintenance Rp 30 jt/event. AI predictive maintenance cost Rp 200 jt/tahun (subscription + sensor). Akurasi AI 85% — forecast 85% unplanned event sehingga dapat convert ke planned. Hitung saving tahunan.

Komponen	Perhitungan	Nilai
Total unplanned event	50 mesin × 4 event/tahun	200 event/tahun
Cost unplanned saat ini	200 × Rp 100 jt	Rp 20 M/tahun
AI forecast 85%	0,85 × 200 = 170 event dapat di-convert	170 event
Saving per converted event	100 - 30	Rp 70 jt
Total saving	170 × Rp 70 jt	Rp 11,9 M/tahun
Cost AI platform		(Rp 0,2 M/tahun)
Net saving		Rp 11,7 M/tahun
ROI	(11,9 - 0,2) / 0,2	5.850%

AI Predictive Maintenance

ROI 5.850%!

AI predictive maintenance ROI sangat tinggi (5.850%) karena unplanned downtime cost mahal. Quick win Industry 4.0 dengan payback cepat.

Hitungan AI predictive maintenance value ini menggambarkan business case sangat attractive. Pabrik dengan 50 mesin critical. Cost unplanned breakdown Rp 100 juta per event (lost production + emergency repair + expedite part). Frequency 4 event per tahun per mesin — total 200 event per tahun. Cost planned maintenance Rp 30 juta per event (scheduled, no production loss, part ordered normal). AI predictive maintenance cost Rp 200 juta per tahun (subscription AI platform + IIoT sensor + integration). Akurasi AI 85 persen — dapat forecast 85 persen unplanned event sehingga dapat convert ke planned. Hitung: total unplanned event saat ini 50 × 4 = 200 event per tahun. Cost unplanned saat ini 200 × Rp 100 juta = Rp 20 miliar per tahun. AI forecast 85 persen = 170 event dapat di-convert ke planned. Saving per converted event = cost unplanned (Rp 100 jt) - cost planned (Rp 30 jt) = Rp 70 juta. Total saving 170 × Rp 70 juta = Rp 11,9 miliar per tahun. Net saving setelah AI cost Rp 11,7 miliar per tahun. ROI = (11,9 - 0,2) / 0,2 = 5.850 persen — sangat tinggi. AI predictive maintenance adalah quick win Industry 4.0 dengan payback cepat (less than 1 tahun). Banyak vendor predictive maintenance seperti Augury, SparkCognition, GE Predix yang dapat implement cepat. Sebagai konsultan Industry 4.0, Anda harus recommend predictive maintenance sebagai quick win untuk build momentum transformasi digital.

Bagian 4 · 4/4

Making Indonesia 4.0 & Sintesis

Diskusi kelas: dari semua konsep Industry 4.0, mana yang menurut Anda paling relevant untuk Indonesia?

Making Indonesia 4.0 — Roadmap Nasional

Indonesia punya roadmap Making Indonesia 4.0 (2018) untuk transformasi 5 priority industry menuju top 10 economy dunia.

5 Priority Industry

Food & Beverage (Indofood, Unilever)
Automotive (Toyota, Honda, Hyundai)
Textile (Asia Pacific Fibers)
Electronics (Samsung, Panasonic)
Chemical (Chandra Asri, Lautan Luas)

10 Strategy Making Indonesia 4.0

Reformasi alur material
Redesign zona industriasi
Akomodasi investasi asing
Empowerment UKM digital
Bangun infrastruktur nasional digital
dll (5 lainnya)

Target: Indonesia top 10 economy dunia di 2030, kembali ke top 5 di 2045 (century of Indonesia).

Indonesia punya roadmap Making Indonesia 4.0 yang launch 2018 oleh Presiden Joko Widodo. Tujuan: transformasi industri Indonesia menuju top 10 economy dunia di 2030 dan kembali ke top 5 di 2045 (abad keemasan Indonesia). 5 priority industry: pertama, Food and Beverage (Indofood, Unilever, Mayora) — industry dengan value added tinggi dan demand domestic besar. Kedua, Automotive (Toyota Astra Motor, Astra Honda Motor, Hyundai) — industry padat karya dan technology intensive. Ketiga, Textile (Asia Pacific Fibers, PT Sri Rejeki Isman) — industry tradisional yang butuh upgrade. Keempat, Electronics (Samsung Cikarang, Panasonic) — industry technology intensive. Kelima, Chemical (Chandra Asri Petrochemical, Lautan Luas) — industry supporting untuk manufacturing lain. Sepuluh strategy Making Indonesia 4.0: pertama, reformasi alur material untuk improve supply chain efficiency. Kedua, redesign zona industriasi untuk cluster industry. Ketiga, akomodasi investasi asing yang strategic. Keempat, empowerment UKM digital (90 persen UKM Indonesia masih traditional). Kelima, bangun infrastruktur nasional digital (5G, fiber optic, data center). Kelima sampai sepuluh: build talent STEM, build innovation ecosystem, harmonize regulasi, sustainability, dan international partnership. Target ambisius — Indonesia top 10 economy dunia di 2030. Sebagai praktisi global operations di Indonesia, Anda harus kontribusi ke transformasi ini via adopt Industry 4.0 di organisasi Anda.

Mini-Case: Siemens Amberg Smart Factory

Siemens Amberg Plant di Jerman adalah benchmark Smart Factory global dengan quality rate 99.99885 persen.

Karakteristik Amberg

Operasi sejak 1989, transformasi smart 2000-an
Produce SIMATIC PLC (~17 juta unit/tahun)
Quality rate 99.99885% (~12 dppm)
1.200 employee di 12.000 m²
100% digital — paperless

Praktik Best-in-Class

IIoT sensor di setiap mesin
MES terintegrasi dengan ERP SAP
Digital Twin untuk new product
AGV untuk material handling
AI untuk visual QC

Lesson: Smart Factory transformation adalah journey 10-20 tahun, bukan project 1 tahun. Continuous improvement culture kritikal.

Mini-case Siemens Amberg Plant di Jerman adalah benchmark Smart Factory global. Siemens Amberg beroperasi sejak 1989, mulai transformasi ke Smart Factory di 2000-an dengan investasi konsisten. Produce SIMATIC PLC (Programmable Logic Controller) sekitar 17 juta unit per tahun dengan 1.000 varian berbeda. Quality rate 99.99885 persen — hanya sekitar 12 defect per 1 miliar unit (dppm), world record untuk manufacturing electronics. Plant 12.000 meter persegi dengan 1.200 employee. Operasi 100 persen digital dan paperless. Praktik best-in-class: IIoT sensor di setiap mesin untuk real-time data. MES (Manufacturing Execution System) terintegrasi dengan ERP SAP untuk end-to-end data flow. Digital Twin untuk simulate new product sebelum mass production. AGV (Automated Guided Vehicle) untuk autonomous material handling. AI computer vision untuk visual quality control. Lesson learned untuk praktisi Indonesia: pertama, Smart Factory transformation adalah journey 10-20 tahun, bukan project 1 tahun. Siemens butuh lebih dari 15 tahun untuk achieve maturity saat ini. Kedua, continuous improvement culture kritikal — tidak ada silver bullet, semua adalah incremental improvement yang compounded. Ketiga, investasi konsisten 5-10 persen revenue per tahun untuk digital transformation. Keempat, partnership erat dengan vendor technology (Siemens sendiri develop product di Amberg — dogfooding). Sebagai konsultan Smart Factory, Anda harus set expectation dengan klien bahwa transformasi adalah long journey dengan quick win milestones.

Industry 4.0 Maturity Model

Industry 4.0 maturity model membantu organisasi assess dan improve capability secara systematic.

Level	Karakteristik	Contoh Aktivitas
1. Beginner	Manual, paper-based	Excel tracking, manual data entry
2. Intermediate	Digital, silo	Software per function, no integration
3. Connected	Integrated vertical	ERP-MES integration, real-time data
4. Smart	Predictive, AI-augmented	Predictive maintenance, AI QC
5. Autonomous	Self-optimizing	Self-healing, self-optimizing factory

Tip: kebanyakan perusahaan Indonesia di level 1-2. Goal: naik ke level 3 (connected) dulu sebagai foundation, lalu evolve ke level 4-5.

Industry 4.0 maturity model membantu organisasi assess dan improve capability secara systematic. Lima level maturity. Level 1 Beginner: operasi manual dan paper-based. Tracking pakai Excel, data entry manual, report lambat. Banyak UKM dan perusahaan menengah Indonesia di level ini. Level 2 Intermediate: operasi digital tetapi silo. Setiap function punya software sendiri (accounting software, WMS standalone, CRM standalone) tetapi tidak terintegrasi. Banyak perusahaan menengah-besar Indonesia di sini. Level 3 Connected: integrated vertical antara ERP-MES-SCADA-PLC. Real-time data flow dari customer order sampai mesin production. Foundation Smart Factory. Banyak perusahaan besar Indonesia (Astra, Indofood, Unilever Indonesia) sudah mendekati level ini. Level 4 Smart: predictive dan AI-augmented. Predictive maintenance, AI quality control, demand forecast ML, real-time optimization. Siemens Amberg di level ini. Level 5 Autonomous: self-optimizing factory yang dapat heal dan adapt sendiri tanpa human intervention. Masih experimental di beberapa pilot. Tip praktis: kebanyakan perusahaan Indonesia di level 1-2. Goal: naik ke level 3 (connected) dulu sebagai foundation yang critical, lalu evolve ke level 4-5 dengan AI dan autonomous. Banyak perusahaan langsung mau lompat ke level 4 (Smart) tanpa foundation level 3 — akan struggle. Sebagai konsultan Industry 4.0, Anda harus assess maturity dan design roadmap phased.

IIoT vs Consumer IoT — Beda Konteks

IIoT (Industrial IoT) dan consumer IoT berbeda dalam requirement — security, reliability, scalability.

Aspek	Consumer IoT	IIoT
Use case	Smart home, wearable	Pabrik, logistics, energy
Security requirement	Medium	High (OT security)
Reliability	Best effort	5-nine (99,999%)
Network	Wi-Fi, Bluetooth	5G, LoRaWAN, industrial Ethernet
Volume	Tens per location	Thousands per factory
Data frequency	Sporadic	Continuous (ms)
Failure impact	Inconvenience	Production stop, safety risk

Tip: IIoT butuh OT (Operational Technology) security berbeda dari IT security. Purdue Model untuk segmentation.

IIoT atau Industrial IoT dan consumer IoT berbeda dalam requirement. Pertama, Use case: consumer IoT untuk smart home (lampu, termostat, smart speaker) dan wearable (Apple Watch, Fitbit). IIoT untuk pabrik (sensor mesin), logistics (GPS tracking), energy (smart grid). Kedua, Security requirement: consumer IoT medium (data pribadi), IIoT high (OT security critical karena failure dapat cause production stop atau safety incident). Ketiga, Reliability: consumer IoT best effort (jika lampu smart home offline, hidupkan manual), IIoT 5-nine atau 99,999 persen (jika sensor mesin offline, mesin dapat fail). Keempat, Network: consumer IoT pakai Wi-Fi atau Bluetooth, IIoT pakai 5G, LoRaWAN (Long Range), atau industrial Ethernet. Kelima, Volume: consumer IoT tens of devices per location (rumah), IIoT thousands of devices per factory. Keenam, Data frequency: consumer IoT sporadic (check temperature sporadis), IIoT continuous dengan millisecond frequency (vibration sensor 1.000 sample per detik). Ketujuh, Failure impact: consumer IoT inconvenience (user dapat workaround), IIoT production stop dan safety risk (sensor failure dapat cause explosion, injury). Tip praktis: IIoT butuh OT atau Operational Technology security yang berbeda dari IT security. Purdue Model adalah reference architecture untuk segmentation OT dan IT network — Level 0 (physical process) sampai Level 5 (enterprise network). Sebagai konsultan IIoT, Anda harus understand OT security landscape dan apply Purdue Model untuk secure connected factory.

Sintesis: Toolkit Industry 4.0 Praktisi

Lima skill yang harus Anda pegang sebagai praktisi global operations di era Industry 4.0.

Skill	Tools	Use Case
9 Pillar knowledge	BCG framework, Acatech	Identifikasi teknologi
Smart Factory design	OEE, MES, IIoT	Pabrik digital
Digital Twin application	GE Predix, Siemens, ANSYS	Simulation & optimization
AI/ML use case	Predictive maintenance, QC, demand	Predictive analytics
Industry 4.0 roadmap	Maturity model, Making Indonesia 4.0	Phased transformation

Sintesis hari ini adalah toolkit lima skill Industry 4.0. Pertama, 9 Pillar knowledge dengan BCG framework dan Acatech (German Industrie 4.0 reference) untuk identifikasi teknologi yang relevant. Kedua, Smart Factory design dengan OEE calculation, MES implementation, IIoT sensor untuk pabrik digital. Ketiga, Digital Twin application dengan GE Predix, Siemens Plant Simulation, ANSYS untuk simulation dan optimization. Keempat, AI/ML use case seperti predictive maintenance, quality control computer vision, demand forecast ML untuk predictive analytics. Kelima, Industry 4.0 roadmap dengan maturity model dan Making Indonesia 4.0 untuk phased transformation. Sebagai konsultan Industry 4.0, Anda akan sering apply lima skill ini untuk klien. Industry 4.0 adalah transformasi yang akan reshape industri manufaktur dan supply chain global — siapa yang lead akan menang.

Ringkasan & Persiapan Pertemuan 13

Apa yang sudah kita pelajari hari ini dan apa yang akan datang minggu depan.

Hari Ini (P12)

9 Pillar Industry 4.0 (BCG)
Smart Factory — 5 karakteristik, OEE
Digital Twin — 5 tipe
AI/ML untuk predictive analytics
Making Indonesia 4.0 + kasus Siemens Amberg

Minggu Depan (P13)

Teknologi terbaru untuk efisiensi
RPA (Robotic Process Automation)
Additive Manufacturing / 3D printing
AR/VR & Cobot
Kasus: GE Aviation 3D printing

Persiapan P13: baca tentang RPA tools (UiPath, Automation Anywhere); refresh 3D printing teknologi; siapkan satu proses repetitif yang menurut Anda perlu RPA.

Sebagai penutup, saya ingin menegaskan tiga pesan kunci hari ini. Pertama, Industry 4.0 adalah kumpulan 9 teknologi yang saling menguatkan — bukan satu silver bullet, tetapi portfolio yang harus di-prioritize berdasar ROI. Kedua, Smart Factory transformation adalah journey 10-20 tahun — start dengan quick win (predictive maintenance) lalu evolve ke advanced (digital twin, autonomous). Ketiga, Making Indonesia 4.0 adalah roadmap nasional yang harus di-support praktisi operations untuk target Indonesia top 10 economy 2030. Sampai jumpa di pertemuan 13 minggu depan di mana kita akan mendalami teknologi terbaru untuk efisiensi — RPA (Robotic Process Automation), additive manufacturing atau 3D printing, AR/VR, dan cobot. Topik ini sangat praktis dan applicable. Silakan baca tentang RPA tools dan refresh 3D printing teknologi. Terima Kasih sudah aktif berdiskusi — selamat belajar.