Digital Twin vs Simulation Tools: Cara Memilih untuk Pabrik Anda

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

Digital twin vs simulation tools: apa yang membedakan keduanya, pertanyaan apa yang dijawab masing-masing, dan bagaimana manajer pabrik dapat memilih tanpa membeli lebih dari yang dibutuhkan.

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

Simulasi adalah model yang Anda jalankan untuk melihat apa yang mungkin terjadi jika Anda mengubah sesuatu. Digital twin adalah model yang tetap terhubung dengan pabrik nyata dan diperbarui dengan data langsung. Inilah inti dari pertanyaan digital twin vs simulation tools, dan inilah yang menentukan apa yang Anda beli, data apa yang Anda butuhkan, dan siapa yang harus memeliharanya setelahnya. Artikel ini ditujukan bagi manajer pabrik yang sudah mendengar kedua istilah ini dalam presentasi vendor dan membutuhkan cara untuk memilih.

Poin Penting

• Simulasi adalah model yang Anda jalankan untuk menjawab pertanyaan "bagaimana jika"; digital twin adalah model yang tetap terhubung dengan pabrik nyata melalui data langsung.
• NIST menyebutkan tiga elemen penting dari twin: sensing frekuensi tinggi, konektivitas IoT industri yang andal, dan model simulasi untuk prediksi.
• Simulasi adalah bagian inti dari sebagian besar twin, sehingga pilihan sebenarnya adalah apakah pertanyaan Anda membutuhkan koneksi langsung atau cukup model yang baik.
• Pilih simulasi untuk keputusan tentang perubahan yang belum ada, dan twin untuk memantau serta mengendalikan apa yang sedang berjalan saat ini.
• Uji alat apa pun dengan satu pertanyaan yang sempit terlebih dahulu, lalu periksa bagaimana alat itu memperoleh datanya, bagaimana Anda memvalidasinya, dan siapa yang dapat membaca hasilnya.

Apa perbedaan antara digital twin dan simulasi?

Mulailah dari definisinya, karena vendor sering melebarkan makna kedua istilah ini.

NIST, lembaga standar Amerika Serikat, menggambarkan digital twin sebagai representasi virtual yang dinamis dan didorong data, yang harus mereplikasi padanan fisiknya secara cermat dan tetap tersinkronisasi dengannya. NIST menyatakan bahwa twin yang berhasil bukanlah model statis. NIST menyebutkan tiga elemen penting: sensing frekuensi tinggi, konektivitas IoT industri yang andal, dan model simulasi untuk analisis prediktif.

Perhatikan elemen ketiga. Simulasi berada di dalam twin. Sebuah makalah NIST tentang simulasi dan digital twin mencatat bagaimana para ahli memandang hubungan keduanya. Salah satu panelis menggambarkan simulasi sebagai model operasi manufaktur yang sering digunakan secara mandiri dan tidak terhubung dengan sistem nyata, sementara twin juga tersinkronisasi dengan sisi fisik dan dapat mencakup seluruh siklus hidup. Panelis lain tidak melihat perbedaan mendasar dan menyebut "digital twin" sebagai nama baru untuk sesuatu yang sudah dilakukan orang-orang simulasi selama puluhan tahun. Makalah tersebut menyatakan bahwa perdebatan ini masih terbuka.

Jadi, berikut cara membacanya secara praktis. Jika sebuah alat hanya berjalan ketika seseorang memulainya dengan input yang dipilih, anggap itu simulasi. Jika alat tersebut terus menerima data dari pabrik dan berubah bersamanya, anggap itu twin. Banyak produk berada di antara keduanya, dan label di brosur tidak akan memberi tahu Anda di mana posisinya.

Sebuah analogi dapat membantu. Simulasi seperti merencanakan perjalanan dengan peta kertas: Anda memilih rute, memeriksa jaraknya, dan peta itu tidak berubah selama Anda berkendara. Twin seperti navigasi yang melihat kondisi lalu lintas saat kejadian berlangsung.

Pertanyaan apa yang dijawab masing-masing?

Sesuaikan alat dengan pertanyaannya, bukan sebaliknya.

Simulasi pabrik menjawab pertanyaan tentang sesuatu yang belum ada, atau sesuatu yang tidak dapat Anda uji di lini produksi:

• Apakah shift kedua di sel perakitan akan menghilangkan tumpukan pekerjaan, atau bottleneck-nya justru hanya berpindah?
• Apa yang terjadi pada lead time jika bauran produk bergeser ke varian yang lebih kompleks?
• Apakah buffer yang direncanakan di antara dua stasiun kerja cukup besar?
• Apakah tata letak lini baru mampu menampung permintaan yang kita perkirakan dalam dua tahun ke depan?

Digital twin menjawab pertanyaan tentang pabrik sebagaimana kondisinya berjalan saat ini:

• Pesanan mana yang akan terlambat, mengingat posisi pekerjaan yang sebenarnya saat ini?
• Mesin mana yang menunjukkan tanda-tanda akan segera berhenti?
• Seberapa jauh rencana sudah menyimpang dari kondisi lantai produksi sejak pagi ini?
• Seperti apa konsumsi energi saat ini per lini?

Singkatnya, simulasi digunakan untuk keputusan tentang perubahan, sedangkan twin digunakan untuk mengendalikan operasi harian. Banyak pabrik membutuhkan keduanya secara berurutan, dan urutannya penting. Jika Anda belum tahu apakah suatu perubahan layak dilakukan, Anda belum memerlukan umpan data langsung. Jika Anda sudah tahu apa yang ingin dipantau, sebuah model saja tidak akan memantaunya untuk Anda.

Data apa yang dibutuhkan masing-masing?

Data adalah titik di mana sebagian besar proyek terhenti, jadi tanyakan hal ini sebelum demo apa pun.

Simulasi memerlukan deskripsi proses yang jelas dan disepakati: routing, waktu siklus dan waktu setup, sumber daya, kalender shift, ukuran batch, dan permintaan. Anda sering kali bisa mengambilnya dari sistem ERP dan beberapa spreadsheet. Ini merupakan upaya satu kali untuk setiap model, ditambah pembaruan ketika proses berubah. Upaya terbesar justru ada pada validasi angka bersama orang-orang yang menjalankan lini produksi.

Twin memerlukan deskripsi yang sama, ditambah sebuah umpan data. Daftar NIST menyebut sensing dan konektivitas sebagai elemen esensial, yang berarti seseorang harus memasang, merawat, dan mengamankan jalur data tersebut. Di pabrik dengan mesin-mesin lama, bagian ini bisa menjadi porsi terbesar dari proyek. Twin hanya sebaik jalur pembaruan di baliknya. Jika umpan data berhenti, twin akan menampilkan gambaran yang sudah usang dan tetap terlihat meyakinkan.

Dua pertanyaan dapat memotong sebagian besar percakapan penjualan:

1. Berapa frekuensi pembaruan yang benar-benar dibutuhkan keputusan tersebut: setiap beberapa detik, setiap shift, atau setiap minggu?
2. Data apa yang sudah kita kumpulkan dan percayai saat ini?

Jika keputusan dibuat sekali seminggu dalam rapat perencanaan, penyegaran data harian biasanya sudah cukup, dan arsitektur streaming hanya akan menjadi hiasan yang mahal.

Di mana posisi alat Microsoft?

Microsoft memiliki layanan platform untuk sisi twin langsung. Azure Digital Twins adalah, menurut Microsoft Learn, layanan platform untuk membuat graf twin: model digital dari lingkungan seperti gedung, pabrik, atau jaringan energi. Anda mendefinisikan tipe twin dalam bahasa mirip JSON bernama DTDL, dan propertinya dijaga tetap mutakhir dari data langsung, misalnya melalui Azure IoT Hub untuk perangkat atau melalui REST API untuk sistem bisnis. Layanan ini mendukung kueri pada graf dan dapat meneruskan data ke layanan Azure lainnya.

Perjelas apa sebenarnya ini. Ini adalah blok bangunan untuk pengembang, bukan simulasi pabrik siap pakai. Layanan ini menyimpan dan menghubungkan model twin beserta datanya. Logika what-if dari simulasi produksi, dengan antrean, setup, dan kalender shift, merupakan perangkat lunak yang berbeda. Microsoft juga mencatat bahwa Azure Digital Twins tidak sama dengan digital twin builder (pratinjau) di Microsoft Fabric maupun device twin di IoT Hub, jadi pastikan Anda memeriksa mana yang dimaksud rekan kerja atau vendor sebelum Anda menyusun rencana.

Untuk pelaporan, pola yang umum adalah menempatkan hasil ke dalam dataset dan menampilkannya di Power BI. Ini membantu manajer melihat tren. Namun, ini tidak membuat model menjadi lebih baik, jadi jadikan kualitas model sebagai perhatian utama.

Bagaimana cara memilih antara twin dan alat simulasi?

Gunakan urutan pertanyaan berikut. Cukup satu lokakarya, tidak lebih.

1. Tuliskan keputusannya. Satu kalimat: "Kami harus memutuskan X paling lambat tanggal Y." Tanpa ini, alat apa pun akan terlihat berguna.
2. Tentukan siapa yang akan menggunakan jawabannya. Seorang perencana, manajer pabrik, atau kepala shift? Kemampuan mereka menentukan cara hasilnya harus ditampilkan.
3. Periksa apakah keputusan tersebut menyangkut perubahan atau operasi hari ini. Perubahan mengarah ke simulasi. Operasi hari ini mengarah ke twin atau alat penjadwalan dan pemantauan.
4. Daftarkan data yang Anda miliki beserta kualitasnya. Jujurlah tentang kesenjangan yang ada.
5. Tentukan ritme pembaruannya. Langsung, harian, atau sesuai permintaan.
6. Pilihlah pilot yang paling sempit. Satu lini, satu keluarga produk, satu pertanyaan.

Jika Anda tidak bisa menyelesaikan langkah 1, berhentilah. Membeli platform untuk mencari tahu apa yang harus ditanyakan adalah cara belajar yang paling mahal.

Apa yang sebaiknya Anda tanyakan kepada vendor?

Apa pun labelnya, pertanyaan-pertanyaan berikut tetap berlaku:

• Dari mana model memperoleh datanya, dan seberapa sering datanya diperbarui?
• Bagaimana saya memeriksa model terhadap hasil nyata, dan siapa yang melakukannya?
• Dapatkah seorang perencana membaca hasilnya tanpa vendor hadir di ruangan?
• Apa yang terjadi ketika proses berubah? Siapa yang memperbarui model, dan berapa lama waktu yang dibutuhkan?
• Berapa biaya operasionalnya selama tiga tahun ke depan, di luar lisensi?
• Dapatkah saya mengekspor data model, atau apakah saya akan terkunci pada vendor?

Mintalah pilot menggunakan data Anda sendiri. Demo di pabrik contoh milik vendor membuktikan sedikit hal tentang pabrik Anda.

Apa kelebihan dan kekurangannya, dijelaskan secara sederhana?

Simulasi cocok untuk menguji opsi secara aman, terutama jika data langsung yang Anda miliki masih terbatas. Simulasi sering kali lebih cepat disiapkan untuk satu pertanyaan mandiri. Keterbatasannya adalah simulasi bersifat snapshot: ketika kondisi berubah, Anda harus memperbarui dan menjalankannya kembali, dan jawabannya hanya sebaik asumsi yang Anda masukkan.

Digital twin memberikan gambaran terkini dan dapat mendukung prediksi. Biayanya adalah pekerjaan integrasi, pengelolaan data, dan orang-orang yang menjaganya tetap berjalan. Twin juga membuat asumsi, karena setiap twin adalah gambaran yang disederhanakan dari pabrik. Makalah NIST menyampaikan poin yang sama dari sisi kritis: twin harus divalidasi, selalu disederhanakan, dan tidak dapat sepenuhnya menangkap cara manusia mengambil keputusan.

Dapatkah keduanya bekerja bersama?

Dapat, dan itulah arah yang diambil banyak pabrik pada akhirnya. Model simulasi dapat diberi data terkini dan digunakan untuk menguji opsi terhadap kondisi nyata pabrik. Sebuah twin dapat memanggil model simulasi untuk melihat ke depan dari kondisi lantai produksi saat ini. Deskripsi panel NIST menunjuk pola yang sama: pendekatan loop tertutup, ketika data produksi mengalir ke dalam simulasi dan simulasi mendukung keputusan secara daring.

Bagian yang sulit bukan ide-nya. Masalahnya adalah komponen-komponen tersebut jarang berasal dari satu sumber. Data mesin, data ERP, dan model simulasi masing-masing memiliki format dan pemilik sendiri. Rencanakan waktu untuk pemetaan data dan untuk menyepakati siapa yang memiliki bagian mana. Standar seperti ISO 23247, kerangka kerja digital twin untuk manufaktur, disusun untuk menyediakan istilah dan panduan bersama, dan ISO mencantumkannya sebagai seri multi-bagian dengan ikhtisar dan prinsip umum pada bagian 1. Membacanya tidak akan membangun twin Anda, tetapi standar ini memberi tim Anda dan vendor kosakata yang sama.

Kesalahan umum

• Membeli twin ketika pertanyaannya bersifat sekali pakai. Jika Anda hanya perlu memutuskan model shift, simulasi sudah cukup.
• Menganggap label sebagai bukti. Dasbor dengan gambar 3D bukanlah twin kecuali didorong oleh data langsung.
• Melewatkan validasi. Jalankan model terhadap hasil bulan lalu terlebih dahulu. Jika model tidak dapat mereproduksi masa lalu, jangan percayakan masa depan kepadanya.
• Memulai dari seluruh pabrik. Pilih satu lini dan satu pertanyaan.
• Melupakan pemilik. Model yang tidak ada yang memperbarui akan usang dalam beberapa bulan.
• Mengabaikan jalur data. Sensor dan koneksi memerlukan biaya operasional, jauh setelah tim proyek selesai bekerja.

Posisi Polaris

Jika pertanyaan Anda dimulai dengan skenario what-if, iFAKT Polaris adalah salah satu opsi yang layak dipertimbangkan. iFAKT menggambarkan Polaris sebagai AI plus digital twin untuk produksi: platform ini menggabungkan data ERP dengan digital twin manufaktur. Modul Polaris Designer mengubah data masukan seperti data ERP, waktu proses, struktur sumber daya, dan batasan menjadi graf pengetahuan produk-proses-sumber daya. Modul Polaris Simulator dibangun di atasnya untuk menguji skenario kapasitas, penjadwalan staf, dan buffer secara virtual sebelum keputusan nyata diambil. Apakah cocok atau tidak bergantung pada data dan pertanyaan Anda, jadi ujilah terlebih dahulu pada satu kasus yang sempit.

Topik terkait untuk dijelajahi

• Di mana memulai dengan twin. Tentukan satu aset atau lini, data yang dibutuhkannya, dan keputusan yang didukungnya sebelum Anda memilih platform.
• Cara memasukkan data ke model simulasi. Routing, waktu siklus, dan kalender shift membutuhkan pemilik dan pemeriksaan kualitas sebelum eksekusi pertama.
• Cara memvalidasi model. Bandingkan keluarannya dengan periode sebelumnya yang memiliki hasil nyata, lalu catat setiap selisihnya.
• Menghubungkan data mesin dan ERP. Rencanakan pemetaan data, format, dan antarmuka sejak awal, karena integrasi adalah titik di mana proyek hibrida sering tersendat.
• Siapa yang memelihara model. Tentukan siapa yang memperbaruinya setiap kali proses berubah, dan seberapa sering.

Langkah berikutnya

Pertanyaan tentang digital twin versus alat simulasi paling mudah diselesaikan dengan satu keputusan tertulis. Catat keputusan berikutnya yang harus Anda ambil di pabrik Anda, tandai apakah itu menyangkut perubahan atau operasi yang berjalan saat ini, lalu bawa kalimat tersebut ke percakapan Anda berikutnya dengan vendor.