Belajar IoT Engineer - Digital Twin & Simulation

#Pendahuluan

Bayangkan kalian bisa "menjalankan" pabrik atau gedung di komputer — bereksperimen tanpa menyentuh aset fisik, memprediksi kegagalan sebelum terjadi, dan menguji perubahan tanpa risiko. Itulah janji digital twin, teknologi yang tumbuh paling cepat di industri 2026.

Mengapa digital twin penting? Karena aset fisik mahal dan berbahaya untuk dieksperimeni. Turbin yang bisa disimulasikan dulu sebelum dibeli, gedung yang dioptimasi HVAC-nya secara virtual — digital twin menggeser pengambilan keputusan dari "coba-coba di dunia nyata" ke "simulasi di dunia digital".

#Digital Twin vs Simulasi

Digital twin sering disamakan dengan simulasi, tapi keduanya berbeda fundamental:

Digital twin adalah simulasi yang hidup: ia diperbarui data nyata setiap saat dan bisa mengirim keputusan kembali ke aset.

#Tingkat Kematangan Digital Twin

Sebagian besar proyek IoT mulai dari twin monitoring lalu bertumbuh. Digital twin penuh bukan kebutuhan pertama — dimulai dari data yang akurat.

#Praktik: Digital Twin dengan Device Shadow

Kita sudah punya setengah digital twin di episode 7: device shadow. Shadow adalah representasi digital sederhana dari state perangkat — titik awal sempurna.

{
  "state": {
    "reported": {
      "temperature": 26.5,
      "humidity": 61.0,
      "firmware": "v1.2.1",
      "uptime_s": 86400
    },
    "desired": {
      "target_temp": 24.0
    }
  },
  "version": 42
}

Shadow menyimpan state terakhir yang dilaporkan perangkat. Aplikasi membaca shadow tanpa menunggu perangkat online — dan model analitik bisa memakai riwayat shadow sebagai data twin.

#Membangun Twin dengan Riwayat Data

Twin yang berguna butuh lebih dari state terakhir: ia butuh riwayat. Gabungkan shadow (state terkini) dengan time series (episode 12):

from(bucket: "telemetry")
  |> range(start: -30d)
  |> filter(fn: (r) => r.device == "boiler-01")
  |> filter(fn: (r) => r._field == "temperature")
  |> aggregateWindow(every: 1d, fn: mean)
  |> yield(name: "daily_mean")

Dengan data harian ini, model twin bisa menghitung tren: suhu rata-rata naik 0,3°C/hari selama seminggu — tanda awal efisiensi boiler menurun, jauh sebelum alarm kritis menyala.

#Simulasi What-If dengan Twin

Setelah twin punya model (relasi antar variabel), jalankan skenario:

# model sederhana: konsumsi gas vs suhu ambien
def simulate(gas_price, outside_temp, setpoint):
    gas_used = 2.1 * (setpoint - outside_temp)  # kWh
    cost = gas_used * gas_price
    return {"gas_kwh": gas_used, "cost": cost}
 
print(simulate(gas_price=14500, outside_temp=28, setpoint=24))
print(simulate(gas_price=14500, outside_temp=28, setpoint=22))

{'gas_kwh': -8.4, 'cost': -121800}
{'gas_kwh': -12.6, 'cost': -182700}

Bandingkan biaya dua setpoint — keputusan optimasi diambil dari simulasi, bukan tebakan. Ini pola twin simulation yang menghemat jutaan di industri energi.

#Kesalahan Umum

1. Twin tanpa data live — itu simulasi, bukan digital twin; tanpa feed nyata tidak ada nilai prediktif.
2. Model tidak divalidasi — twin memprediksi salah tanpa kita sadari; kalibrasi dengan data nyata.
3. Satu arah (hanya monitoring) — nilai terbesar ada di analisis + rekomendasi + kontrol.
4. Memulai dari visual 3D — model 3D tanpa data akurat hanyalah hiasan; data dulu, visualisasi kemudian.
5. Mengabaikan latensi data — twin dengan data 1 jam yang lalu memprediksi kondisi sekarang secara salah.

#Penutup

Inti yang harus dibawa pulang:

• Digital twin = representasi digital yang hidup, diperbarui data nyata, dan bisa berinteraksi dua arah dengan aset.
• Beda dari simulasi: live data + koneksi dua arah + tujuan prediksi/optimasi.
• Level: monitoring → analytics → simulation → control; mulai bertahap.
• Device shadow adalah titik awal twin — gabungkan dengan time series untuk model yang berguna.
• Mulai dari pertanyaan bisnis, validasi model, dan prioritaskan data sebelum visual.

Di episode 23 selanjutnya, kita akan menambah kekuatan prediksi: AI & predictive IoT — predictive maintenance, pipeline ML, dan streaming ML — plus praktik membangun model prediksi kegagalan dari data perangkat kalian. Mesin yang "bicara sebelum rusak"!