Perangkat Lunak Digital Twin untuk Manufaktur: Daftar Periksa bagi Pembeli

Disclosure: M365.FM host Mirko Peters works at iFAKT GmbH. This page describes the company factually; paid partnerships and links are labelled as advertising.

By Mirko Peters · 2026-11-12

Perangkat lunak digital twin untuk manufaktur menjaga model tetap sinkron dengan data langsung. Daftar periksa untuk membandingkan platform, alat siap pakai, keamanan, biaya, dan perawatannya.

Automatically translated with AI from the original post. Read the English original

Perangkat lunak digital twin untuk manufaktur membangun model dari sebuah mesin, lini produksi, atau pabrik, dan menjaga model tersebut tetap terhubung dengan data nyata, sehingga Anda dapat memantau apa yang sedang berjalan, memprediksi masalah, atau menguji perubahan sebelum menerapkannya. Artikel ini ditujukan bagi manajer pabrik yang harus membandingkan penawaran yang semuanya menggunakan istilah yang sama. Artikel ini tidak mengulas kembali dasar-dasar twin; artikel ini memberikan daftar periksa untuk memilih perangkat lunak, mulai dari apa yang wajib dimilikinya hingga biaya untuk menjaganya tetap berjalan.

Poin Penting

• NIST menyebutkan tiga elemen esensial sebuah twin: sensing frekuensi tinggi, konektivitas IoT industri yang andal, dan model simulasi untuk prediksi. Perangkat lunak harus mencakup ketiganya atau bekerja sama dengan mitra yang menyediakannya.
• Azure Digital Twins adalah layanan platform untuk graf twin, bukan aplikasi pabrik siap pakai, dan Microsoft menyatakan bahwa layanan ini berbeda dari pratinjau digital twin builder di Fabric.
• Tentukan terlebih dahulu apakah Anda memerlukan platform untuk membangun solusi atau alat siap pakai untuk pertanyaan tertentu, karena jawabannya menentukan siapa yang mengerjakan pekerjaan tersebut dan berapa biayanya.
• ISO 23247-1 memberikan gambaran umum dan prinsip-prinsip umum kerangka digital twin untuk manufaktur, yang membantu Anda menyepakati istilah yang sama dengan vendor.
• Anggarkan biaya untuk integrasi data, validasi model, dan perawatan selain lisensi, serta batasi proyek percontohan pertama pada satu lini produksi dan satu keputusan.

Apa saja yang seharusnya tercakup dalam perangkat lunak digital twin untuk manufaktur?

Mulailah dari definisi yang tidak bisa dibelokkan oleh vendor. NIST menggambarkan digital twin sebagai representasi virtual dinamis berbasis data yang secara akurat mereplikasi, terhubung dengan, dan tersinkronisasi dengan padanan fisiknya. NIST menegaskan bahwa twin bukanlah model statis, dan menyebutkan tiga elemen esensial yang menentukan tingkat kesetiaan, kegunaan, dan keberlanjutan jangka panjangnya: sensing frekuensi tinggi, infrastruktur IoT industri yang andal untuk konektivitas, serta model simulasi lanjutan untuk analisis prediktif.

Ubah ketiga elemen tersebut menjadi pertanyaan untuk produk apa pun:

1. Data masuk. Sumber apa saja yang dibacanya: kontroler mesin, sensor, MES, ERP, atau spreadsheet? Seberapa sering datanya diperbarui? Siapa yang membangun dan memelihara setiap koneksi?
2. Model yang bermakna. Bagaimana pabrik dideskripsikan: aset, lini, proses, dan hubungannya? Dapatkah staf Anda sendiri mengubah deskripsi tersebut ketika proses berubah?
3. Analisis di atasnya. Apakah perangkat lunak ini hanya menampilkan nilai saat ini, atau juga dapat memprediksi, mensimulasikan, dan membandingkan skenario? Apakah kemampuan itu sudah tersedia secara bawaan, atau merupakan proyek terpisah?

Lalu tambahkan dua kebutuhan praktis: orang harus dapat membaca hasilnya (dasbor, laporan, peringatan), dan akses harus dikendalikan berdasarkan peran. Jika sebuah produk tidak menyediakan salah satu dari kelima hal tersebut, tanyakan siapa yang akan menyediakannya.

Jenis perangkat lunak apa saja yang dijual sebagai digital twin?

Label digital twin mencakup hal-hal yang sangat berbeda. Kelompokkan penawaran ke dalam empat kategori sebelum Anda membandingkan harga.

• Platform untuk membangun solusi. Platform ini menyediakan komponen untuk menyimpan model, menghubungkan data, dan melakukan kueri terhadapnya. Anda atau mitra membangun solusi di atasnya.
• Twin produksi siap pakai. Twin ini sudah dilengkapi model data yang siap digunakan untuk produksi, misalnya untuk perencanaan, simulasi, atau optimalisasi pabrik, dan membutuhkan lebih sedikit pengembangan.
• Twin aset dan kondisi. Twin ini berfokus pada kesehatan mesin dengan memanfaatkan data sensor untuk mendeteksi keausan dan anomali.
• Twin desain dan komisioning. Twin ini menguji tata letak dan logika kontrol sebelum peralatan dipasang.

Alat dari satu kelompok menjawab pertanyaan yang berbeda dari alat di kelompok lain. Twin kondisi tidak akan memberi tahu Anda apakah model shift baru dapat menuntaskan tumpukan pekerjaan Anda, dan simulasi produksi tidak akan memberi tahu kapan bantalan akan rusak. Tuliskan keputusan Anda terlebih dahulu, baru pilih kelompoknya.

Apa yang ditawarkan platform seperti Azure Digital Twins?

Azure Digital Twins adalah contoh dari Microsoft. Menurut Microsoft Learn, ini adalah platform as a service untuk membuat graf twin berdasarkan model digital lingkungan seperti gedung, pabrik, atau jaringan energi. Anda mendefinisikan kosakata domain Anda dalam Digital Twins Definition Language (DTDL), sebuah bahasa mirip JSON, dan twin adalah instans dari model-model tersebut. Relasi antar-twin membentuk graf, yang dapat Anda kueri sebagai representasi langsung yang selalu mutakhir. IoT Hub dapat menyediakan data perangkat, REST API dan konektor dapat membawa data dari sistem bisnis, dan event route dapat meneruskan data twin ke layanan Azure lain untuk analitik.

Ada dua hal yang penting bagi calon pembeli. Pertama, ini adalah blok bangunan. Platform ini menyimpan dan menghubungkan model, sedangkan logika what-if dari simulasi produksi, dengan antrean, pengaturan mesin, dan kalender shift, adalah perangkat lunak yang berbeda, dan hasilnya harus Anda atau mitra kembangkan sendiri. Kedua, halaman tersebut menyatakan bahwa Azure Digital Twins berbeda dari digital twin builder di Fabric (pratinjau) dan dari device twin di IoT Hub. Pastikan lebih dulu mana yang dimaksud rekan kerja atau vendor Anda sebelum Anda membuat rencana.

Riwayat adalah langkah terpisah. Graf merupakan tampilan langsung, dan halaman Microsoft tentang data history menjelaskan bahwa Anda menghubungkan instans ke klaster Azure Data Explorer untuk merekam pembaruan graf dari waktu ke waktu, dengan namespace Event Hubs di antaranya. Halaman itu juga mencatat bahwa pesan yang dikeluarkan oleh data history ditagih berdasarkan dimensi harga pesan. Dengan kata lain, "kami ingin melihat tren bulan lalu" menambah komponen dan pos biaya. Ajukan pertanyaan yang sama kepada setiap vendor: di mana riwayat disimpan, dan berapa biayanya?

Sebaiknya membangun di atas platform atau membeli alat siap pakai?

Gunakan pertanyaan-pertanyaan berikut untuk memutuskan.

• Seberapa spesifik pertanyaan Anda? Untuk pertanyaan produksi yang terdefinisi dengan jelas, seperti kapasitas, penjadwalan staf, atau bauran produk, alat siap pakai biasanya lebih cepat memberikan jawaban. Untuk fondasi digital jangka panjang yang luas di berbagai jenis aset, platform memberikan fleksibilitas.
• Siapa yang akan mengerjakannya? Platform membutuhkan pengembang atau mitra. Hitung waktu mereka. Alat siap pakai memindahkan pekerjaan ke konfigurasi dan persiapan data.
• Seberapa unik proses Anda? Semakin tidak lazim proses Anda, semakin penting model yang fleksibel. Alur standar lebih cocok dengan alat siap pakai.
• Berapa lama Anda berencana menggunakannya? Model yang bertahan bertahun-tahun membutuhkan pemilik dan anggaran untuk perubahan. Tanyakan siapa yang akan memperbaruinya ketika Anda menambah keluarga produk atau memindahkan lini produksi.
• Apa yang sudah Anda miliki? Jika tim TI Anda sudah mengelola platform cloud dan tim data, membangun di atas platform mungkin cocok. Jika Anda belum memiliki keduanya, alat siap pakai mungkin jalur yang lebih realistis.

Tidak ada jawaban yang benar untuk semua orang. Banyak pabrik akhirnya menggunakan keduanya: platform untuk fondasi data bersama dan alat siap pakai untuk keputusan tertentu. Rencanakan antarmuka di antara keduanya sejak awal.

Bagaimana memeriksa konektivitas dan standar?

Twin hanya berguna jika data masuk dan hasil keluar. Tanyakan bagaimana perangkat lunak tersebut terhubung dengan peralatan dari berbagai usia dan pabrikan.

Salah satu jalur yang umum digunakan adalah OPC UA. OPC Foundation menggambarkannya sebagai standar untuk membawa data dari perangkat kontrol pabrik dan proses ke sistem perusahaan, dengan penekanan pada keamanan, keandalan, dan operasi lintas platform, serta menyebutkan bahwa standar ini menjadi IEC 62541 pada tahun 2011. Vendor yang mendukung OPC UA biasanya dapat membaca data dari banyak mesin tanpa driver khusus, meskipun peralatan lama mungkin memerlukan gateway atau sensor tambahan.

Untuk kerangka kerjanya sendiri, ISO 23247-1 adalah bagian pertama dari standar "Digital twin framework for manufacturing". ISO mencatat standar ini diterbitkan pada Oktober 2021, berisi ikhtisar dan prinsip umum, termasuk istilah, definisi, dan persyaratan kerangka kerja. Membacanya tidak akan membangun digital twin Anda, tetapi standar ini memberi tim Anda dan vendor kosakata yang sama. Tanyakan apakah arsitektur vendor mengacu padanya dan apa artinya dalam praktik, bukan hanya di slide presentasi.

Tanyakan juga tentang batas-batas sistem:

• Bisakah Anda mengekspor model dan data Anda dalam format terbuka?
• Apakah sistem ini terhubung dengan ERP, MES, dan alat pelaporan Anda, misalnya Power BI, tanpa pekerjaan khusus untuk setiap laporan?
• Apa yang terjadi ketika aliran data terhenti? Digital twin yang terus menampilkan nilai lama dengan tingkat keyakinan penuh lebih buruk daripada yang menampilkan celah data.

Bagaimana Anda menilai keamanan dan akses?

Digital twin menghubungkan sistem yang sebelumnya terpisah: mesin, pesanan produksi, dan mungkin data pemasok. Hal ini memperluas jalur yang dapat dimanfaatkan penyerang, dan memperluas lingkaran orang yang dapat melihat proses Anda.

Ajukan pertanyaan-pertanyaan ini secara tertulis:

• Siapa yang dapat melihat dan mengubah bagian mana dari model? Apakah aksesnya berbasis peran, dan dapatkah dibatasi per pabrik atau lini produksi?
• Di mana data disimpan, siapa yang mengoperasikannya, dan apa yang terjadi dengan data tersebut jika Anda berhenti menggunakan layanan ini?
• Bagaimana perubahan pada model dicatat, dan apakah Anda dapat mengembalikannya (rollback)?
• Sertifikasi keamanan apa yang dimiliki vendor, dan apa cakupannya? Sertifikat untuk perusahaan tidak otomatis mencakup produk yang Anda beli.
• Bagaimana pembaruan dan patch sampai ke sistem, dan siapa yang bertanggung jawab atasnya?

Jika Anda berbagi data dengan pelanggan atau pemasok, tanyakan kepada mereka apakah mereka mensyaratkan penilaian keamanan tertentu sebelum Anda menghubungkan apa pun.

Berapa biaya sebenarnya, dan bagaimana Anda mengukur nilainya?

Biaya lisensi adalah bagian yang paling terlihat. Biaya lainnya biasanya muncul kemudian:

• Sensor, gateway, dan pekerjaan jaringan untuk mesin yang tidak memiliki output digital.
• Persiapan data: pembersihan, pemetaan, dan penyepakatan definisi di seluruh sistem.
• Membangun model dan memvalidasinya terhadap hasil nyata.
• Konsumsi cloud, seperti volume pesan dan penyimpanan untuk riwayat data.
• Orang yang memelihara model setelah setiap perubahan proses.
• Pelatihan bagi orang-orang yang menggunakan hasilnya.

Minta setiap vendor menghitung harga satu lini pilot selama tiga tahun, termasuk semua hal di atas. Bandingkan total biaya, bukan langganan saja.

Untuk nilai, tentukan ukurannya sebelum Anda mulai. Kaitkan dengan keputusan yang didukung oleh digital twin: waktu henti tak terjadwal pada lini pilot, lead time, kepatuhan jadwal, waktu setup, scrap, atau upaya pemeliharaan. Catat baseline selama setidaknya beberapa minggu, jalankan pilot, lalu bandingkan. Jika Anda tidak dapat menyebutkan angka yang seharusnya berubah, Anda belum siap untuk membeli.

Berikut contoh hipotetis. Seorang manajer pabrik ingin mengetahui apakah shift kedua di sel perakitan dapat mengatasi backlog yang terus berulang. Tidak ada yang perlu data mesin secara langsung di sini. Simulasi yang dibangun dari routing, waktu siklus, dan kalender dapat menjawabnya secara langsung. Digital twin pemantauan kondisi dengan program sensor akan menjadi proyek yang jauh lebih besar dan bahkan tidak akan menjawab pertanyaan tersebut. Alat termurah yang mampu menjawab keputusan itulah yang sebaiknya dipilih.

Bagaimana menjaga digital twin tetap akurat seiring waktu?

Pabrik berubah, dan digital twin yang tidak diperbarui akan menyimpang dari kenyataan. Tetapkan aturannya sejak awal.

1. Tentukan pemilik untuk setiap model, beserta wakilnya.
2. Berikan versi pada model. Catat siapa mengubah apa dan mengapa, serta pertahankan kemampuan untuk mengembalikan perubahan.
3. Kaitkan perubahan model dengan perubahan pabrik. Keluarga produk baru, mesin yang dipindahkan, atau pola shift yang berubah memicu tinjauan model.
4. Validasi secara berkala. Bandingkan keluaran digital twin dengan hasil nyata untuk periode terbaru dan catat celahnya.
5. Skalakan secara bertahap. Tambahkan lini berikutnya hanya ketika lini pertama sudah memiliki pemilik, model yang tervalidasi, dan hasil yang dapat diukur. Saat berkembang ke banyak pabrik, standarkan definisi data inti dan izinkan variasi lokal yang terkendali.

Kesalahan umum

• Membeli perangkat lunak sebelum menyebutkan keputusan yang seharusnya didukungnya.
• Membandingkan harga lisensi sambil mengabaikan integrasi, validasi, dan pemeliharaan.
• Memilih platform padahal alat paket sudah cukup menjawab pertanyaan, atau sebaliknya.
• Menerima gambar 3D sebagai bukti kembaran digital padahal tidak ada data langsung yang menggerakkannya.
• Melewatkan pengecekan atas apa yang terjadi saat aliran data gagal.
• Membiarkan model tanpa pemilik setelah tim proyek pindah ke tugas lain.
• Memulai dari seluruh pabrik, bukan dari satu lini produksi.

Posisi Polaris

Jika pertanyaan pertama Anda menyangkut perencanaan dan keputusan what-if, iFAKT Polaris layak Anda pertimbangkan. iFAKT menggambarkan Polaris sebagai AI plus kembaran digital untuk produksi, yang menggabungkan data ERP dengan kembaran digital manufaktur. Modul Polaris Designer mengubah data masukan seperti data ERP, waktu proses, struktur sumber daya, dan batasan menjadi graf pengetahuan produk-proses-sumber daya yang berfungsi sebagai sumber kebenaran tunggal. Modul Polaris Simulator memanfaatkan graf tersebut untuk menguji sistem produksi secara virtual, termasuk skenario kapasitas, penugasan personel, dan penyangga. Polaris ditujukan untuk keputusan perencanaan produksi, bukan pemantauan kondisi mesin tunggal, jadi sesuaikan dulu dengan pertanyaan Anda.

Topik terkait untuk didalami

• Standar dan interoperabilitas: bagaimana OPC UA, protokol lain, dan ISO 23247 saling melengkapi dalam kumpulan mesin yang beragam.
• Middleware dan integrasi: menghubungkan kembaran digital ke ERP, MES, dan SCADA tanpa tautan khusus untuk setiap laporan.
• Tata kelola model: pemversian, peran akses, dan siklus tinjauan untuk model yang terus berubah.
• Penskalaan lintas pabrik: model terpusat versus lokal, dan cara menjaga definisi data tetap selaras.
• Total biaya dan pengembalian: cara menyusun tampilan biaya tiga tahun dan ukuran sebelum-sesudah untuk sebuah percobaan (pilot).

Langkah berikutnya

Tuliskan satu keputusan yang ingin Anda dukung dengan kembaran digital, beserta angka yang seharusnya berubah jika solusinya berhasil. Bawa catatan itu ke percakapan vendor berikutnya dan tanyakan kepada setiap vendor bagaimana perangkat lunak kembaran digital manufaktur mereka akan menjawabnya pada satu lini percobaan, dengan data apa, dan dengan total biaya berapa selama tiga tahun.