Kasus umum yang sering ditemui tim FM: sistem HVAC, tepatnya AHU (Air Handling Unit) bermasalah, van-belt putus, area operasional terkait terganggu selama beberapa jam. Tim teknisi bergerak cepat, spare van-belt digunakan, masalah teratasi, laporan dibuat. Selesai — seperti biasa.
Sebenarnya, kejadian van-belt putus ini adalah hal yang umum terjadi. Tapi coba periksa riwayat "maintenance" unit tersebut, akan terlihat pola yang berulang: beban kerja yang naik bertahap (dari catatan ampere), suara tidak normal saat inspeksi rutin. Semua "tanda-tanda" itu sebenarnya sudah ada di data kita. Hanya saja, tidak ada yang membacanya sebagai satu kesatuan sampai kerusakan benar-benar terjadi.
Di sinilah peran penting AI mulai terlihat. AI bukan menebak masa depan secara ajaib; tapi mampu melihat pola dalam data yang sebenarnya sudah kita miliki, jauh sebelum mata manusia sempat menyadarinya.
Kuncinya Bukan Teknologi, Tapi Kesiapan Data
Riset global JLL memperlihatkan pola yang konsisten: perusahaan dengan data bersih dan sistem modern berhasil melangkah maju dengan inisiatif AI mereka. Sementara yang lain, meski sudah berinvestasi besar, terjebak bertahun-tahun di tahap proyek percontohan yang tidak pernah berkembang.
Apa yang membedakan keduanya? Bukan seberapa canggih teknologi AI yang dipakai, melainkan kesiapan dan akurasi data yang menjadi fondasinya. Kembali ke cerita AHU tadi; seandainya data beban kerja dan catatan inspeksi sudah tercatat secara lengkap dan akurat, AI bisa saja memberi peringatan dini jauh sebelum van-belt itu putus. Bukan sihir. Hanya pola yang dibaca lebih awal.
Data Apa Saja yang Dibutuhkan?
1) Data Aset yang Akurat dan Terstruktur
Setiap unit peralatan ;AHU, pompa, genset, lift, perlu memiliki catatan jelas: tahun pemasangan, spesifikasi teknis, lokasi, hingga kondisi terkini. Tanpa ini, AI tidak punya titik awal untuk belajar mengenali pola.
2) Riwayat Perintah Kerja (Historical of Work Order)
Riwayat kerusakan, jenis perbaikan, waktu respons, dan biaya per "work order" — semua ini adalah "bahan baku" yang memungkinkan AI mengenali pola kegagalan sebelum benar-benar terjadi, seperti pada kasus AHU di atas.
3) Data Konsumsi Energi secara Real-Time
Bukan hanya angka bulanan dari tagihan listrik, tetapi data per jam atau per unit area, agar AI bisa mendeteksi anomali pemakaian.
4) Data Lingkungan dari Sensor IoT
Suhu, kelembaban, kualitas udara, hingga tingkat hunian ruangan: menjadi mata dan telinga AI untuk memahami kondisi "real-time" gedung.
5) Jadwal Preventive Maintenance yang Konsisten
AI bekerja optimal ketika ada pola yang bisa dipelajari. Jadwal yang sering dilewati tanpa pencatatan akan membuat AI kesulitan membedakan anomali dari sekadar keterlambatan administratif.
Hal yang Menentukan Akurasi Data
Memiliki kelima jenis data di atas saja tidak cukup jika datanya tidak akurat, AI justru akan menghasilkan prediksi yang keliru. Tiga hal berikut menentukan akurasi data di lapangan:
1) Konsistensi pencatatan. Data ampere atau hasil inspeksi harus dicatat dengan metode dan satuan yang sama setiap kali, bukan kadang manual, kadang estimasi.
2) Kedisiplinan input di waktu yang tepat. Data yang dicatat saat kejadian jauh lebih akurat dibanding dicatat sehari kemudian berdasarkan ingatan.
3) Validasi berkala. Sesekali, bandingkan data tercatat dengan kondisi aktual di lapangan; apakah angka di sistem benar-benar mencerminkan apa yang terjadi pada unit tersebut.
Sebelum buru-buru mengadopsi AI, FM perlu memastikan tiga langkah dasar: petakan "use case" yang nyata, pastikan integrasi sistem berjalan baik, dan bangun budaya akurasi data hingga ke tingkat teknisi lapangan, bukan hanya di laporan bulanan.
AI memang bukan sihir. Tapi bagi FM yang membangun fondasi data dengan benar, lengkap dan akurat, AI bisa menjadi alat yang sangat nyata manfaatnya, bukan sekadar proyek percontohan yang berhenti di tengah jalan.
Bagaimana dengan tim Anda; apakah data yang tercatat sudah cukup lengkap dan akurat untuk dipercaya sebagai dasar AI? Bagikan di kolom komentar.*
Komentar
Posting Komentar