Analitik prediktif telah menerima banyak perhatian dalam beberapa tahun terakhir karena
kemajuan dalam teknologi pendukung, khususnya di bidang big data dan pembelajaran
mesin.
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.
Analitik prediktif membantu tim dalam industri yang beragam seperti keuangan, kesehatan,
farmasi, otomotif, aerospace, dan manufaktur.
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.
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.
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
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
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
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.
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.
"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."
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.
“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.”
3:55
MATLAB untuk Analisis Data
3:02
Pembelajaran Mesin dengan Ikhtisar MATLAB
3:35
Big Data dan Predictive Analytics di Shell
Topik-topik terkait
Pembelajaran mesin
Data besar
Ilmu Data
Kecerdasan buatan