Program Studi Manajemen • FEB

Internet of Things (Manajemen/Bisnis)

Pertemuan 6 — Analitik Data IoT & Machine Learning

Menerjemahkan data sensor menjadi kecerdasan bisnis. Memahami bagaimana ML + IoT mengubah pemantauan pasif menjadi keputusan proaktif yang hemat biaya dan meminimalisir risiko.

RPS MINGGU 6 • SUB-CPMK 6 • DURASI 2 × 50 MENIT

Tujuan Pembelajaran Hari Ini

Setelah pertemuan ini, Anda mampu merancang dan mengevaluasi strategi implementasi Analitik Data IoT dalam konteks bisnis:

CAPAIAN 1 — FUNDAMENTAL

Paradigma Data IoT

Membedakan analitik deskriptif, diagnostik, prediktif, dan preskriptif dalam konteks aliran data real-time.

CAPAIAN 2 — MACHINE LEARNING

Peran ML di IoT

Mengidentifikasi bagaimana Machine Learning menjadi "otak" yang memproses data sensor untuk otomatisasi keputusan bisnis.

CAPAIAN 3 — USE CASES

Studi Kasus Industri

Menganalisis contoh nyata penerapan IoT+ML: Predictive Maintenance, Optimasi Rantai Pasok, & Manajemen Energi.

CAPAIAN 4 — TANTANGAN

Hambatan & ROI

Mengevaluasi tantangan (Keamanan, Integrasi, Volume Data) dan mengukur potensi Return on Investment (ROI).

Masalah Utama IoT: Tsunami Data

Sensor IoT menghasilkan data dalam jumlah masif. Tanpa analitik, data ini hanyalah noise (kebisingan) yang membebani server.

KONDISI TANPA ML/ANALITIK

Reaktif & Terlambat

Manajer hanya melihat "suhu naik" setelah mesin rusak. Keputusan lambat, kerugian besar akibat downtime. Rule-based (jika > 100°C maka alarm) tidak cukup untuk pola kompleks.

DENGAN ML/ANALITIK

Proaktif & Presisi

Sistem menemukan pola tersembunyi (suhu + getaran) dan memprediksi masalah sebelum terjadi. Keputusan diambil dalam hitungan milidetik secara otomatis.

Analitik dan ML adalah jembatan yang mengubah "IoT sebagai beban IT" menjadi "IoT sebagai aset bisnis strategis".

Bagian 1 dari 4

Evolusi Analitik Data di IoT

Memahami 4 tingkatan kematangan analitik: Dari sekadar melihat masa lalu hingga mesin yang mengambil tindakan otomatis.

Deskriptif Diagnostik Prediktif Preskriptif

4 Tingkat Kematangan Analitik IoT

1. DESKRIPTIF (APA YANG TERJADI?)

Fokus pada pelaporan masa lalu.
Contoh: "Berapa liter bahan bakar yang dihabiskan armada bulan lalu?"
Alat: Dashboard biasa, laporan harian.

2. DIAGNOSTIK (MENGAPA ITU TERJADI?)

Mencari akar penyebab suatu masalah.
Contoh: "Mengapa mesin A konsumsi bahan bakarnya naik 20% kemarin?"
Alat: Drill-down data, korelasi variabel.

3. PREDIKTIF (APA YANG AKAN TERJADI?)

Domain Machine Learning dimulai.
Contoh: "Mesin B kemungkinan besar akan rusak dalam 7 hari ke depan."
Alat: Algoritma ML, model statistik.

4. PRESKRIPTIF (APA YANG HARUS DILAKUKAN?)

Memberikan rekomendasi tindakan spesifik.
Contoh: "Jadwalkan teknisi untuk perbaikan Mesin B besok dan kurangi bebannya 10% sekarang."
Alat: AI tingkat lanjut, optimisasi.

Bagian 2 dari 4

Machine Learning sebagai "Otak" IoT

Bagaimana ML bekerja pada data IoT dan mengubah paradigma pemantauan menjadi intelijen proaktif.

Sensor + ML: Indra + Otak

Jika IoT adalah sistem saraf (sensor/kamera) yang mengumpulkan data, maka Machine Learning adalah otak yang memahaminya.

KETERBATASAN RULES/LOGIKA BIASA

If-Then Tidak Cukup

Logika If Suhu > 80°C Then Alert gagal menangkap pola kompleks. Kadang mesin rusak pada suhu 70°C jika dikombinasikan dengan getaran tertentu. Manusia tak bisa memprogram semua kemungkinan rules ini.

KEUNGGULAN MACHINE LEARNING

Menemukan Pola Tersembunyi

ML dilatih dengan data historis untuk mengenali signature atau pola halus sebelum terjadinya kegagalan. ML bisa memproses 50+ variabel sekaligus (suhu, getaran, kelembapan, beban kerja) secara real-time.

IoT menyediakan "Big Data", ML mengekstrak "Big Value".

Tipe Machine Learning di IoT (Konteks Bisnis)

1. SUPERVISED LEARNING (PEMBELAJARAN TERAWASI)

Cara kerja: Dilatih dengan data yang sudah "diberi label" (contoh: data getaran ini = mesin normal; data getaran itu = mesin mau rusak).
Fungsi bisnis: Prediksi dan Klasifikasi.
Contoh IoT: Memprediksi sisa umur pakai komponen pabrik.

2. UNSUPERVISED LEARNING (PEMBELAJARAN TAK TERAWASI)

Cara kerja: Mencari pola anomali dari data tanpa label.
Fungsi bisnis: Deteksi Anomali (Anomaly Detection).
Contoh IoT: Menemukan anomali keamanan jaringan IoT atau mendeteksi perilaku abnormal pada sistem HVAC gedung yang boros energi.

Coba Sendiri: Bagaimana Decision Tree "Belajar" dari Data Sensor

Ubah titik split pada data getaran/suhu dan amati bagaimana nilai Gini impurity berubah — itulah cara model supervised learning memilih aturan klasifikasinya sendiri.

Di Mana Analitik Dilakukan? (Edge vs Cloud)

Keputusan arsitektur yang sangat mempengaruhi biaya bandwidth dan kecepatan respon.

Aspek Bisnis	Edge Analytics (Di dekat Sensor/Gateway)	Cloud Analytics (Di Data Center Sentral)
Waktu Respon (Latency)	Sangat Cepat (Milidetik). Cocok untuk rem darurat.	Lambat (Tergantung koneksi internet).
Biaya Jaringan/Internet	Rendah (Hanya mengirim hasil analitik ke cloud).	Tinggi (Harus mengirim SEMUA data mentah).
Kekuatan Komputasi	Terbatas (Perangkat kecil, baterai).	Hampir Tak Terbatas (Server raksasa).
Ideal untuk:	Otomatisasi pabrik real-time, mobil otonom.	Analisis tren jangka panjang, laporan bulanan.

Tren saat ini: Hybrid. ML dilatih (training) di Cloud menggunakan Big Data, lalu modelnya dikirim dan dijalankan (inference) di Edge.

Bagian 3 dari 4

Studi Kasus Bisnis Nyata (Real-World)

Melihat bagaimana industri terkemuka menghemat jutaan dolar menggunakan IoT Analytics & Machine Learning.

Use Case 1: Predictive Maintenance (Manufaktur)

Ini adalah Holy Grail atau "Cawan Suci" penerapan IoT di industri. Mencegah sebelum terjadi.

MASALAH LAMA

Preventif: Ganti suku cadang tiap 6 bulan, padahal masih bagus (boros biaya komponen).
Reaktif: Tunggu sampai rusak, pabrik berhenti mendadak (kerugian miliaran rupiah per jam).

SOLUSI IOT + ML

Sensor getaran, suara (akustik), suhu dipasang di turbin/motor.
ML menganalisis pola mikro yang menunjukkan keausan bantalan (bearing).
Hasil: "Perbaiki dalam 4 hari". Maintenance dilakukan saat jadwal libur.

Dampak Bisnis: Mengurangi downtime tak terencana hingga 70% dan biaya maintenance hingga 25% (Data industri rata-rata). Contoh: Hitachi menerapkan pemantauan armada terhubung.

Use Case 2: Manajemen Energi & Keberlanjutan

Perusahaan menghadapi tekanan untuk mengurangi emisi karbon dan memotong tagihan listrik yang besar.

SISTEM KONVENSIONAL

Jadwal Statis

AC dan lampu menyala dari jam 8 pagi - 5 sore dengan suhu tetap, tidak peduli cuaca di luar atau berapa orang yang ada di dalam ruangan.

SISTEM IOT + ML (SMART HVAC)

Penyesuaian Dinamis

IoT memonitor okupansi ruangan, cuaca eksternal, dan arah sinar matahari. ML memprediksi beban pendinginan dan menyesuaikan HVAC secara preskriptif sebelum ruangan menjadi panas.

Dampak Bisnis: Penurunan tagihan energi rata-rata 15-20% dan membantu perusahaan mencapai target Net Zero Emission. Sering digunakan di industri petrokimia dan properti besar.

Use Case 3: Optimasi Retail & Rantai Pasok

IoT melacak fisik barang, ML mengubah data pelacakan tersebut menjadi prediksi bisnis.

CONTOH: MANAJEMEN RANTAI DINGIN (COLD CHAIN) & INVENTORY

Kasus: Pengiriman vaksin atau bahan makanan segar antar benua.
IoT: Sensor suhu dan kelembapan di dalam kontainer bergerak melaporkan data tiap detik.
Analitik ML: Mendeteksi anomali pada kompresor kontainer dan memprediksi fluktuasi suhu sebelum merusak produk.
Demand Forecasting (Retail): ML menggabungkan data IoT (inventory real-time di rak cerdas) dengan data eksternal (cuaca, event) untuk memprediksi kapan stok harus ditambah sebelum habis.

Dampak Bisnis: Meminimalisir pembusukan produk (spoilage) hingga miliaran rupiah, menghindari kehilangan penjualan (out-of-stock), dan personalisasi pengalaman pelanggan di toko.

Use Case 4: Model Bisnis Baru (Asuransi)

IoT dan ML memungkinkan perusahaan beralih dari sekadar "menjual produk" menjadi "menjual layanan/hasil".

ASURANSI TRADISIONAL

Berdasarkan Demografi

Premi asuransi mobil ditentukan oleh umur pengemudi, jenis kelamin, dan riwayat klaim lampau. (Kurang akurat, pengemudi muda yang berhati-hati tetap bayar mahal).

PAY-AS-YOU-DRIVE (TELEMATICS)

Berdasarkan Perilaku Nyata

Sensor IoT di mobil (Telematika) melacak akselerasi kasar, pengereman mendadak, jam mengemudi. ML menilai profil risiko nyata. Pengemudi aman bayar lebih murah.

Dampak Bisnis: Keunggulan kompetitif (menarik pelanggan risiko rendah). Produsen mesin juga beralih menjual "Power-by-the-hour" (bayar berdasarkan performa, bukan beli mesinnya).

Bagian 4 dari 4

Implementasi: Tantangan & Justifikasi ROI

Manajer bukan sekadar penikmat teknologi, tapi yang menanggung risiko kegagalannya. Bagaimana memulai proyek analitik IoT?

Tantangan Nyata di Lapangan

1. DATA COMPLEXITY (SIFAT DATA)

Menangani 5V Big Data: Velocity (kecepatan tinggi), Volume, Variety (format data beda-beda), Veracity (kebisingan/sensor rusak), Value.
Solusi: Arsitektur cloud-native yang scalable.

2. SILO & LEGACY SYSTEMS

Sistem pabrik lama (usia 20 tahun) tidak bisa bicara dengan sensor baru. Data terkurung di departemen berbeda.
Solusi: Penggunaan gateway industri dan API standar.

3. SECURITY & PRIVACY BY DESIGN

Menambah sensor = menambah celah masuk bagi hacker ke jaringan perusahaan. Data pribadi pelanggan juga rentan terekspos.
Solusi: Enkripsi end-to-end, pembaruan firmware over-the-air (OTA).

Garbage In, Garbage Out (GIGO)

Machine Learning tidak punya common sense. Jika diberi data IoT yang buruk, prediksi bisnis akan fatal (dan merugikan).

PENYEBAB DATA BURUK DI IOT

Sensor Rusak / Kalibrasi

Sensor getaran yang longgar akan mengirim data "getaran tinggi". ML menyimpulkan mesin akan rusak, teknisi didatangkan, padahal mesin normal (hanya baut sensor kendur). Ini memicu peringatan palsu (False Positive).

STRATEGI MITIGASI

Data Cleaning Real-time

Pentingnya lapisan analitik awal (di edge) yang memfilter anomali tak masuk akal (misal suhu turun 100 derajat dalam 1 detik). Data harus distandarisasi sebelum masuk ke model ML prediktif.

Justifikasi Bisnis (ROI) Proyek IoT-Analytics

Jangan investasi di IoT + ML hanya karena "teknologi keren". Proyek harus membuktikan nilai uang.

Komponen Biaya (CAPEX & OPEX)	Potensi Penghematan / Pendapatan Baru
Pembelian Sensor & Gateway Edge	Penurunan Unplanned Downtime (Pabrik).
Biaya Sewa Cloud & Bandwidth	Penghematan Konsumsi Energi & Bahan Baku.
Gaji Data Scientist & Konsultan	Perpanjangan Umur Aset (Capex avoidance).
Pemeliharaan Platform IT	Aliran Pendapatan Baru (Data-as-a-service / Servitization).

Best Practice: Mulai dengan proyek percontohan kecil (Pilot Project) di satu lini produksi untuk membuktikan ROI sebelum penerapan skala besar.

Kesimpulan Utama

1. NILAI ADA PADA ANALITIK

Bukan pada Sensornya

Konektivitas hanyalah alat. Nilai bisnis tercipta saat data diubah menjadi tindakan prediktif dan preskriptif oleh analitik lanjutan.

2. ML SEBAGAI OTAK

Mengenali Pola Kompleks

Machine Learning menangani volume dan kerumitan data yang mustahil diproses oleh logika berbasis aturan (If-Then) manusia.

3. USE CASES KUAT

Prediksi & Optimasi

Aplikasi nyata terbukti pada Predictive Maintenance, efisiensi energi bangunan pintar, dan inovasi rantai pasokan.

4. IMPLEMENTASI TERUKUR

Mulai dari Pilot Project

Pahami tantangan kualitas data (GIGO), keamanan, dan pastikan ROI sebelum melakukan peluncuran skala penuh.

SELESAI

Terima Kasih

Sampai jumpa di pertemuan selanjutnya.

Pertemuan 6 • Analitik Data IoT dan Machine Learning