Analisis Prediktif

3 Hal yang Perlu Anda Ketahui

Analitik prediktif menggunakan data historis untuk memprediksi peristiwa mendatang.
Biasanya, data historis digunakan untuk membangun model matematika yang menangkap
tren penting. Model prediksi tersebut kemudian digunakan pada data saat ini untuk
memprediksi apa yang akan terjadi selanjutnya, atau untuk menyarankan tindakan yang harus
diambil untuk hasil yang optimal.

Analitik prediktif telah menerima banyak perhatian dalam beberapa tahun terakhir karena
kemajuan dalam teknologi pendukung, khususnya di bidang big data dan pembelajaran
mesin.

Mengapa Itu Penting?

Bagaimana itu bekerja

Analisis Prediktif dengan MATLAB

Mengapa Analisis Prediktif Penting?

Bangkitnya Big Data

Analitik prediktif sering dibahas dalam konteks big data , Rekayasa data, misalnya, berasal
dari sensor, instrumen, dan sistem yang terhubung di dunia. Data sistem bisnis di suatu
perusahaan dapat mencakup data transaksi, hasil penjualan, keluhan pelanggan, dan informasi
pemasaran. Semakin banyak, bisnis membuat keputusan berbasis data berdasarkan pada
kumpulan informasi yang berharga ini.

Meningkatkan Persaingan

Dengan meningkatnya persaingan, bisnis mencari keunggulan dalam membawa produk dan
layanan ke pasar yang ramai. Model prediksi berbasis data dapat membantu perusahaan
memecahkan masalah lama dengan cara baru.

Produsen peralatan, misalnya, dapat menemukan kesulitan untuk berinovasi dalam perangkat
keras saja. Pengembang produk dapat menambahkan kemampuan prediktif ke solusi yang ada
untuk meningkatkan nilai bagi pelanggan. Menggunakan analitik prediktif untuk
pemeliharaan peralatan, atau pemeliharaan prediktif , dapat mengantisipasi kegagalan
peralatan, memperkirakan kebutuhan energi, dan mengurangi biaya pengoperasian. Misalnya,
sensor yang mengukur getaran di bagian-bagian otomotif dapat menandakan perlunya
pemeliharaan sebelum kendaraan gagal di jalan.

Perusahaan juga menggunakan analisis prediktif untuk membuat perkiraan yang lebih akurat,
seperti memperkirakan permintaan listrik di jaringan listrik. Prakiraan ini memungkinkan
perencanaan sumber daya (misalnya, penjadwalan berbagai pembangkit listrik), dilakukan
lebih efektif.
Teknologi Terdepan untuk Big Data dan Pembelajaran Mesin

Untuk mengekstrak nilai dari data besar , bisnis menerapkan algoritma ke set data besar
menggunakan alat seperti Hadoop dan Spark . Sumber data dapat terdiri dari basis data
transaksional, file log peralatan, gambar, video, audio, sensor, atau tipe data lainnya. Inovasi
sering kali berasal dari penggabungan data dari beberapa sumber.

Dengan semua data ini, alat diperlukan untuk mengekstraksi wawasan dan tren. Teknik
pembelajaran mesin digunakan untuk menemukan pola dalam data dan untuk membangun
model yang memprediksi hasil di masa depan. Berbagai algoritma pembelajaran mesin
tersedia, termasuk regresi linier dan nonlinier, jaringan saraf, mesin vektor dukungan, pohon
keputusan, dan algoritma lainnya.

Contoh Analisis Prediktif

Analitik prediktif membantu tim dalam industri yang beragam seperti keuangan, kesehatan,
farmasi, otomotif, aerospace, dan manufaktur.

 Otomotif - Mendobrak landasan baru dengan kendaraan otonom

Perusahaan yang mengembangkan teknologi bantuan pengemudi dan kendaraan
otonom baru menggunakan analitik prediktif untuk menganalisis data sensor dari
kendaraan yang terhubung dan untuk membangun algoritma bantuan pengemudi.
 Aerospace - Pemantauan kesehatan mesin pesawat
Untuk meningkatkan waktu terbang pesawat dan mengurangi biaya perawatan,
produsen mesin membuat aplikasi analisis waktu nyata untuk memprediksi kinerja
subsistem untuk oli, bahan bakar, lepas landas, kesehatan mekanik, dan kontrol.
 Produksi Energi - Peramalan harga dan permintaan listrik
Aplikasi peramalan yang canggih menggunakan model yang memantau ketersediaan
pabrik, tren historis, musim, dan cuaca.
 Layanan Keuangan - Mengembangkan model risiko kredit
Lembaga keuangan menggunakan teknik pembelajaran mesin dan alat kuantitatif
untuk memprediksi risiko kredit.
 Otomasi dan Mesin Industri - Memprediksi kerusakan mesin
Produser plastik dan film tipis menghemat 50.000 Euro setiap bulan menggunakan
pemantauan kesehatan dan aplikasi pemeliharaan prediktif yang mengurangi waktu
henti dan meminimalkan pemborosan.
 Alat Kesehatan - Menggunakan algoritme pendeteksi pola untuk menemukan asma
dan COPD
Perangkat manajemen asma merekam dan menganalisis suara napas pasien dan
memberikan umpan balik instan melalui aplikasi ponsel pintar untuk membantu
pasien mengelola asma dan COPD.

Cara Kerja Predictive Analytics

Analitik prediktif adalah proses menggunakan analitik data untuk membuat prediksi
berdasarkan data. Proses ini menggunakan data bersama dengan analisis, statistik, dan teknik
pembelajaran mesin untuk membuat model prediksi untuk meramalkan peristiwa masa
depan.

Istilah "analytics prediktif" menggambarkan penerapan teknik statistik atau pembelajaran

mesin untuk membuat prediksi kuantitatif tentang masa depan. Seringkali, teknik
pembelajaran mesin yang diawasi digunakan untuk memprediksi nilai di masa depan (
Berapa lama mesin ini dapat berjalan sebelum membutuhkan pemeliharaan? ) Atau untuk
memperkirakan probabilitas ( Seberapa besar kemungkinan pelanggan ini default pada
pinjaman? ).

Analitik prediktif dimulai dengan tujuan bisnis: menggunakan data untuk mengurangi
pemborosan, menghemat waktu, atau memotong biaya. Proses ini memanfaatkan set data
yang heterogen, seringkali masif, ke dalam model yang dapat menghasilkan hasil yang jelas
dan dapat ditindaklanjuti untuk mendukung pencapaian tujuan itu, seperti lebih sedikit limbah
material, inventaris yang lebih sedikit, dan produk manufaktur yang memenuhi spesifikasi.

Alur Kerja Analisis Prediktif

Kita semua akrab dengan model prediksi untuk prakiraan cuaca. Aplikasi vital model industri
terkait dengan perkiraan beban energi untuk memprediksi permintaan energi. Dalam hal ini,
produsen energi, operator jaringan, dan pedagang memerlukan perkiraan beban energi yang
akurat untuk membuat keputusan untuk mengelola beban di jaringan listrik. Sejumlah besar
data tersedia, dan menggunakan analitik prediktif, operator grid dapat mengubah informasi
ini menjadi wawasan yang dapat ditindaklanjuti.

Alur kerja analitik prediktif.

Alur Kerja Langkah-demi-Langkah untuk Memprediksi Beban Energi

Biasanya, alur kerja untuk aplikasi analitik prediktif mengikuti langkah-langkah dasar ini:

1. Mengimpor data dari berbagai sumber, seperti arsip web, database, dan
spreadsheet.
Sumber data termasuk data beban energi dalam file CSV dan data cuaca nasional
yang menunjukkan suhu dan titik embun.
2. Bersihkan data dengan menghapus outlier dan menggabungkan sumber data.
Identifikasi lonjakan data, data yang hilang, atau titik anomali untuk dihapus dari
data. Kemudian agregat berbagai sumber data secara bersamaan - dalam hal ini, buat
tabel tunggal termasuk beban energi, suhu, dan titik embun.
3. Kembangkan model prediksi yang akurat berdasarkan data yang dikumpulkan
menggunakan statistik, alat pemasangan kurva, atau pembelajaran mesin.
Peramalan energi adalah proses yang kompleks dengan banyak variabel, sehingga
Anda dapat memilih untuk menggunakan jaringan saraf untuk membangun dan
melatih model prediksi. Ulangi set data pelatihan Anda untuk mencoba berbagai
pendekatan. Ketika pelatihan selesai, Anda dapat mencoba model terhadap data baru
untuk melihat seberapa baik kinerjanya.
 4. Integrasikan model ke dalam sistem peramalan beban di lingkungan produksi.
Setelah Anda menemukan model yang memperkirakan beban secara akurat, Anda
dapat memindahkannya ke sistem produksi Anda, menjadikan analitik tersedia untuk
program atau perangkat lunak, termasuk aplikasi web, server, atau perangkat seluler.

Aplikasi analitik prediktif untuk peramalan beban energi di Negara Bagian New York.

Belajarlah lagi

Mengembangkan Model Prediktif

Data gabungan Anda menceritakan kisah yang rumit. Untuk mengekstrak wawasan yang
dimilikinya, Anda membutuhkan model prediksi yang akurat.

Pemodelan prediktif menggunakan metode matematika dan komputasi untuk memprediksi

suatu peristiwa atau hasil. Model-model ini meramalkan hasil pada beberapa keadaan atau
waktu mendatang berdasarkan perubahan pada input model. Menggunakan proses berulang,
Anda mengembangkan model menggunakan kumpulan data pelatihan dan kemudian menguji
dan memvalidasinya untuk menentukan akurasi untuk membuat prediksi. Anda dapat
mencoba berbagai pendekatan pembelajaran mesin untuk menemukan model yang paling
efektif.

Contohnya termasuk model regresi deret waktu untuk memprediksi volume lalu lintas
penerbangan atau memprediksi efisiensi bahan bakar berdasarkan model regresi linier
kecepatan mesin versus beban, dan sisa model estimasi masa pakai berguna untuk
prognostik .

Belajarlah lagi

Analisis Prediktif vs. Analisis Preskriptif

Organisasi yang telah berhasil menerapkan analitik prediktif melihat analitik preskriptif
sebagai batas berikutnya. Analitik prediktif menciptakan perkiraan tentang apa yang akan
terjadi selanjutnya; analitik preskriptif memberi tahu Anda cara bereaksi dengan cara sebaik
mungkin mengingat prediksi.

Analitik preskriptif adalah cabang analitik data yang menggunakan model prediksi untuk
menyarankan tindakan yang harus diambil untuk hasil yang optimal. Analitik preskriptif
bergantung pada optimisasi dan teknik berbasis aturan untuk pengambilan keputusan.
Meramalkan beban pada jaringan listrik selama 24 jam ke depan adalah contoh analitik
prediktif , sedangkan memutuskan bagaimana mengoperasikan pembangkit listrik
berdasarkan perkiraan ini merupakan analitik preskriptif .

Belajarlah lagi

Contoh-contoh Analitik Prediktif yang Menarik dengan

MATLAB
Perusahaan menemukan cara inovatif untuk menerapkan analitik prediktif menggunakan
MATLAB ® untuk menciptakan produk dan layanan baru, dan untuk memecahkan masalah
lama dengan cara baru.

Contoh-contoh ini menggambarkan analitik prediktif dalam aksi:

Baker Hughes Mengembangkan Perangkat Lunak Perawatan Prediktif untuk

Peralatan Ekstraksi Minyak dan Gas Menggunakan Analisis Data dan
Pembelajaran Mesin

Truk-truk Baker Hughes dilengkapi dengan pompa perpindahan positif yang menyuntikkan
campuran air dan pasir ke dalam sumur bor. Dengan pompa menyumbang sekitar $ 100.000
dari total biaya truk $ 1,5 juta, Baker Hughes perlu menentukan kapan pompa akan gagal.
Mereka memproses dan menganalisis hingga satu terabyte data yang dikumpulkan pada
50.000 sampel per detik dari sensor yang dipasang pada 10 truk yang beroperasi di lapangan,
dan melatih jaringan saraf untuk menggunakan data sensor untuk memprediksi kegagalan
pompa. Perangkat lunak ini diharapkan dapat mengurangi biaya pemeliharaan hingga 30-40%
—atau lebih dari $ 10 juta.

Belajarlah lagi
BuildingIQ Mengembangkan Algoritma Proaktif untuk Optimasi Energi
HVAC di Bangunan Skala Besar

Sistem pemanas, ventilasi, dan pendingin udara (HVAC) pada bangunan komersial berskala
besar seringkali tidak efisien karena tidak memperhitungkan perubahan pola cuaca, biaya
energi variabel, atau sifat termal bangunan. Membangun platform perangkat lunak berbasis
cloud IQ menggunakan algoritma canggih untuk terus memproses gigabyte informasi dari
meteran listrik, termometer, dan sensor tekanan HVAC. Pembelajaran mesin digunakan
untuk membagi data dan menentukan kontribusi relatif dari gas, listrik, uap, dan tenaga surya
untuk proses pemanasan dan pendinginan. Optimalisasi digunakan untuk menentukan jadwal
terbaik untuk memanaskan dan mendinginkan setiap bangunan sepanjang hari. Platform
Building IQ mengurangi konsumsi energi HVAC di bangunan komersial skala besar sebesar
10-25% selama operasi normal.

Belajarlah lagi
Mengembangkan Algoritma Deteksi untuk Mengurangi Alarm Palsu di Unit
Perawatan Intensif

Alarm palsu dari elektrokardiograf dan perangkat pemantauan pasien lainnya merupakan
masalah serius di unit perawatan intensif (ICU). Kebisingan dari alarm palsu mengganggu
tidur pasien, dan alarm palsu yang sering membuat staf klinis tidak sensitif terhadap
peringatan asli. Pesaing dalam PhysioNet / Komputasi dalam Tantangan Kardiologi
ditugaskan untuk mengembangkan algoritma yang dapat membedakan antara alarm benar dan
salah dalam sinyal yang direkam oleh perangkat pemantauan ICU. Peneliti Czech Academy
of Sciences memenangkan tempat pertama dalam kategori tantangan real-time dengan
algoritma MATLAB yang dapat mendeteksi kompleks QRS, membedakan antara detak
jantung normal dan ventrikel, dan menyaring kompleks QRS palsu yang disebabkan oleh
rangsangan alat pacu jantung. Algoritma menghasilkan tingkat positif sejati (TPR) dan
tingkat negatif sejati (TNR) masing-masing 92% dan 88%.

Belajarlah lagi
Analisis Prediktif dengan MATLAB
Untuk membuka nilai data bisnis dan rekayasa untuk membuat keputusan yang tepat, tim
yang mengembangkan aplikasi analitik prediktif semakin beralih ke MATLAB.

Dengan menggunakan alat dan fungsi MATLAB, Anda dapat melakukan analisis prediktif
dengan data teknik, ilmiah, dan lapangan, serta data bisnis dan transaksional. Dengan
MATLAB, Anda dapat menggunakan aplikasi prediksi ke sistem produksi skala besar, dan
sistem embedded.

MATLAB untuk analitik prediktif.

Mengapa Menggunakan MATLAB untuk Analisis Prediktif?

1. Analisis MATLAB bekerja dengan data bisnis dan teknik.

MATLAB memiliki dukungan asli untuk sensor, gambar, video, telemetri, biner, dan
format waktu nyata lainnya. Jelajahi data ini menggunakan array MATLAB Tall
untuk Hadoop dan Spark, dan dengan menghubungkan antarmuka ke database
ODBC / JDBC.
2. MATLAB memungkinkan para insinyur melakukan sendiri ilmu data.
Aktifkan pakar domain Anda untuk melakukan ilmu data, dengan alat yang kuat
untuk membantu mereka melakukan pembelajaran mesin, pembelajaran mendalam,
statistik, pengoptimalan, analisis sinyal, dan pemrosesan gambar.
 3. Analisis MATLAB dijalankan dalam sistem yang disematkan.
Kembangkan analitik untuk dijalankan pada platform tertanam, dengan membuat
kode C dan C ++ portabel dari kode MATLAB.
4. Analisis MATLAB digunakan untuk sistem TI perusahaan.
MATLAB terintegrasi ke dalam sistem perusahaan, cluster, dan cloud, dengan
runtime yang dapat digunakan bebas royalti.

Data Anda + MATLAB = Sukses dengan Predictive Analytics

Dalam tampilan yang disederhanakan ini, data teknik berasal dari sensor, instrumen, dan
sistem yang terhubung di dunia. Data dikumpulkan dan disimpan dalam sistem file baik in-
house atau di cloud.

Arsitektur analitik yang digerakkan oleh teknik.

"Tidak peduli apa industri klien kami, dan tidak peduli data apa yang mereka minta kami
untuk menganalisis - teks, audio, gambar, atau video - kode MATLAB memungkinkan kami
untuk memberikan hasil yang jelas lebih cepat."

G. Subrahamanya VRK Roo, Cognizant

Data ini dikombinasikan dengan data yang bersumber dari sistem bisnis tradisional seperti
data biaya, hasil penjualan, keluhan pelanggan, dan informasi pemasaran.

Setelah ini, analitik dikembangkan oleh seorang insinyur atau pakar domain menggunakan
MATLAB. Pra-pemrosesan hampir selalu diharuskan untuk menangani data yang hilang,
outlier, atau masalah kualitas data lainnya yang tidak terduga. Setelah itu, metode analisis
seperti statistik dan pembelajaran mesin digunakan untuk menghasilkan "analitik" - model
prediksi sistem Anda.

Agar berguna, model prediktif itu kemudian digunakan — baik dalam lingkungan TI
produksi yang memberi makan transaksional real-time atau sistem TI seperti situs e-
commerce atau ke perangkat tertanam — sensor, pengontrol, atau sistem cerdas di dunia
nyata seperti kendaraan otonom.

Menerapkan MATLAB dan Simulink ® sebagai bagian dari arsitektur ini sangat ideal, karena alat
ini memungkinkan jalur penempatan yang mudah ke sistem tertanam dengan Desain Berbasis
Model, atau ke sistem TI dengan produk penerapan aplikasi.

Menyebarkan model prediktif ke sistem tertanam dan sistem TI.

“MATLAB telah membantu mempercepat R&D dan penyebaran kami dengan algoritma
numerik yang kuat, visualisasi yang luas dan alat analisis, rutinitas optimasi yang andal,
dukungan untuk pemrograman berorientasi objek, dan kemampuan untuk berjalan di cloud
dengan aplikasi Java produksi kami.”

Borislav Savkovic, ilmuwan data utama, BuildingIQ

Pelajari Lebih Lanjut Tentang Predictive Analytics

3:55
MATLAB untuk Analisis Data

3:02
Pembelajaran Mesin dengan Ikhtisar MATLAB
3:35
Big Data dan Predictive Analytics di Shell

Analisis Prediktif dengan MATLAB

Pembelajaran Mesin dengan MATLAB

Topik-topik terkait

Pembelajaran mesin

Data besar

Ilmu Data

Kecerdasan buatan

Uji Coba Gratis 30 Hari

Pertanyaan?