ASA Delapan: Memanfaatkan AI untuk Memprediksi Alarm di Mesin Tambang

Bagaimana Artificial Intelligence dan machine learning dapat membantu perusahaan pertambangan? 

Pertanyaan itulah yang coba dijawab Unearthed Solutions melalui sebuah kompetisi berjudul Sound The Alarm. Menggunakan data dari OZ Minerals (sebuah perusahaan tambang emas asal Australia), kompetisi ini mengundang pakar machine learning dari berbagai negara untuk melakukan kalkulasi seputar predictive maintenance. 

Sebagai latar belakang, predictive maintenance memiliki peranan krusial dalam operasional perusahaan tambang. Dengan begitu banyaknya mesin yang beroperasi selama 24/7, penting bagi perusahaan tambang untuk melakukan proses perawatan di waktu yang optimal. Indikasi perlunya perawatan biasanya menggunakan alarm, yang menjelaskan mengapa kompetisi ini disebut Sound The Alarm.

Pada kasus OZ Minerals, alarm predictive maintenance ini sebenarnya sudah ada. Namun sistem yang digunakan selama ini dirasa terlalu mepet dalam memberikan peringatan. Padahal, proses perawatan membutuhkan waktu persiapan. 

Karena itulah kompetisi ini dibuat, yaitu membuat sistem predictive maintenance berbasis machine learning. Kompetisi ini mencari model machine learning yang paling presisi memprediksi alarm mana yang berbunyi dalam kurun waktu satu minggu, dua minggu, dan satu bulan ke depan. 

Kompetisi menggunakan data operasional asli dari OZ Minerals, dan model perhitungan juga langsung digunakan di lapangan. Dengan kata lain, kompetisi ini mempresentasikan kondisi sesungguhnya.

Kompetisi Sound The Alarm ini pun menarik perhatian kelompok data scientist asal Indonesia bernama ASA Delapan. Dan hebatnya, kelompok yang terdiri dari Zulfikar Adnan, Alfian Rahman, Agus Jamaludin, dan Muhammad Shafrul ini berhasil menempati posisi teratas.

Cara Membuat Model AI

Bukan tanpa alasan ASA Delapan berhasil menjadi pemenang di kompetisi Sound The Alarm ini. Pasalnya, ASA Delapan terdiri dari tim big data Petrosea, perusahaan kontraktor pertambangan Indonesia yang berdiri sejak tahun 1972. 

Menariknya, ASA Delapan ini sebenarnya adalah kegiatan “ekstrakurikuler” di luar kegiatan tugas resmi masing-masing. “Saya menginisiasi ASA Delapan untuk melakukan riset dan meningkatkan skills di luar jam kerja,” ungkap Zulfikar Adnan, yang sehari-hari bertugas sebagai Solution Architect Petrosea. Kegiatan ini pun direstui manajemen Petrosea, sehingga tim ASA Delapan dapat menggunakan aset kantor untuk melakukan aktivitas di luar jam kerja ini.

Saat mengikuti kompetisi Sound The Alarms ini, tim ASA Delapan mendapatkan data dari OZ Minerals berupa historical alarm data untuk setiap perangkat. “Datanya boleh dibilang semi unstructured, berupa tabel tag alarm apa, [dan berbunyi] di jam dan hari apa,” ungkap Agus Jamaludin yang sehari-hari bekerja sebagai data scientist di Petrosea. Karena itu sebagai langkah pertama, dilakukan strukturisasi data yang mengubah categorical data menjadi numeric data.

Tahapan selanjutnya adalah melakukan Exploratory Data Analysis (EDA) untuk menganalisis data set dan menyimpulkan karakter utamanya. “Di proses ini, kita mencari tahu informasi umum yang bisa didapat,” ungkap Alfian Rahman (Data Scientist Petrosea). Dari proses EDA ini, didapat pola beberapa alarm yang sering muncul. 

Langkah selanjutnya adalah melakukan data cleansing, seperti menghilangkan data yang duplikat atau outlier (di luar normal). Setelah itu disusul proses data transformation (termasuk mengganti data menjadi numerik) dan data extraction (menyeleksi data yang meningkatkan akurasi). “Baru setelah itu kita melakukan pemodelan, dengan mempertimbangkan apakah model tersebut balance atau tidak,” ungkap M. Syahrul. 

Setelah melakukan iterasi sebanyak 40 kali untuk mencari model terbaik, tim ASA Delapan pun mengirim model perhitungan ke kompetisi. Dan karena memiliki tingkat presisi yang paling tinggi, ASA Delapan pun terpilih menjadi pemenang dengan mengalahkan tim lain dari berbagai negara.  

Tips Mengadopsi AI

Cerita di atas bisa menggambarkan bagaimana peran machine learning dalam mengatasi masalah bisnis di industri pertambangan. Namun jika ditelaah lebih jauh, pendekatan berbasis machine learning ini sebenarnya juga bisa dilakukan di industri lain. 

Zulfikar Adnan pun memberikan masukan bagi perusahaan yang ingin mengimplementasikan machine learning. “Yang utama adalah memahami keinginan dari organisasi terlebih dahulu,” ungkap Zulfikar. Hal ini penting untuk mengidentifikasi data yang dibutuhkan untuk memenuhi keinginan tersebut. Jika data yang dibutuhkan tidak tersedia, perusahaan bisa menyusun strategi untuk mengumpulkan data, termasuk menggunakan data publik yang relevan.

Zulfikar juga mengingatkan pentingnya memilih platform yang tepat sejak awal. “Jadi mulai dari data lake, data warehouse, sampai aplikasi yang digunakan, harus sesuai dengan kebutuhan perusahaan,” ungkap Zulfikar. Jika salah memilih, akan membutuhkan waktu dan tenaga yang besar untuk mengubahnya.

Yang tak kalah penting, perusahaan harus memahami kalau implementasi machine learning adalah sebuah perjalanan bertahap. “Jadi tidak bisa langsung loncat ke machine learning atau AI,” tambah Zulfikar. Pengalaman menunjukkan, perjalanan ini bisa mencapai 5-10 tahun.

Dalam rentang waktu sepanjang itu, teknologi dipastikan akan berkembang dengan cepat. Karena itu, penting bagi talenta di seputar data dan AI untuk terus meningkatkan kemampuannya. Alvian Rahman pun memberikan masukan.

“Yang penting itu keep learning, karena kita harus mengikuti perkembangan teknologi dan algoritma,” ungkap Alvian. Terlibat di komunitas juga menjadi salah satu cara untuk belajar dan menyerap ilmu dari mereka yang lebih ahli.

PROMOTED CONTENT

Video Pilihan