CoreDataQ With Data Science & Data Engineering (Studi Kasus: Oil Sampling Heavy Equipment)

Abstract

Thesis ini menunjukkan produk CoreDataQ yang merupakan contoh dari aktivitas data science dan data engineering pada PT Artha Puncak Semesta Indonesia (APSI) Jakarta.CoreDataQ merupakan produk untuk mengakuisisi data secara digital. Thesis ini menjelaskan integrasi data science dan data engineering dalam pembuatan CoreDataQ hingga pada pemanfaatannya. Data yang dibahas pada thesis ini menggunakan data Scheduled Oil Sampling (SOS) dimana Tableau digunakan untuk memvisualisasikan data sebagai langkah awal dalam mengeksplorasi data dimana hasil yang diperoleh merupakan hasil kerjasama dengan mahasiswa dari Magister Sains Data. Pada bagian ini beberapa hasil akuisisi data dari beberapa mesin berat ditunjukkan. Machine Learning yang digunakan adalah Deep Learning khususnya metode Squential untuk mengekstraksi fitur dan membuat prediksi atau klasifikasi dari data oil sampling tersebut yang dapat menghasilkan luaran yang merupakan temuan penelitian yang dapat digunakan untuk memprediksi pengaruh wear element yang ditemukan dalam mesin berat terhadap kerusakan yang akan terjadi. Selanjutnya temuan-temuan ini dapat dimanfaatkan sebagai acuan untuk Preventive Maintenance yang selanjutnya meningkat menjadi Predictive Maintenance dengan memanfaatkan keilmuan yang didapat dari data science dan data engineering.

This thesis shows a product of CoreDataQ which is an example of data science and data engineering activities at PT APSI Jakarta where data are obtained from digital data acquisition. This thesis describes the integration of data science and data engineering in the manufacture of CoreDataQ and its utilization. The data discussed in this thesis uses Scheduled Oil Sampling (SOS) data where Tableau is used to visualize data as a first step in exploring data, where the obtained results, are the result of collaboration with students from the Master of Data Science. In this section, some results from several heavy machines are shown. Machine Learning is a subfield of data science for exploring data and using deep learning, namely the Sequential method to extract features and make predictions or classifications from the oil sampling data which can produce outputs that are research findings that can be used to predict the effect of wear on elements found in engines for the damage that will occur. Furthermore, these findings can be used as a reference for preventive maintenance which will further increase to predictive maintenance by utilizing the knowledge gained from data science and data engineering.