Digital Transformation Captain — DAY 081
Smart Manufacturing | Data & AI | Hybrid Infrastructure | Observability
18 September 2026
SMART MANUFACTURING BUKAN DIMULAI DARI AI. IA DIMULAI DARI DATA DAN INFRASTRUKTUR YANG SIAP MENJALANKAN AI.
Ketika berbicara tentang Smart Manufacturing, pembicaraan hari ini sangat mudah melompat kepada:
AI.
Computer Vision.
Predictive Maintenance.
Digital Twin.
Generative AI.
AI Agent.
Semua menarik.
Tetapi dalam seminar “Mewujudkan Smart Manufacturing Berbasis AI & Hybrid Infrastructure”, saya justru mengangkat pertanyaan yang lebih fundamental:
DARI MANA AI MENDAPATKAN DATA, DAN DI MANA AI TERSEBUT AKAN BERJALAN?
Karena AI tidak berdiri sendiri.
AI membutuhkan dua fondasi:
DATA + INFRASTRUCTURE
Dan untuk manufacturing, keduanya jauh lebih kompleks dibandingkan sekadar memasang aplikasi AI.
Diskusi seminar ini menjadi menarik karena menghadirkan tiga perspektif yang saling melengkapi:
Fanky Christian — Data Foundation, AI Readiness & Infrastructure Observability
Sugiyanto Sutikno — On-Premise AI Infrastructure dengan server Rainer
Utian Ayuba — AI Cloud Infrastructure
Ketiganya membentuk sebuah perjalanan:
DATA → OBSERVABILITY → HYBRID INFRASTRUCTURE → AI → OPERATIONAL ACTION → BUSINESS VALUE
FANKY CHRISTIAN: AI DOES NOT START WITH AI
Pesan pertama yang saya sampaikan sederhana:
AI DOES NOT START WITH AI. AI STARTS WITH DATA.
Sebuah pabrik modern sebenarnya adalah data factory.
Setiap hari data dihasilkan oleh:
PLC,
SCADA,
sensor IoT,
machine controller,
MES,
ERP,
CCTV,
quality control,
energy meter,
warehouse,
maintenance system,
network,
server,
application,
hingga cybersecurity system.
Masalahnya bukan perusahaan tidak mempunyai data.
Masalahnya:
DATANYA TERSEBAR.
Machine data berada di OT.
Business data berada di ERP.
Maintenance data berada di aplikasi maintenance.
Quality data mungkin masih di Excel.
Infrastructure data berada di monitoring tools.
Security data berada di security platform.
Maka sebelum berbicara tentang AI:
WE NEED TO BUILD THE DATA FOUNDATION.
DATA SILO ADALAH MUSUH AI
Bayangkan perusahaan ingin membangun:
PREDICTIVE MAINTENANCE.
AI mungkin membutuhkan:
machine vibration,
temperature,
machine utilization,
maintenance history,
failure history,
production schedule,
environmental condition,
dan mungkin spare-parts information.
Kalau semuanya berada dalam sistem yang berbeda, AI hanya melihat sebagian cerita.
Karena itu perjalanan data harus bergerak:
AVAILABLE → ACCESSIBLE → INTEGRATED → CONTEXTUALIZED → TRUSTED → GOVERNED → AI-READY
Dan di sinilah saya melihat peran platform seperti:
JETDATA.
JETDATA: DARI DATA SILO MENUJU AI-READY DATA
Untuk AI, kita tidak cukup hanya mengatakan:
“Kami mempunyai banyak data.”
Pertanyaannya:
“Apakah data tersebut dapat digunakan untuk menghasilkan intelligence?”
JETData dapat ditempatkan sebagai data management dan intelligence layer yang menghubungkan berbagai sumber data untuk membangun konteks yang dibutuhkan AI.
Secara konseptual:
MACHINE DATA
IT INFRASTRUCTURE DATA
APPLICATION DATA
ERP / BUSINESS DATA
MAINTENANCE DATA
SECURITY DATA
↓
JETDATA
↓
NORMALIZE
↓
CORRELATE
↓
CONTEXTUALIZE
↓
ANALYZE
↓
AI-READY DATA
↓
AI & BUSINESS INTELLIGENCE
Inilah perubahan dari:
DATA COLLECTION
menjadi:
DATA INTELLIGENCE.
JETDATA BUKAN SEKADAR MEMBUAT DASHBOARD
Ini positioning yang menurut saya penting.
Kalau Jetdata hanya menghasilkan dashboard baru, perusahaan justru berpotensi menambah:
ANOTHER DASHBOARD.
Padahal manufacturing sudah mempunyai banyak dashboard.
SCADA punya dashboard.
MES punya dashboard.
ERP punya dashboard.
Monitoring punya dashboard.
Security punya dashboard.
Yang dibutuhkan management bukan:
MORE DASHBOARDS.
Tetapi:
MORE CONTEXT.
Misalnya monitoring mengatakan:
Server MES CPU 95%.
Informasi teknis ini penting.
Tetapi Plant Manager mungkin ingin mengetahui:
Apakah production line terdampak?
Dan management ingin mengetahui:
Berapa business impact-nya?
Maka journey-nya:
TECHNICAL METRIC → OPERATIONAL CONTEXT → BUSINESS IMPACT
Di sinilah data management mulai bertemu dengan AI.
LALU SIAPA YANG MEMASTIKAN INFRASTRUKTURNYA SEHAT?
Ini membawa kita ke fondasi kedua:
INFRASTRUCTURE.
Smart Factory semakin tergantung kepada:
network,
server,
virtualization,
database,
storage,
applications,
cloud,
edge,
IoT,
dan AI infrastructure.
Ketika salah satunya bermasalah, production dapat terdampak.
Maka pertanyaan fundamentalnya:
CAN WE SEE WHAT IS HAPPENING ACROSS THE INFRASTRUCTURE?
Di sinilah saya membawa:
PANDORA FMS.
PANDORA FMS: OBSERVABILITY FOUNDATION UNTUK SMART MANUFACTURING
Pandora FMS dapat menjadi monitoring/observability layer untuk memberikan visibility terhadap infrastruktur yang menopang Smart Manufacturing.
Misalnya:
NETWORK
SERVER
DATABASE
APPLICATION
VIRTUAL MACHINE
CLOUD
STORAGE
IoT
ENVIRONMENT
dan komponen IT/OT yang dapat diintegrasikan atau dipantau sesuai arsitektur dan protokol yang digunakan.
Tujuannya bukan sekadar mengetahui:
UP OR DOWN.
Tetapi membangun:
OPERATIONAL VISIBILITY.
Misalnya:
Network latency meningkat.
↓
MES response time meningkat.
↓
Production terminal menjadi lambat.
↓
Operator mengalami delay.
↓
Production process berpotensi terdampak.
Di sinilah monitoring mulai berkembang menjadi:
OBSERVABILITY.
DARI MONITORING MENUJU EARLY WARNING
Model tradisional:
INCIDENT → ALERT → IT RESPONDS
Model yang kita inginkan:
NORMAL → DEVIATION → ANOMALY → DEGRADATION → EARLY WARNING → ACTION
Tujuannya bukan mempunyai lebih banyak alert.
Tujuannya:
KNOW EARLIER.
Karena bagi manufacturing:
DOWNTIME = BUSINESS IMPACT.
Jika gangguan dapat diketahui sebelum production berhenti, monitoring berubah dari IT tool menjadi:
BUSINESS RESILIENCE TOOL.
KETIKA PANDORA FMS BERTEMU JETDATA
Di sinilah menurut saya arsitekturnya menjadi jauh lebih menarik.
Pandora FMS menghasilkan:
INFRASTRUCTURE VISIBILITY.
JETData memberikan:
DATA CONTEXT + CORRELATION + INTELLIGENCE.
Misalnya:
PANDORA FMS
mendeteksi:
Network latency Factory A meningkat.
JETData kemudian menghubungkannya dengan:
MES
ERP
PRODUCTION SCHEDULE
SERVICE DEPENDENCY
BUSINESS DATA
Sehingga insight berubah dari:
Network latency 180 ms
menjadi:
Production Line 3 berpotensi mengalami degradation dan proses order tertentu mempunyai risiko keterlambatan.
Inilah perubahan:
ALERT → CONTEXT → IMPACT → PRIORITY → ACTION
SMART MANUFACTURING MEMBUTUHKAN DUA JENIS OBSERVABILITY
Saya melihat ke depan perusahaan manufaktur membutuhkan:
1. TECHNOLOGY OBSERVABILITY
Menjawab:
WHAT IS HAPPENING?
Pandora FMS berperan pada layer ini.
2. BUSINESS OBSERVABILITY
Menjawab:
WHY DOES IT MATTER?
JETData dapat membantu menghubungkan operational data dengan business context.
Gabungannya:
SEE → UNDERSTAND → PRIORITIZE → ACT
PANDORA FMS = SEE
JETDATA = UNDERSTAND + CORRELATE + PRIORITIZE
AI = PREDICT + RECOMMEND
HUMAN / AUTOMATION = ACT
Ini menurut saya adalah arah menuju:
AI-DRIVEN MANUFACTURING OPERATIONS.
DATA DAN OBSERVABILITY BARU SEPARUH CERITA
Setelah data tersedia dan kondisi infrastruktur dapat dilihat, muncul pertanyaan berikutnya:
WHERE WILL THE AI RUN?
Di sinilah perspektif dua narasumber lainnya menjadi sangat relevan.
SUGIYANTO SUTIKNO: ON-PREMISE AI DENGAN RAINER
Sugiyanto Sutikno membahas bagaimana Rainer server dapat menjadi bagian dari on-premise AI infrastructure.
Untuk manufacturing, on-premise tetap sangat relevan.
Terutama ketika workload membutuhkan:
LOW LATENCY
LOCAL DATA PROCESSING
DATA PRIVACY
OPERATIONAL CONTINUITY
REAL-TIME INFERENCE
Contohnya:
COMPUTER VISION QUALITY INSPECTION
Camera mengambil image.
↓
Rainer AI server melakukan inference.
↓
Defect terdeteksi.
↓
Production system mendapatkan signal.
↓
Operator atau automation melakukan action.
Tidak semua data harus melakukan perjalanan:
FACTORY → INTERNET → CLOUD → FACTORY.
Untuk beberapa workload:
KEEP THE INTELLIGENCE CLOSE TO THE MACHINE.
UTIAN AYUBA: AI CLOUD INFRASTRUCTURE
Tetapi tidak semua AI harus berada di dalam factory.
Cloud mempunyai kekuatan:
ELASTICITY + SCALE + FLEXIBILITY.
AI Cloud Infrastructure dapat digunakan untuk:
model training,
large-scale analytics,
GPU workload,
AI experimentation,
centralized AI services,
multi-factory analytics,
dan enterprise-wide intelligence.
Bayangkan perusahaan mempunyai:
10 FACTORIES.
Inference berjalan lokal.
Tetapi management ingin membandingkan:
OEE,
quality,
energy,
maintenance,
downtime,
dan production performance
antar-factory.
Cloud dapat menjadi:
CENTRAL AI & ANALYTICS LAYER.
CLOUD VS ON-PREMISE? SALAH PERTANYAAN.
Pertanyaan yang lebih tepat:
WHICH WORKLOAD SHOULD RUN WHERE?
EDGE
Untuk extremely low latency dan machine-level processing.
ON-PREMISE / RAINER
Untuk local AI inference, sensitive data, computer vision, operational AI.
CLOUD
Untuk scale, training, centralized analytics dan enterprise AI.
Inilah:
HYBRID AI INFRASTRUCTURE.
SEKARANG KITA BISA MELIHAT ARSITEKTUR UTUHNYA
Jika ketiga perspektif digabungkan:
FACTORY FLOOR
Machines | PLC | SCADA | Sensors | Cameras | Robots
↓
DATA COLLECTION
Operational + IT + OT + Business Data
↓
PANDORA FMS
Monitoring | Observability | Early Warning
↓
JETDATA
Data Management | Integration | Correlation | Business Context
↓
HYBRID AI INFRASTRUCTURE
EDGE ↔ RAINER ON-PREMISE AI ↔ AI CLOUD
↓
AI & ANALYTICS
Predict | Detect | Optimize | Recommend
↓
OPERATIONAL ACTION
Production | Quality | Maintenance | Energy | Safety
↓
BUSINESS VALUE
OEE ↑
DOWNTIME ↓
DEFECT ↓
ENERGY ↓
PRODUCTIVITY ↑
Inilah menurut saya:
SMART MANUFACTURING AI STACK.
JANGAN LUPAKAN FEEDBACK LOOP
Tetapi arsitektur tersebut belum selesai.
Ketika AI memberikan rekomendasi dan action dilakukan, hasilnya harus kembali menjadi data.
Sehingga:
DATA → OBSERVE → UNDERSTAND → PREDICT → ACT → MEASURE → LEARN
Kemudian berulang.
Ini yang membedakan:
AI PROJECT
dengan:
AI-DRIVEN OPERATIONS.
MULAI DARI SATU USE CASE
Jangan langsung membangun semua layer untuk seluruh factory.
Ambil:
ONE BUSINESS PROBLEM.
Misalnya:
Reduce unplanned downtime pada satu production line.
Kemudian:
PANDORA FMS Monitor infrastructure dan operational signals.
↓
JETDATA Gabungkan infrastructure data, maintenance data dan production context.
↓
AI Cari anomaly dan pattern.
↓
RAINER / CLOUD Jalankan workload sesuai kebutuhan.
↓
ACTION
↓
MEASURE BUSINESS IMPACT
Jika berhasil:
SCALE.
AI MANUFACTURING READINESS — VERSI YANG LEBIH LENGKAP
Saya kemudian melihat readiness dalam sembilan layer:
1 — BUSINESS PROBLEM
2 — DATA
3 — OBSERVABILITY
4 — DATA MANAGEMENT
5 — COMPUTE
6 — STORAGE & NETWORK
7 — HYBRID AI
8 — SECURITY & GOVERNANCE
9 — BUSINESS VALUE
Perjalanannya:
BUSINESS → DATA → OBSERVE → INTEGRATE → COMPUTE → AI → ACT → VALUE
Dan jangan mulai dari:
AI.
Mulailah dari:
BUSINESS + DATA.
TIGA NARASUMBER, SATU AI MANUFACTURING ARCHITECTURE
FANKY CHRISTIAN
DATA + OBSERVABILITY + AI READINESS
Dengan:
JETDATA — DATA MANAGEMENT & AI INTELLIGENCE
dan:
PANDORA FMS — INFRASTRUCTURE MONITORING & OBSERVABILITY
SUGIYANTO SUTIKNO
ON-PREMISE AI INFRASTRUCTURE
Dengan:
RAINER AI SERVER
UTIAN AYUBA
AI CLOUD INFRASTRUCTURE
Untuk:
ELASTICITY + SCALE + CENTRAL AI SERVICES
Ketiganya bertemu pada:
HYBRID AI SMART MANUFACTURING.
DAY 081 FRAMEWORK
Saya merangkumnya menjadi:
COLLECT → OBSERVE → INTEGRATE → UNDERSTAND → COMPUTE → PREDICT → ACT → OPTIMIZE
COLLECT Bangun data foundation.
OBSERVE Pantau infrastructure dengan Pandora FMS.
INTEGRATE Satukan data menggunakan Jetdata.
UNDERSTAND Bangun operational dan business context.
COMPUTE Tentukan edge, Rainer on-premise, atau cloud.
PREDICT Gunakan AI.
ACT Hubungkan insight dengan operational action.
OPTIMIZE Ukur business impact dan terus belajar.
DAY 081 — DAILY QUOTE
“AI does not make a factory smart by itself. Trusted data tells AI what to understand, observability tells us what is happening, and the right hybrid infrastructure gives intelligence somewhere reliable to run.”
Karena itu pertanyaan kepada manufacturing leaders bukan lagi hanya:
“AI APA YANG AKAN KITA IMPLEMENTASIKAN?”
Tetapi:
APAKAH KITA MEMPUNYAI DATA YANG BENAR?
APAKAH KITA BISA MELIHAT KONDISI INFRASTRUKTUR?
APAKAH DATA TERSEBUT SUDAH TERINTEGRASI DAN MEMPUNYAI BUSINESS CONTEXT?
DAN DI MANA AI HARUS DIJALANKAN?
Jika empat pertanyaan ini bisa dijawab, barulah kita mempunyai fondasi untuk bergerak dari:
CONNECTED FACTORY → OBSERVABLE FACTORY → DATA-DRIVEN FACTORY → AI-DRIVEN FACTORY
Dan akhirnya:
SMART MANUFACTURING.
Digital Transformation Captain — DAY 081 18 September 2026
Navigate Change. Lead Impact. Inspire Indonesia
