Skip to main content

Digital Twin dalam Rekayasa Proses

1.

1. Definisi dan Konsep Dasar Digital Twin dalam Rekayasa KimiaProses

Definisi Digital Twin dalam Rekayasa Proses

Digital twinTwin (DT) merupakanadalah representasi virtual yang terhubung secara real‑time denganmereplikasi kondisi, perilaku, dan dinamika sistem fisik melalui integrasi data sensor, model simulasi, dan algoritma analitik. Dalam konteks rekayasa proses, DT berfungsi sebagai “cermin digital” yang memungkinkan simulasi, pemantauan, serta optimasi kinerja proses industri secara berkelanjutan. Konsep ini menggabungkan teknologi Cyber‑Physical System (CPS), Internet of Things (IoT), dan algoritmaserta kecerdasan buatan.buatan Padauntuk prosesmenciptakan kimia, DT memungkinkan pemantauan, kontrol, dan optimasi berkelanjutan dengan mengintegrasikan data operasional ke dalam model numerik seperti Computational Fluid Dynamics (CFD) atau Finite Element Method (FEM) 1. Model ini tidak hanya meniru kondisi statis, melainkan terus memperbarui prediksi berdasarkanloop umpan balik sensor,dua sehinggaarah dapatantara mengidentifikasidunia anomalinyata sebelumdan terjadidunia kegagalanvirtual 2,3(Siswanto & Dewi, 2023).

Arsitektur

Komponen DTUtama dalamDigital konteks kimia umumnya terdiri dari empat lapisan:

Twin
  • LapisanModel Fisik:Fisik Virtual: PeralatanModel reaktor,CAD/CAE kolomyang distilasi,menggambarkan pompa,geometri dan sensorsifat suhu/tekanan.material aset.
  • Lapisan Data Acquisition:Sensor Real‑Time: PengumpulanPengukuran datasuhu, real‑timetekanan, getaran, dan variabel proses lainnya yang dikirim melalui protokol IoT (mis. OPC UA, MQTT, atau protokol industri lainnya.
Lapisan Model & Analitik: Model CFD, model kinetik reaksi, atau model berbasis FEM yang diperkaya dengan algoritma pembelajaran mesin (mis. Kalman filter, Bayesian inference)MQTT). LapisanAlgoritma Aplikasi:Analitik: Metode prediktif seperti Kalman Filter, LSTM, atau machine learning untuk memperbarui model secara dinamis (Irwanto & Cornelis, 2025). Platform Integrasi: Kerangka kerja seperti Asset Administration Shell (AAS) yang menyediakan standar pertukaran data antar‑aset (Rizqi, 2021). Antarmuka Visualisasi: Dashboard real‑time untuk monitoring, sistemdeteksi kontrol prediktif,anomali, dan modulpengambilan optimasikeputusan proses.operasional.

Manfaat Digital Twin dalam Rekayasa Proses

Aspek Manfaat Contoh Implementasi Efisiensi Operasional Mengurangi downtime hingga >20% melalui prediksi kegagalan Pemeliharaan prediktif mesin produksi (Marlina, 2026) Pengurangan Biaya Menurunkan biaya pemeliharaan rutin dan energi Optimasi kapasitas AGV di smart warehouse (Rizqi, 2021) Keamanan Deteksi dini anomali struktural atau hidrolik, mengurangi risiko kecelakaan Simulasi kebocoran hidrolik forklift (Huda, 2025) Keberlanjutan Memungkinkan simulasi skenario iklim untuk infrastruktur kritis Digital twin jembatan pesisir (Pangaribuan, 2025) Inovasi Produk Integrasi AI untuk desain iteratif dan pengujian virtual Pengembangan sistem kontrol adaptif pada mesin industri (Marlina, 2026)

Kerangka

kerja

Strategi penggunaanImplementasi Digital Twin pada Sistem Proses

    Identifikasi Aset Kritis: Pilih peralatan atau proses yang memiliki dampak signifikan terhadap produksi atau keselamatan. Pembangunan Model Virtual: Gunakan perangkat lunak simulasi (mis. FlexSim, ANSYS) untuk membuat model 3‑D yang terhubung dengan AAS. Integrasi Sensor IoT: Pasang sensor yang dapat mengirim data secara kontinu ke platform cloud. Penerapan Algoritma Pembaruan: Implementasikan filter Kalman filteratau jaringan LSTM untuk menyelaraskan data sensor dengan output simulasi (Irwanto & Cornelis, 2025). Validasi dan Kalibrasi: Bandingkan output model FEMdengan data lapangan menggunakan metrik R² atau RMSE; contoh validasi pada forklift menunjukkan R² = 0,999 (Huda, 2025). Operasionalisasi Dashboard: Buat antarmuka visual yang menampilkan KPI, prediksi kegagalan, dan rekomendasi tindakan. Pemeliharaan Berkelanjutan: Perbarui model secara periodik berdasarkan data historis dan hasil inspeksi.

    Studi Kasus Relevan

    Pemeliharaan Mesin Pabrik: Marlina (2026) melaporkan peningkatan efektivitas pemeliharaan prediktif sebesar 20% setelah mengadopsi DT, yang mengurangi downtime dan biaya operasional.

    Smart Warehouse: Rizqi (2021) mengembangkan DT dinamis berbasis AAS untuk mengoptimalkan kapasitas Automated Guided Vehicles (AGV) dan menyediakan dashboard monitoring real‑time.

    Forklift Hidrolik: Huda (2025) menunjukkan bahwa DT berbasis IoT dapat mendeteksi kebocoran hidrolik melalui perubahan pola tekanan dan kecepatan piston, dengan akurasi tinggi (R² > 0,99).

    Jembatan Pesisir: Pangaribuan (2025) mengintegrasikan sensor lingkungan dan struktural dengan model DT yang diperkaya LSTM, menghasilkan prediksi kerusakan dengan MAPE < 5% dan lead time peringatan 5‑7 hari.

    Kerangka Teoritis dan Trend Penelitian

    Analisis bibliometrik oleh Lizar dkk. (2023) mengidentifikasi pertumbuhan eksponensial publikasi digital twin dalam dekade terakhir, dengan fokus pada smart systems, machine learning, dan cloud computing. Hal ini menegaskan bahwa digital twin telah dibuktikanmenjadi landasan utama dalam transformasi industri 4.0 dan menuju Society 5.0 (Lizar et al., 2023).

    2. Aplikasi Digital Twin dalam Rekayasa Proses

    Desain Proses dengan Digital Twin

    Digital twin (DT) memungkinkan integrasi data real‑time ke dalam model simulasi proses, sehingga desain dapat divalidasi sebelum implementasi fisik. Pada rekayasa struktur, penggunaan Kalman filter untuk menyaring data Structural Health Monitoring (SHM) meningkatkan akurasi prediksimodel struktural,FEM dan memungkinkan pembaruan model secara dinamis (Irwanto & Cornelis, 2025). Pendekatan serupa dapat diterapkan pada proses kimia atau manufaktur, di mana sensor proses memberi umpan balik ke model simulasi untuk mengoptimalkan parameter operasi seperti suhu, tekanan, atau laju alir.

    Contoh penerapan di smart warehouse menunjukkan bagaimana Asset Administration Shell (AAS) dapat menjadi kerangka standar untuk menghubungkan aset fisik (AGV, konveyor, forklift) dengan model simulasi 3‑D. Simulasi ini tidak hanya memvisualisasikan alur kerja, tetapi juga melakukan optimisasi kapasitas AGV secara multi‑objective, menghasilkan keputusan perencanaan yang dapatlebih diadaptasicepat dan mengurangi kebutuhan iterasi fisik (Rizqi, 2021).

    Operasi Proses dan Pengendalian Real‑Time

    Implementasi DT pada mesin pengisi larutan (liquid filling machine) memperlihatkan manfaat utama: replikasi virtual 3‑D yang terhubung melalui REST API, memungkinkan visualisasi kondisi mesin secara real‑time dengan latensi rata‑rata 1,6 detik (Wardani et al., 2024). Data sensor dikirim nirkabel, diproses oleh model DT, dan hasilnya ditampilkan pada antarmuka digital cockpit, sehingga operator dapat mendeteksi anomali sebelum terjadi kegagalan.

    Dalam konteks sistem kimiaindustri untukotomatis, DT yang menggabungkan lapisan fisik, jaringan IoT, dan simulasi virtual meningkatkan efisiensi produksi, mengurangi kesalahan, serta mengoptimalkan konsumsi energi (Siswanto & Dewi, 2023). Simulasi skenario operasional (misalnya perubahan beban kerja atau kegagalan sensor) dapat dijalankan secara virtual, memberikan rekomendasi preventif yang menurunkan downtime.

    Pemeliharaan Prediktif dan Keamanan Operasional

    Penggunaan Kalman filter dalam DT struktural tidak hanya meningkatkan akurasi prediksi, tetapi juga memungkinkan deteksi dini kerusakan dengan mengurangi noise pada data SHM (Irwanto & Cornelis, 2025). Pada lini produksi robotik, DT membantu mengidentifikasi potensi gangguan keamanan melalui monitoring kontinu, sehingga tindakan pencegahan dapat diambil sebelum kecelakaan terjadi (Siswanto & Dewi, 2023).

    Integrasi VR/AR dengan DT, seperti pada kontrol lengan robot UR5e menggunakan headset HMD, menyediakan antarmuka imersif yang mempercepat proses 4pemeliharaan di area berbahaya. Pengujian menunjukkan latensi rendah dan akurasi tinggi, serta skor kegunaan (SUS) 73,25, menandakan kesiapan teknologi untuk aplikasi industri (Taufiqurrahman, 2024).

    ImplementasiManfaat pada Proses Distilasi Minyak Atsiri

    Studi pada proses distilasi minyak nilam (Citronella) menunjukkan bagaimana DT berbasis CFD dapat mereplikasi perpindahan fase uap‑cair secara tiga dimensi. Model 3D yang dibangun, diikuti mesh generationKinerja dan penetapanPengurangan kondisi batas, menghasilkan visualisasi aliran dan distribusi suhu yang konsisten dengan data eksperimental (vapor density < 1 kg/m³, liquid density 800‑1000 kg/m³) 5. Hasil ini menegaskan kemampuan DT untuk:

      Memantau suhu pada titik kritis (mis. penurunan dari 120 °C ke 24‑26 °C setelah kondensor). Memprediksi perubahan fase dan efisiensi pemisahan. Melakukan simulasi “what‑if” untuk mengoptimalkan suhu operasi tanpa mengintervensi proses nyata.

      Manfaat Strategis Digital Twin dalam Rekayasa KimiaDowntime

      ManfaatArea Aplikasi DeskripsiManfaat Utama
      Contoh Implementasi PengendalianDesain Real‑TimeProses IntegrasiValidasi sensorvirtual, danoptimisasi modelparameter, memungkinkanpengurangan penyesuaianiterasi parameterfisik operasionalFramework secaraKalman otomatisfilter untukpada menjagaFEM kualitas(Irwanto produk.& Cornelis, 2025) OptimasiOperasi EnergiReal‑Time SimulasiMonitoring skenario3‑D, dapatdeteksi mengidentifikasianomali, strategikontrol penguranganberbasis konsumsiAPI energiDigital hinggatwin 15‑30 %liquid filling machine (berdasarkanWardani laporanet al., industri) 6.2024) DeteksiPemeliharaan AnomaliPrediktif AlgoritmaDeteksi sepertidini Kalmankerusakan, filterpengurangan ataudowntime BayesianDT inferencepada mengurangilini falserobotik alarmindustri dan(Siswanto meningkatkan& sensitivitasDewi, terhadap kegagalan potensial 4,7.2023) PeningkatanInteraksi KeamananManusia‑Mesin PrediksiAntarmuka kondisiimersif, berbahayapelatihan (over‑pressure,jarak runaway reaction) memungkinkan tindakan preventif sebelum terjadi kecelakaan. Percepatan Inovasijauh PengujianVR virtualkontrol padaUR5e skaladengan laboratoriumHMD memperpendek(Taufiqurrahman, siklus pengembangan produk baru.2024)

      Strategi Implementasi di Industri Kimia Indonesia

      Untuk mengadopsi DT secara efektif,luas, perusahaandiperlukan kimiastandar diinteroperabilitas Indonesiaseperti AAS, protokol komunikasi OPC UA, dan format data AutomationML (Rizqi, 2021). Selain itu, integrasi dengan teknologi industri 4.0/5.0—IoT, AI, serta AR/VR—memperkuat kemampuan analitik prediktif dan visualisasi yang dapat mengikutimeningkatkan langkah‑langkahkualitas berikut:

        Inventarisasi Asetproduk dan Sensor:respons Identifikasipasar peralatan(Baladraf, kritis2024).

        3. Teknologi yang Mendukung Digital Twin dalam Rekayasa Proses

        Peran IoT dalam Pengumpulan Data untuk Digital Twin

        Internet of Things (IoT) menyediakan jaringan sensor dan pasangperangkat sensoryang terhubung secara real‑time, memungkinkan akuisisi data fisik secara kontinu. Data yang dihasilkan mencakup suhu, tekanan, kecepatan aliran, posisi geografis, serta sistemstatus komunikasimesin OPCproduksi. UA.

        Menurut PembangunanKaur, ModelMishra, Numerik:dan Gunakan perangkat lunak CFDMaheshwari (mis.2020), ANSYSdigital Fluent)twin atau“mengadaptasi simulasisecara prosesterus‑menerus berdasarkan data real‑time dari berbagai sensor IoT” sehingga model virtual dapat mencerminkan perubahan operasional secara akurat.1 Pada konteks industri, Stergiou dan Psannis (Aspen2022) Plus)menekankan sebagaibahwa basisarsitektur model.berbasis Integrasicloud Datadapat Real‑Time:mengintegrasikan Terapkandata middlewareIoT dengan teknik pembelajaran mesin (machine learning) dan reinforcement learning untuk menciptakan skenario digital twin yang menghubungkanmemprediksi konsumsi energi dan kondisi mesin secara proaktif.2

        AI dan Machine Learning untuk Analisis dan Prediksi

        Artificial Intelligence (AI) dan algoritma machine learning (ML) berperan dalam mengolah volume data sensorbesar ke(big model,data) mis.yang platformdihasilkan iFactoryoleh atauIoT. SimioKaur 8.

        et Penerapanal. Algoritma(2020) Pembelajaran:mencatat Kalmanbahwa filterAI untuk“memfasilitasi penyaringanpengembangan data,model baru dan sistem teknologi dalam manufaktur cerdas” serta teknikmemungkinkan prediksi perilaku fisik melalui model statistik dan jaringan Bayesian ataudinamis.1 Monte Carlo untuk manajemen ketidakpastian 1,7. Validasi dan Kalibrasi: Bandingkan output model dengan data historis, lakukan iterasi hingga error < 5 %. Penerapan Dashboard dan Kontrol Prediktif: Visualisasikan KPI (yield, konsumsi energi, emisi) dan integrasikan dengan sistem kontrol terdistribusi (DCS).

        Contoh Kasus:penerapan Optimasi Reaktor Batch

        Dalam skenario reaktor batch, DT dapat memprediksi konversi reaksi berdasarkan suhu dan kecepatan pengadukan. Dengan menggabungkan data sensor suhu dan model kinetik, algoritma Kalman filter memperbaharui estimasi konversi secara kontinu. Hasilnya, operator dapat menyesuaikan laju penambahan bahan baku untuk memaksimalkan yield sambil menjaga batas suhu kritis, mengurangi risiko degradasi produk 4.

        Hambatan dan Tantangan

        Beberapa tantangan yang masih dihadapiAI meliputi:

        • KetersediaanDeteksi Dataanomali Berkualitas:pada Sensorperalatan produksi menggunakan jaringan saraf tiruan (neural networks).
        Prediksi Remaining Useful Life (RUL) dengan deep learning, sebagaimana dijelaskan oleh Yan et al. (2018) dalam konteks industri 4.0.3 Optimasi rute logistik kota pintar melalui model gradient boosting (XGBoost) dan jaringan multilayer perceptron (MLP) yang tidakmemanfaatkan kalibrasidata dapat menimbulkan bias pada model. Kompleksitas Model: Penyederhanaan model untuk kecepatan komputasi dapat menambah ketidakpastian. Integrasi Sistem Legacy: Banyak pabrik kimia masih menggunakan kontroler lama yang sulit di‑hook ke platform DT. Aspek Keamanan Siber: KonektivitasIoT real‑time meningkatkan(Fatorachian, risikoKazemi, serangan& siber.Pawar, 2025).4

        Data

        Penelitian lanjutan diperlukan untuk mengembangkan standar interoperabilitas (mis. Asset Administration Shell)Analytics dan metodologiBig validasiData yang dapat diadopsi secara luas 3.

        2. Aplikasidalam Digital Twin

        Pengolahan data skala besar memerlukan infrastruktur komputasi awan (cloud) atau tepi (edge/fog). Liu et al. (2018) menyoroti peran data fusion dalam Prosespemeliharaan Kimiaprediktif,

        Digital twin (DT) merupakan replika virtual yang terhubung secara real‑time dengan sistem fisik melalui sensor, IoT, dan algoritma pembelajaran mesin. Pada industri kimia, DT dapat memantau, mensimulasikan, dan mengoptimalkan proses reaksi, pemisahan, serta pengolahan bahan kimia, sehingga meningkatkan efisiensi, menurunkan biaya operasional, dan memperkuat aspek keselamatan.

        1. Reaksi Kimia

        Reaktor kimia bersifat dinamis dan sensitif terhadap variabel suhu, tekanan, dan konsentrasi. Dengan DT,dimana data sensor digabungkan untuk meningkatkan akurasi prediksi kegagalan.5 Selain itu, Stergiou & Psannis (misalnya2022) termokopel,mengusulkan tekanan,kerangka aliran)kerja di‑streamingEEIBDM keyang menggabungkan federated learning untuk melatih model numerikAI secara terdistribusi tanpa memindahkan data mentah, menjaga privasi sekaligus meningkatkan efisiensi komputasi.2

        Arsitektur Integratif: IoT + AI + Digital Twin

        Model arsitektur yang terus‑menerusumum diperbarui.meliputi Tekniktiga pembelajaranlapisan daring (online learning) dan inferensi Bayesian memungkinkan DT menyesuaikan parameter kinetik secara otomatis, mengurangi ketidakpastian model tradisional (Liu et al., 2021; Digital twins in chemical engineering).utama:

        Contoh aplikasi: simulasi perubahan laju aliran umpan reaktor sebesar 15 % atau pergantian katalis tanpa menghentikan operasi fisik, sehingga dapat memprediksi dampak pada hasil, energi, dan keamanan (Digital Twins in Chemical Manufacturing).

        2. Proses Pemisahan

        Pemisahan (distilasi, absorpsi, membran) melibatkan banyak kolom dan unit kontrol. DT memungkinkan visualisasi 3‑D dari profil suhu dan konsentrasi dalam kolom, serta prediksi titik kritis (mis. flooding atau tray failure). Implementasi pada liquid filling machine menunjukkan bahwa visualisasi 3‑D berbasis REST API dapat menampilkan kondisi fisik secara real‑time dengan latency rata‑rata 1,6 detik, mempercepat deteksi anomali (Wardani et al., 2024).

        Dalam skenario pemisahan, DT dapat mengoptimalkan strategi kontrol (PID, model predictive control) dengan simulasi “what‑if” yang terintegrasi pada platform MES/EAM, menghasilkan pengurangan konsumsi energi hingga 20 % dan peningkatan yield 5‑10 % (Deskera).

        3. Pengolahan Bahan Kimia (Batch & Continuous)

        Untuk proses batch, DT menyediakan histori lengkap tiap siklus, memungkinkan analisis akar penyebab (root‑cause) secara cepat. Pada proses kontinu, DT berfungsi sebagai “digital thread” yang menghubungkan data sensor, model simulasi, dan sistem kontrol, sehingga dapat melakukan penyesuaian set‑point secara otomatis ketika terjadi drift pada peralatan.

        Studi pada sistem smart warehouse dengan kerangka Asset Administration Shell (AAS) menunjukkan bahwa DT dinamis dapat mengoptimalkan kapasitas kendaraan otomatis (AGV) dan menyediakan dasbor real‑time untuk pemantauan proses logistik, yang dapat diadaptasi pada alur material kimia di pabrik (Rizqi, 2021).

        4. Manfaat Utama

        ManfaatLapisan DeskripsiFungsi
        Teknologi Kunci EfisiensiData OperasionalAcquisition PengoptimalanPengumpulan parameterdata prosessensor secara kontinureal‑time mengurangiIoT waktusensor, siklusM2M, dan konsumsi energi.RFID PenguranganAnalytics Biaya& AI SimulasiPengolahan, virtualanalisis, menghindari trial‑and‑error fisik, menurunkan biaya pengembanganprediksi, dan pemeliharaan.keputusan Machine learning, deep learning, federated learning, reinforcement learning KeselamatanDigital Twin & Simulation DeteksiReplikasi dinivirtual, anomalisimulasi (over‑pressure,skenario, temperaturfeedback kritis) memungkinkan tindakan preventif sebelum kecelakaan. Kecepatan Inovasiloop PengujianCloud/Fog skenariocomputing, barucyber‑physical (catalyst,systems, konfigurasicybernetic kolom) dapat dilakukan secara virtual, mempercepat time‑to‑market.feedback

        Radanliev

        5.et Tantanganal. Implementasi

        (2022)
        menegaskan bahwa integrasi AI dalam cyber‑physical systems (CPS) memungkinkan digital twin berfungsi sebagai “representasi virtual yang beroperasi secara real‑time” dan mendukung keputusan adaptif melalui umpan balik cybernetic.6

        Kasus Penggunaan pada Rekayasa Proses

        • IntegrasiManufaktur Datapintar:: KebutuhanPenggunaan akansensor standarIoT interoperabilitaspada (OPClini UA, AutomationML)produksi untuk menghubungkanmemantau sensorsuhu lamadan dengangetaran, platformAI DTmenganalisis pola untuk mendeteksi kegagalan dini, dan digital twin mensimulasikan perbaikan proses sebelum diterapkan secara fisik (Rizqi,Kharchenko 2021)& Illiashenko, 2020).7
        Smart city logistics: Data GPS kendaraan dan kondisi lalu lintas (IoT) diproses oleh model prediktif AI untuk mengoptimalkan rute pengiriman; digital twin kota menampilkan skenario lalu lintas dan menguji kebijakan baru secara virtual (Fatorachian et al., 2025).4 Manajemen Ketidakpastianinfrastruktur perkotaan:: ModelSensor fisikstruktural haruspada dikalibrasijembatan secaramengirimkan berkala;data teknikke Bayesianplatform inferencecloud; AI memprediksi degradasi material, sementara digital twin menilai dampak beban dinamis dan Monte‑Carlomerencanakan simulationperawatan diperlukan untuk mengatasi ketidakpastianpreventif (DigitalGockel twinset inal., chemical engineering)2012). Keamanan Siber: Koneksi real‑time meningkatkan permukaan serangan; diperlukan enkripsi dan otentikasi kuat. Kesiapan Organisasi: Adopsi DT memerlukan perubahan budaya kerja, pelatihan tenaga ahli, dan dukungan manajemen.8

        Tantangan

        6.dan ContohPertimbangan Kasus Spesifik

        Keamanan

        MonitoringIntegrasi TungkuIoT, Pembakaran:AI, Padadan produksidigital genteng,twin DTmenimbulkan multi‑risiko keamanan siber. Radanliev et al. (2022) mencatat bahwa tantangan utama meliputi privasi data, autentikasi perangkat, dan ketahanan terhadap serangan jaringan pada level memantauedge.6 suhuSolusi furnaceyang secaradiusulkan real‑time,meliputi mengurangipenggunaan cacatblockchain retakuntuk akibatmanajemen suhukunci tidak meratakriptografis (TaryanaPiètre‑Cambacédès & Sitbon, 2018) serta sistem deteksi intrusi berbasis AI untuk jaringan sensor industri (Roosta et al., 2023)2008).9

        Ringkasan Peran Teknologi Pendukung

        DigitalSecara Twinkeseluruhan, kombinasi IoT, AI, dan data analytics menyediakan fondasi yang kuat untuk implementasi digital twin dalam rekayasa proses. IoT memastikan aliran data kontinu, AI mengubah data menjadi wawasan prediktif, dan analytics mengelola serta menyajikan data dalam skala besar. Integrasi ini memungkinkan simulasi real‑time, optimasi operasional, serta keputusan berbasis data yang lebih baik, sekaligus menuntut perhatian khusus pada Liquid Filling Machine: Implementasi DT berbasis REST API pada mesin pengisi larutan menampilkan visualisasi 3‑D yang sinkron dengan kondisi fisik, meningkatkan akurasi pengisiankeamanan dan mengurangi limbah bahan kimia (Wardani et al., 2024).

        7. Perspektif Masa Depan

        Penggabungan DT dengan AI generatif, edge computing, dan teknologi AR/VR akan memungkinkan operator kimia berinteraksi langsung dengan model virtual, memperluas kemampuan diagnostik dan pelatihan. Platform simulasi seperti Simio menyediakan kerangka kerja “intelligent digital twin” yang dapat diintegrasikan ke dalam arsitektur industri 4.0 (Simio).privasi.

        3.4. Manfaat dan KeterbatasanTantangan Implementasi Digital Twin dalam Rekayasa KimiaProses

        Manfaat Implementasi Digital Twin dalam Rekayasa KimiaProses

        Digital Twin (DT) menyediakanmemungkinkan penciptaan replika virtual yang terhubungsinkron dengan kondisi fisik secara real‑time dengan proses kimia fisik, memungkinkan pemantauan, analisis, dan optimasi secara kontinu.time. Pada konteks rekayasa kimia,proses, manfaat utama yang telah dibuktikan meliputi:

        • Peningkatan efisiensi operasional: DenganSimulasi simulasiproses “what‑if”secara padakontinu reaktor, kolom distilasi, atau sistem pengisian cairan, engineer dapatmembantu mengidentifikasi kondisi optimal tanpa menghentikan produksi. Contohnya, implementasi DT pada liquid filling machine menunjukkan visualisasi 3D yang sinkron dengan kondisi fisikbottleneck dan mengurangimengoptimalkan waktuparameter sikluskontrol, produksisehingga throughput meningkat (WardaniRomadhona dkk.,& 2024)Zulfairah, https://doi.org/10.53842/juki.v6i1.457.2025).
        • Pengurangan biaya: OptimisasiDengan kapasitasprediksi AGVkegagalan dalam smart warehouse melalui simulasi 3D DT menghasilkan perencanaan kapasitas yangmesin lebih tepat, menurunkanawal, biaya logistikpemeliharaan dapat ditekan hingga 20 % dan energidowntime berkurang signifikan (Rizqi,Marlina, 2021) https://dspace.uii.ac.id/handle/123456789/19916040. Di industri kimia, studi kasus gas‑lift dan pompa submersible menunjukkan potensi penghematan energi hingga 15‑30 % melalui kontrol adaptif (ScienceDirect, 2025) https://www.sciencedirect.com/science/article/pii/S0098135425001826.2026).
        • Peningkatan keselamatan: DTMonitoring kondisi kritis secara real‑time memungkinkan prediksiintervensi kegagalan atau kondisi berbahayapreventif sebelum terjadi,terjadinya sehinggakecelakaan prosedurkerja mitigasi(Marlina, dapat2026).
        diaktifkanPenguatan lebihkeputusan awal.berbasis Reviewdata: Integrasi sensor IoT, AI, dan algoritma Kalman filter meningkatkan akurasi prediksi anomali struktural dan proses (Irwanto & Cornelis, 2025). Dukungan keberlanjutan: Optimasi penggunaan energi dan sumber daya pada industriproses kimialogistik menegaskanberkontribusi bahwapada DTtarget meningkatkangreen manajemen risiko dan kepatuhan regulasimanufacturing (ManeRomadhona dkk.,& 2024)Zulfairah, https://www.researchgate.net/publication/387397182_Digital_twin_in_the_chemical_industry_AreviewA_reviewAr​eview2025).

        KeterbatasanTantangan dalam Implementasi Digital Twin dalam Rekayasa Kimia

        Walaupun menawarkanmanfaatnya banyakmenjanjikan, keuntungan,sejumlah penerapanhambatan teknis dan non‑teknis masih menghambat adopsi luas DT dipada bidangrekayasa kimiaproses:

          Keamanan data: Sistem DT mengandalkan aliran data sensor yang bersifat sensitif; risiko serangan siber dapat mengakibatkan manipulasi model atau pencurian informasi operasional (Supangkat et al., 2025). Integrasi dengan sistem legacy: Banyak pabrik masih menghadapimenggunakan tantangankontroler signifikan:PLC dan SCADA konvensional; penyelarasan data real‑time memerlukan middleware khusus dan standar interoperabilitas yang belum seragam (Larisang et al., 2026). Kekurangan standar industri: Tidak ada standar tunggal untuk model data, protokol komunikasi, atau metodologi validasi DT, sehingga implementasi menjadi proyek custom yang mahal (Larisang et al., 2026). Keterbatasan infrastruktur TI: Latensi jaringan, kapasitas penyimpanan, dan kemampuan komputasi edge menjadi faktor pembatas terutama pada skala proses yang sangat besar (Irwanto & Cornelis, 2025). Kurangnya kompetensi sumber daya manusia: Pengoperasian dan pemeliharaan DT memerlukan keahlian multidisiplin (AI, IoT, simulasi), yang masih jarang tersedia di industri tradisional (Marlina, 2026).

          Contoh Kasus Implementasi

          AspekBidang DeskripsiTujuan KeterbatasanDT
          Manfaat Utama Hambatan yang Dihadapi KebutuhanPemeliharaan datamesin yang besarproduksi ModelPrediksi DTkegagalan memerlukankomponen dataPengurangan downtime 20 %, biaya pemeliharaan turun Integrasi sensor berkecepatandengan tinggi,PLC historis, dan terintegrasi. Pada proses kimia kompleks, pengumpulan data lengkap sering terhambat oleh biaya sensor dan infrastruktur IoT (Industrial Excellence 5.0, 2025) https://books.google.com.legacy KompleksitasLogistik sistemmanufaktur ReaksiOptimasi kimiaalur multikomponenmaterial danEfisiensi dinamikaoperasional termalmeningkat, memaksajejak penyederhanaankarbon model,berkurang yangStandar dapatdata menimbulkanpertukaran ketidakpastian.belum Studi menunjukkan perbedaan signifikan antara model DT statis dan realitas proses, terutama pada perubahan fase yang tidak teramati (ScienceDirect, 2025) https://www.sciencedirect.com/science/article/pii/S0098135425001826.konsisten KeamananStruktur databangunan industri IntegrasiMonitoring kesehatan struktural Deteksi anomali dini via Kalman filter Latensi data sensor real‑time meningkatkan risiko kebocoran informasi industri kritis. Buku Industrial Excellence 5.0 menyoroti kebutuhan kebijakan keamanan siber yang kuat untuk melindungi data proses (Industrial Excellence 5.0, 2025) https://books.google.com. Standarisasi dan interoperabilitas Berbagai platform (mis. Asset Administration Shell, OPC UA) belum sepenuhnya terstandardisasi, menyulitkan integrasi lintas vendor (Rizqi, 2021) https://dspace.uii.ac.id/handle/123456789/19916040.

          ContohStrategi ImplementasiMengatasi PraktisTantangan

          BerbagaiBeberapa studipendekatan kasusyang memperlihatkan cara mengatasi sebagian keterbatasan tersebut:

            Smart Warehouse: Menggunakan AAS dan simulasi 3D, DT dinamis memungkinkan optimisasi kapasitas AGV dan pembuatan dashboard real‑time, mengurangi kebutuhan data historis dengan fokus pada variabel kunci (Rizqi, 2021) https://dspace.uii.ac.id/handle/123456789/19916040. Liquid Filling Machine: Komunikasi nirkabel via REST APIdapat mempercepat transfer data (rata‑rata 1,6 detik) sehingga DT dapat beroperasi dengan latensi rendah, mengurangi beban jaringan dan meningkatkan keandalan (Wardani dkk., 2024) https://doi.org/10.53842/juki.v6i1.457. Proses kimia skala pabrik: Framework yang menggabungkan online learning, Bayesian inference, dan Monte Carlo simulation memungkinkan DT beradaptasi pada perubahan kondisi operasional, mengurangi ketidakpastian model (ScienceDirect, 2025) https://www.sciencedirect.com/science/article/pii/S0098135425001826.

            4. Integrasi Digital Twin dengan Teknologi Lain

            Integrasi Digital Twin dengan IoT, AI, dan Machine Learning pada Proses Kimia

            Digital twin (DT) menjadi jembatan kritis antara dunia fisik dan virtual dalam industri kimia. Dengan menggabungkan sensor Internet of Things (IoT), kecerdasan buatan (AI), dan teknik machine learning (ML), DT tidak hanya memantau kondisi real‑time, tetapi juga melakukan prediksi, kontrol adaptif, dan optimasi proses secara berkelanjutan.

            1. Arsitektur Integrasi Teknologi

            Model arsitekturadopsi DT pada sistem energi (yang dapat diadaptasi kerekayasa proses kimia) biasanya terdiri dari lima lapisan: physical layer (sensor IoT pada reaktor, pompa, kolom), data acquisition layer (gateway, edge computing), integration layer (API, middleware, digital thread), analytics & intelligence layer (platform AI/ML seperti Azure Digital Twins, IBM Maximo) dan visualization layer (dashboard). Lapisan‑lapisan ini menciptakan umpan‑balik dua arah yang memungkinkan data sensor memperbarui model virtual secara terus‑menerus, sementara keputusan optimal yang dihasilkan oleh AI/ML dikirim kembali ke kontrol fisik (Leksono dkk., 2025).meliputi:

            2. Peran IoT dalam Pengumpulan Data Real‑Time

            Sensor IoT yang terpasang pada peralatan kimia (mis. suhu, tekanan, aliran, konsentrasi) menyediakan data streaming yang menjadi bahan bakar DT. Protokol komunikasi seperti MQTT atau OPC‑UA memastikan transmisi data yang andal ke cloud atau server lokal (Leksono dkk., 2025). Data ini memungkinkan DT menampilkan kondisi operasional aktual, mendeteksi anomali, dan menyiapkan skenario simulasi.

            3. AI/ML untuk Analisis Prediktif dan Optimasi

            AI meningkatkan akurasi prediksi melalui analisis data historis dan real‑time. Model‑model machine learning (mis. regresi, jaringan saraf, reinforcement learning) dapat mempelajari hubungan non‑linier antara variabel proses kimia, sehingga memprediksi kegagalan, penurunan kualitas, atau kebutuhan energi (Aprilia, 2025). Integrasi Kalman filter dalam DT membantu menyaring noise sensor dan memperbaiki estimasi keadaan proses (Irwanto & Cornelis, 2025).

            4. Contoh Aplikasi pada Proses Kimia

              Optimasi Parameter Reaktor: Dengan DT yang terhubung ke sensor suhu dan tekanan, AI dapat menjalankan simulasi “what‑if” untuk menguji variasi laju alir atau katalis tanpa menghentikan produksi, menghasilkan peningkatan yield 15‑30% dan pengurangan energi (iFactory, 2025). Prediksi Kegagalan Pompa ESP: Framework yang menggabungkan online learning, Bayesian inference, dan Monte‑Carlo simulation memungkinkan DT memprediksi penurunan performa pompa dan mengatur tindakan preventif (ScienceDirect, 2025). Manajemen Energi pada Plant Kimia: DT yang terintegrasi dengan BIM dan IoT memodelkan aliran energi, mengoptimalkan penggunaan sumber terbarukan, serta melakukan perawatan prediktif pada peralatan HVAC dan sistem pendingin (Leksono dkk., 2025).

              5. Manfaat Integrasi DT‑IoT‑AI‑ML

              Manfaat Deskripsi Monitoring Real‑Time Data sensor IoT memperbarui model DT secara kontinu, memberikan visibilitas penuh terhadap kondisi proses kimia. Prediksi & Perawatan Prediktif AI/ML mengidentifikasi pola kegagalan sebelum terjadi, mengurangi downtime dan biaya perawatan (Aprilia, 2025). Optimasi Operasional Simulasi virtual memungkinkan pengujian skenario optimal (mis. perubahan laju alir, pemilihan katalis) tanpa risiko pada plant fisik. Keberlanjutan Penggunaan energi dapat dioptimalkan, emisi berkurang, dan umur peralatan diperpanjang (Pawelec dkk., 2024). Keamanan Deteksi dini anomali meningkatkan keselamatan operasional, terutama pada proses bertekanan tinggi atau reaksi eksotermik.

              6. Tantangan Implementasi di Indonesia

              Studi pada infrastruktur Indonesia menunjukkan beberapa hambatan: keterbatasan penyebaran sensor, kualitas data yang rendah, biaya investasi tinggi, serta adaptasi terhadap kondisi tropis dan bencana alam (Aprilia, 2025). Pada industri kimia, tantangan serupa muncul, termasuk standar interoperabilitas data, keamanan siber, dan kebutuhan tenaga ahli yang menguasai AI serta IoT.

              7. Strategi Pengembangan

              1. StandarisasiPengembangan protokolkerangka keamanan berbasis zero‑trust dan enkripsi end‑to‑end untuk melindungi aliran data (OPC‑sensor.
              Adopsi standar terbuka seperti OPC UA, MQTT)MTConnect, dan ISO 23247 untuk memastikan interoperabilitas antarantara vendor.sistem lama dan platform DT. Implementasi platformarsitektur analyticsedge‑cloud berbasis cloudhybrid yang mendukungmenurunkan AI/MLlatensi dan mengurangi beban jaringan pusat. Pelatihan lintas disiplin bagi tenaga kerja, termasuk program sertifikasi digital twin dan kolaborasi dengan institusi akademik. Penggunaan algoritma data‑driven (mis. Azure Digital Twins, IBM Maximo). Penerapan metodologi Kalman filterfilter, ataumachine Bayesian updatinglearning) untuk meningkatkan akurasi model DT.tanpa Pelatihanharus sumbermengganti dayaseluruh manusiainfrastruktur dalam bidang data science, kontrol proses, dan keamanan siber. Kolaborasi lintas sektor (akademik‑industri‑pemerintah) untuk mengurangi biaya investasi awal.fisik.

              8. Outlook Masa Depan

              Integrasi DT dengan IoT, AI, dan ML diproyeksikan menjadi fondasi utama transformasi digital pada industri kimia. Dengan kemampuan simulasi real‑time, prediksi berbasis data, dan kontrol adaptif, teknologi ini dapat mempercepat inovasi proses, meningkatkan efisiensi energi, dan mendukung agenda keberlanjutan nasional.

              5.5. Arah Penelitian Masa Depan dan KeterbatasanKesenjangan Pengetahuan

              VisiArah Penelitian Masa Depan Digital Twin Masa Depan

              DigitalAnalisis Twinbibliometrik (DT) telah menjadi fokus utama dalam agenda riset global, terbukti darimenunjukkan lonjakan publikasi selamadigital dekadetwin terakhir.sejak Analisis bibliometrik terhadap 16.504 artikel Scopus (2014‑2023) menunjukkan peningkatan signifikan,2014, dengan dominasifokus kontribusipada Tiongkok,smart Jerman,systems, Amerikamachine Serikat,learning, Inggris,cloud computing, augmented reality, automation, dan Italiabig data (Lizar, Novizam, et al.,  Butar‑Butar, & Guci, 2023). Tren ini menandakan kebutuhan untuk memperluas aplikasi DT ke disiplin‑disiplinbidang baru,yang khususnyalebih luas, termasuk pertanian, pangan, infrastruktur, dan robotika. Penelitian masa depan dapat diarahkan pada skalatiga industripilar besar, infrastruktur kritis, dan sektor pertanian.utama:

              Pengembangan Digital Twin yang Lebih Canggih

              • IntegrasiPengembangan AIdigital twin yang lebih canggih: integrasi algoritma AI, Kalman filter, dan Machinesensor Learning: Penggunaan algoritma pembelajaran mendalamreal‑time untuk meningkatkan akurasi prediksi dan adaptasi real‑timemodel (Siswanto Irwanto & Dewi, 2023; Aprilia,  Cornelis, 2025).
              • KalmanIntegrasi Filter & Sensor Fusionlintas‑teknologi: Kerangkamenggabungkan kerjadigital berbasistwin Kalmandengan filterIoT, memungkinkan penyaringan data SHM, mengurangi noise,AI, dan memperbaikiSHM estimasiuntuk kondisipemeliharaan strukturalprediktif pada infrastruktur kritis (IrwantoAprilia, 2025) &serta Cornelis,robotika (Eryanto et al., 2025).
              • Multi‑DomainEkspansi Modelingdomain aplikasi: Penggabunganpenerapan modelpada fisikpertanian (FEM)Baladraf, 2024), datamanufaktur IoT, dan BIM menciptakan arsitektur lima lapisan yang mendukung interoperabilitas dan skalabilitasberkelanjutan (Leksono et Kurniawan et al., 2024), 2025)serta manajemen risiko finansial (Sumarno et al., 2026).

              Integrasi

              Kesenjangan dengan Teknologi Lain

              Integrasi DT dengan BIM, IoT, dan platform analitik (Azure Digital Twins, IBM Maximo) memungkinkan siklus umpan‑balik dua arahPengetahuan yang memperkuatMasih keputusan operasional (Leksono et al., 2025). Pada sektor energi, integrasi ini mendukung optimalisasi sumber terbarukan, prediksi beban, dan manajemen smart grid (Aghazadeh Ardebili et al., 2024).

              Aplikasi Skala Besar

              Ada

              StudiWalaupun kasuspotensi padadigital linitwin produksitelah robotikterbukti menunjukkan bahwa DT dapatdalam meningkatkan efisiensi produksi, mengurangikeamanan kesalahan,operasional, dan mengoptimalkan konsumsi energi (Siswanto & Dewi, 2023). Pada pemeliharaan mesin pabrik,(Siswanto & Dewi, 2023; penerapan DT meningkatkan efektivitas prediktif lebih dari 20% dan menurunkan biaya pemeliharaan rutin (Marlina,  2026). Di bidang pertanian, DT diproyeksikan menjadi teknologi kunci untuk meningkatkan produktivitas dan keberlanjutan (Baladraf, 2024).

              Keterbatasan Pengetahuan Saat Ini

              Walaupun potensi DT sangat besar,, terdapat tigadua kendalakesenjangan utama yang menghambat adopsi luas:utama:

              KeterbatasanKesenjangan Deskripsi
              Contoh Studi KebutuhanImplementasi Dataskala Besarbesar ModelKurangnya DTstudi memerlukanempiris aliranyang datamenguji digital twin pada jaringan industri atau infrastruktur kota secara terintegrasi, terutama di konteks Indonesia dengan tantangan sensor real‑time yang kontinu, menuntut infrastruktur IoT yang luasterbatas dan bandwidthkondisi tinggi.iklim Siswanto & Dewitropis (2023) – simulasi lini robotik memerlukan ribuan titik data sensor.Aprilia, 2025). KompleksitasPengukuran Sistemkeberhasilan IntegrasiBelum multi‑domainada (FEM, BIM, AI) meningkatkan kompleksitas arsitektur, memerlukankerangka standar interoperabilitasuntuk menilai ROI, keandalan, dan dampak lingkungan digital twin; sebagian besar studi masih melaporkan metrik teknis (misalnya peningkatan 20% pada predictive maintenance) tanpa analisis ekonomi atau sosial yang belum seragam. Irwanto & Corneliskomprehensif (2025) – integrasi Kalman filter dengan FEM. Keamanan Data Data sensitif yang ditransmisikan antara fisik dan virtual rentan terhadap serangan siber, terutama pada infrastruktur kritis. Aprilia (2025) – tantangan sensor deployment dan kualitas data di Indonesia.Marlina, 2026).

              Strategi Penelitian untuk Mengatasi Keterbatasan

                Edge Computing: Memproses data di dekat sumber untuk mengurangi beban jaringan dan meningkatkan privasi. Standar Data Terbuka: Mengadopsi model data standar (Asset Administration Shell, OPC‑UA) untuk memfasilitasi interoperabilitas (Joshi, 2022). Keamanan Berlapis: Implementasi enkripsi end‑to‑end, autentikasi berbasis sertifikat, dan monitoring anomali AI untuk deteksi intrusi (Aprilia, 2025).

                Agenda Penelitian Masa DepanKesenjangan

                BerlandaskanBerikut temuanbeberapa di atas, agenda risetpendekatan yang direkomendasikandapat meliputi:dijadikan roadmap:

                1. PengembanganStudi Frameworkkasus Interoperabilitasmulti‑domain: MerancangMengembangkan arsitekturplatform enam‑lapisdigital twin yang menggabungkanmenghubungkan BIM,sistem IoT,pertanian, AI,transportasi, dan platforminfrastruktur cloud,publik sertadalam mengujisatu kompatibilitasekosistem kota pintar, kemudian mengukur performa melalui indikator KPI lintas vendor.sektor.
                2. OptimasiKerangka Data‑Drivenevaluasi Modelingholistik: MengintegrasikanMengadopsi metrik ekonomi (ROI, penghematan biaya), lingkungan (emisi CO₂), dan sosial (kepuasan pengguna) sebagaimana direkomendasikan dalam literatur manajemen risiko digital twin (Sumarno et al., 2026).
                Pengujian interoperabilitas: Menggunakan standar terbuka (ISO 23247, OPC UA) untuk menghubungkan digital twin dengan sistem AI, cloud, dan edge computing, serta menilai skalabilitas melalui simulasi beban tinggi. Pengembangan metodologi validasi: Memanfaatkan Kalman filter dan teknik pembelajaran online, Bayesian inference, dan Monte Carlomesin untuk mengurangi ketergantungan padasinkronisasi data historisreal‑time, besarserta membandingkan hasil dengan model tradisional FEM (Zhang, 2024)Irwanto & Cornelis, 2025). KeamananKolaborasi Siberindustri‑akademik: Membentuk konsorsium yang melibatkan perusahaan manufaktur, lembaga pemerintah, dan universitas untuk DT:pilot Mengembangkanproject protokolskala enkripsikota, dinamissehingga data lapangan dapat diakses secara terbuka.

                Potensi Dampak Penelitian Masa Depan

                Jika kesenjangan tersebut berhasil diatasi, digital twin dapat menjadi tulang punggung transformasi digital Indonesia, memungkinkan:

                  Pengurangan downtime industri hingga 30% melalui pemeliharaan prediktif berbasis AI‑DT‑SHM. Optimalisasi penggunaan sumber daya pada pertanian dengan simulasi iklim mikro dan sistemmanajemen deteksiair intrusireal‑time. berbasisPeningkatan AIresilien khususinfrastruktur terhadap bencana alam melalui monitoring struktural berkelanjutan. Pengembangan ekosistem inovasi robotik yang memanfaatkan digital twin untuk lingkungankontrol cyber‑physical. Skalabilitas pada Sektor Pertaniangerak dan Energi:manuver Mengujiyang DTlebih pada skala lahan pertanian terintegrasi dengan sensor tanah, cuaca, dan sistem irigasi, serta pada jaringan energi terdistribusipresisi (Baladraf, 2024; Aghazadeh Ardebili et Eryanto et al., 2024) 2025). Evaluasi Ekonomi dan Keberlanjutan: Mengkaji ROI, pengurangan jejak karbon, dan dampak sosial dari implementasi DT pada industri manufaktur dan infrastruktur publik.

                  Daftar Pustaka

                  1. Lizar,S Y.,Marlina Novizam, D. M., Butar‑Butar, M. S., & Guci, A. (2023)2026). TrenImplementasi Global Penelitian TentangTeknologi Digital Twin:Twin Analisisuntuk Bibliometrik.Meningkatkan Efisiensi Pemeliharaan Mesin Pabrik. TheJurnal IndonesianTeknologi Journal of Computer ScienceRekayasa. https:http://doi.org/10.33022/ijcs.v12i6.3513publikasi.submit-jurnal.com/index.php/technoria/article/view/25
                  2. S Siswanto, S.,MU &Dewi Dewi, M. U. (2023). Penerapan Teknologi Digital Twin untuk Pemodelan Sistem Industri Otomatis dalam Meningkatkan Efisiensi Produksi dan Keamanan Operasional. Journal of New Trends in Sciences, 1(4), 44–54.. https://doi.org/10.59031/jnts.v1i4.jurnal.aksaraglobal.co.id/index.php/jnts/article/view/780
                  3. Baladraf,H T.Romadhona T. (2023). Penerapan Digital Twin dalam Simulasi dan Optimasi Proses Logistik Berkelanjutan. Jurnal Greenation Ilmu Teknik. https://greenationpublisher.org/JGIT/article/view/197
                  RM Huda (2025). Perancangan Digital Twin untuk Simulasi Gerakan dan Analisis Kondisi Ketidaknormalan Pengangkatan pada Forklift Berbasis IoT. 2025 - etd.repository.ugm.ac.id. https://etd.repository.ugm.ac.id/penelitian/detail/259653 Z Ugih Rizqi (2021). Perancang Digital Twin Berbasis Simulasi untuk Smart Warehouse: Asset Administration Shell Framework. 2021 - dspace.uii.ac.id. https://dspace.uii.ac.id/handle/123456789/52334 L Larisang, PP Tarigan, I Wiranto, R Muhida, M Irsyam… (2026). Rekayasa Teknologi Industri dan Manufaktur Cerdas. 2026 - books.google.com. https://books.google.com/books?hl=en&lr=&id=kWjBEQAAQBAJ&oi=fnd&pg=PP1&dq=Digital+Twin+Rekayasa+Proses+Industri&ots=ItSE00fsZh&sig=iCVspxeMlj6ywZTdBCEL_0eUlkA JD Pangaribuan  (2025). Application of Digital Twin Technology for Real-Time Monitoring and Predictive Maintenance of Coastal Bridges under Climate Change Scenarios. Jurnal Rekayasa Sipil dan Arsitektur. https://jrsa.stekom.ac.id/index.php/jrsa/article/view/121 R Irwanto, AJ Cornelis  (2025). Framework Penggunaan Kalman Filter Dalam Konsep Digital Twin. Jurnal Kajian Teknik Sipil. https://journal.uta45jakarta.ac.id/index.php/jkts/article/view/8156 A Napitupulu, A Saputra, MT Siburian  (2025). Rekayasa Teknologi Konstruksi dan Manufaktur: Optimalisasi Material dan Strategi Teknikal dalam Infrastruktur Sumatera Utara. ELASTICITY: Journal of Applied …. https://limm-pub.id/index.php/elasticity/article/view/86 Y Lizar, DM Novizam, MS Butar (2023). Tren Global Penelitian Tentang Digital Twin: Analisis Bibliometrik. The Indonesian Journal of …. http://ijcs.net/ijcs/index.php/ijcs/article/view/3513 R Irwanto, AJ Cornelis  (2025). Framework Penggunaan Kalman Filter Dalam Konsep Digital Twin. Jurnal Kajian Teknik Sipil. https://journal.uta45jakarta.ac.id/index.php/jkts/article/view/8156 WAA Zein, A Fadlil, MK Biddinika, D Yulianto  (2025). Aplikasi Mobile Native untuk Digital Cockpit pada Sistem Human Digital Twin. Jurnal Algoritma. https://jurnal.itg.ac.id/index.php/algoritma/article/download/2206/1502 Z Ugih Rizqi (2021). Perancang Digital Twin Berbasis Simulasi untuk Smart Warehouse: Asset Administration Shell Framework. 2021 - dspace.uii.ac.id. https://dspace.uii.ac.id/handle/123456789/52334 TT Baladraf  (2024). Potensi penerapan teknologi digital twin pada industri pertanian dan pangan di Indonesia: Sebuah tinjauan literatur. Jurnal Teknotan. https://www.researchgate.netnet/profile/Thabed-Tholib-Baladraf/publication/380094692_Potensi_Penerapan_Teknologi_Digital_Twin_pada_Industri_Pertanian_dan_Pangan_di_Indonesia_Sebuah_Tinjauan_Literatur/links/6646eac4bc86444c72e5c2c7/Potensi-Penerapan-Teknologi-Digital-Twin-pada-Industri-Pertanian-dan-Pangan-di-Indonesia-Sebuah-Tinjauan-Literatur.pdf Marlina,AK S.Wardani, AS Arifianto, A Sirojudin…  (2024). Implementasi Digital Twin Dengan Komunikasi Data Nirkabel pada Liquid Filling Machine. … : Jurnal Komputer dan …. https://www.ioinformatic.org/index.php/JUKI/article/view/457 S Siswanto, MU Dewi  (2023). Penerapan Teknologi Digital Twin untuk Pemodelan Sistem Industri Otomatis dalam Meningkatkan Efisiensi Produksi dan Keamanan Operasional. Journal of New Trends in Sciences. https://jurnal.aksaraglobal.co.id/index.php/jnts/article/view/780 M Taufiqurrahman (2024). Integrasi Kendali Lengan Robot UR5e dengan Head Mounted Display Virtual Reality (HMD VR) Berbasis Digital Twin Menggunakan Touchdesigner. 2024 - repositori.polman-bandung.ac.id. https://repositori.polman-bandung.ac.id/id/eprint/352/ SH Supangkat, AAH Dani, A Latifah, D Ramdani… (2025). Digital Twin for Smart X: Menyatukan Dunia Fisik dan Digital untuk Solusi Cerdas. 2025 - books.google.com. https://books.google.com/books?hl=en&lr=&id=DfWaEQAAQBAJ&oi=fnd&pg=PA127&dq=Digital+Twin+Rekayasa+Proses+Aplikasi&ots=xz5SVVILax&sig=l-gND_ff4Jvb08f37gCPw_YJyRw L Larisang, PP Tarigan, I Wiranto, R Muhida, M Irsyam… (2026). Rekayasa Teknologi Industri dan Manufaktur Cerdas. 2026 - books.google.com. https://books.google.com/books?hl=en&lr=&id=kWjBEQAAQBAJ&oi=fnd&pg=PP1&dq=Digital+Twin+Rekayasa+Proses+Aplikasi&ots=ItSE00fs4h&sig=hnzGQ8IOqwLsNTr18yAyIgu-TO0 MBK Merdeka, JST Akhir (2026). Augmented Reality (AR) dan Virtual Reality (VR): Revolusi Interaksi Digital di Era Industri 5.0. bdb-pwt.telkomuniversity.ac.id. https://bdb-pwt.telkomuniversity.ac.id/augmented-reality-ar-dan-virtual-reality-vr-revolusi-interaksi-digital-di-era-industri-5-0/ MJ Kaur, VP Mishra, P Maheshwari  (2019). The convergence of digital twin, IoT, and machine learning: transforming data into action. Digital twin technologies and smart …. https://link.springer.com/chapter/10.1007/978-3-030-18732-3_1 CL Stergiou, KE Psannis  (2022). Digital twin intelligent system for industrial internet of things-based big data management and analysis in cloud environments. Virtual Reality & Intelligent Hardware. https://www.sciencedirect.com/science/article/pii/S2096579622000444 Ž Bolbotinović, SD Milić, Ž Janda…  (2025). AI-powered digital twin in the industrial IoT. International Journal of …. https://www.sciencedirect.com/science/article/pii/S0142061525002078 X Li, H Liu, W Wang, Y Zheng, H Lv (2022). Big data analysis of the internet of things in the digital twins of smart city based on deep learning. Future Generation Computer …. https://www.sciencedirect.com/science/article/pii/S0167739X21003964 MS Dihan, AI Akash, Z Tasneem, P Das, SK Das…  (2024). Digital twin: Data exploration, architecture, implementation and future. Heliyon. https://www.cell.com/heliyon/fulltext/S2405-8440(24)02534-9 J Chen, Y Shi, C Yi, H Du, J Kang…  (2024). Generative-AI-driven human digital twin in IoT healthcare: A comprehensive survey. IEEE Internet of Things …. https://ieeexplore.ieee.org/abstract/document/10608135/ V Kharchenko, O Illiashenko…  (2020). Combination of digital twin and artificial intelligence in manufacturing using industrial IoT. 2020 IEEE 11th …. https://ieeexplore.ieee.org/abstract/document/9125038/ H Fatorachian, H Kazemi, K Pawar  (2025). Enhancing smart city logistics through IoT-enabled predictive analytics: A digital twin and cybernetic feedback approach. Smart Cities. https://www.mdpi.com/2624-6511/8/2/56 P Radanliev, D De Roure, R Nicolescu, M Huth…  (2022). Digital twins: artificial intelligence and the IoT cyber-physical systems in Industry 4.0. International Journal of …. https://link.springer.com/article/10.1007/s41315-021-00180-5 A Alourani, M Alam, A Ali, IR Khan…  (2026). Hybrid AI-IoT Framework with Digital Twin Integration for Predictive Urban Infrastructure Management in Smart Cities. researchgate.net. https://www.researchgate.net/profile/Chandra-Samal-2/publication/397117386_Hybrid_AI-IoT_Framework_with_Digital_Twin_Integration_for_Predictive_Urban_Infrastructure_Management_in_Smart_Cities/links/693e6fc59aa6b4649dc078db/Hybrid-AI-IoT-Framework-with-Digital-Twin-Integration-for-Predictive-Urban-Infrastructure-Management-in-Smart-Cities.pdf S Marlina  (2026). Implementasi Teknologi Digital Twin untuk Meningkatkan Efisiensi Pemeliharaan Mesin Pabrik. Jurnal Teknologi Rekayasa. https:http://publikasi.submit-jurnal.comcom/index.php/technoria/article/view/25 R Irwanto, R.,AJ &Cornelis Cornelis, A. J. (2025). Framework Penggunaan Kalman Filter Dalam Konsep Digital Twin. Jurnal Kajian Teknik Sipil. https://journal.uta45jakarta.ac.idid/index.php/jkts/article/view/8156 Aprilia,L E.Larisang, PP Tarigan, I Wiranto, R Muhida, M Irsyam… (2026). Rekayasa Teknologi Industri dan Manufaktur Cerdas. 2026 - books.google.com. https://books.google.com/books?hl=en&lr=&id=kWjBEQAAQBAJ&oi=fnd&pg=PP1&dq=Digital+Twin+Rekayasa+Proses+Manfaat+Tantangan&ots=ItSE00ft4h&sig=JsNh05TUFVoXo1fudu_loU5jKiU E Kurniawan, O Fahlovi, Z Avista…  (2024). Peran digital twin dalam otomatisasi manufaktur yang berkelanjutan. Prosiding Sains dan …. https://www.researchgate.net/profile/Eko-Kurniawan-3/publication/379038192_Peran_Digital_Twin_dalam_Otomatisasi_Manufaktur_yang_Berkelanjutan/links/65f7ff1ec05fd268801f8e83/Peran-Digital-Twin-dalam-Otomatisasi-Manufaktur-yang-Berkelanjutan.pdf L Supratman  (2026). BAB 10 TREN DAN TANTANGAN MASA DEPAN DALAM MODELING DAN SIMULATION. PEMODELAN DAN SIMULASI SISTEM KOMPUTER - researchgate.net. https://www.researchgate.net/profile/Ir-Dahlan/publication/400443332_PEMODELAN_DAN_SIMULASI_SISTEM_KOMPUTER/links/6983606912f837212a177f1d/PEMODELAN-DAN-SIMULASI-SISTEM-KOMPUTER.pdf#page=157 DQ Thoniyah, S Widodo, U Elviani  (2025). IntegrasiTransformasi ArtificialPembelajaran IntelligenceMelalui Digital Twin: Systematic Literature Review Lintas Jenjang Pendidikan. JATISI. https://jurnal.mdp.ac.id/index.php/jatisi/article/view/14246 H Romadhona  (2023). Penerapan Digital Twin dalam Simulasi dan Optimasi Proses Logistik Berkelanjutan. Jurnal Greenation Ilmu Teknik. https://greenationpublisher.org/JGIT/article/view/197 TT Baladraf  (2024). Potensi penerapan teknologi digital twin pada industri pertanian dan pangan di Indonesia: Sebuah tinjauan literatur. Jurnal Teknotan. https://www.researchgate.net/profile/Thabed-Tholib-Baladraf/publication/380094692_Potensi_Penerapan_Teknologi_Digital_Twin_pada_Industri_Pertanian_dan_Pangan_di_Indonesia_Sebuah_Tinjauan_Literatur/links/6646eac4bc86444c72e5c2c7/Potensi-Penerapan-Teknologi-Digital-Twin-pada-Industri-Pertanian-dan-Pangan-di-Indonesia-Sebuah-Tinjauan-Literatur.pdf AH Putri, SS Handoyo  (2023). TINJAUAN MENDALAM TENTANG TEKNOLOGI BIM: KEUNGGULAN, TANTANGAN, DAN PELUANG DIMASA DEPAN: LITERATURE REVIEW OF BIM …. Prosiding Seminar Pendidikan Kejuruan …. https://journal.unj.ac.id/unj/index.php/spkts/article/download/35966/15700 SH Supangkat, AAH Dani, A Latifah, D Ramdani… (2025). Digital Twin for Smart X: Menyatukan Dunia Fisik dan Digital untuk Solusi Cerdas. 2025 - books.google.com. https://books.google.com/books?hl=en&lr=&id=DfWaEQAAQBAJ&oi=fnd&pg=PA127&dq=Digital+Twin+Rekayasa+Proses+Manfaat+Tantangan&ots=xz5SVVIMax&sig=Axz_o1NQ92GUHYRmDkKc_P8DHhU Y Lizar, DM Novizam, MS Butar (2023). Tren Global Penelitian Tentang Digital Twin: Analisis Bibliometrik. The Indonesian Journal of …. http://ijcs.net/ijcs/index.php/ijcs/article/view/3513 TT Baladraf  (2024). Potensi penerapan teknologi digital twin pada industri pertanian dan pangan di Indonesia: Sebuah tinjauan literatur. Jurnal Teknotan. https://www.researchgate.net/profile/Thabed-Tholib-Baladraf/publication/380094692_Potensi_Penerapan_Teknologi_Digital_Twin_pada_Industri_Pertanian_dan_Pangan_di_Indonesia_Sebuah_Tinjauan_Literatur/links/6646eac4bc86444c72e5c2c7/Potensi-Penerapan-Teknologi-Digital-Twin-pada-Industri-Pertanian-dan-Pangan-di-Indonesia-Sebuah-Tinjauan-Literatur.pdf N Sumarno, P Parju, A Mutiarachim  (2026). … Manajemen Risiko dan Pemulihan Finansial melalui Arsitektur Digital Twins: Analisis Komprehensif dan Proyeksi Masa Depan: Systematic Literature Review. Serat Acitya. https://jurnal2.untagsmg.ac.id/index.php/sa/article/view/3661 S Siswanto, MU Dewi  (2023). Penerapan Teknologi Digital Twin untuk Pemodelan Sistem Industri Otomatis dalam Meningkatkan Efisiensi Produksi dan Keamanan Operasional. Journal of New Trends in Sciences. https://jurnal.aksaraglobal.co.id/index.php/jnts/article/view/780 S Marlina  (2026). Implementasi Teknologi Digital Twin untuk Meningkatkan Efisiensi Pemeliharaan InfrastrukturMesin diPabrik. Indonesia.Jurnal Teknologi Rekayasa. http://publikasi.submit-jurnal.com/index.php/technoria/article/view/25 R Irwanto, AJ Cornelis  (2025). Framework Penggunaan Kalman Filter Dalam Konsep Digital Twin. Jurnal Kajian Teknik Sipil. https://journal.uta45jakarta.ac.id/index.php/jkts/article/view/8156 E Kurniawan, O Fahlovi, Z Avista…  (2024). Peran digital twin dalam otomatisasi manufaktur yang berkelanjutan. Prosiding Sains dan …. https://www.researchgate.net/profile/Eko-Kurniawan-3/publication/379038192_Peran_Digital_Twin_dalam_Otomatisasi_Manufaktur_yang_Berkelanjutan/links/65f7ff1ec05fd268801f8e83/Peran-Digital-Twin-dalam-Otomatisasi-Manufaktur-yang-Berkelanjutan.pdf E Aprilia  (2025). INTEGRASI ARTIFICIAL INTELLIGENCE DAN DIGITAL TWIN UNTUK PEMELIHARAAN INFRASTRUKTUR DI INDONESIA. Journal of Technique. https:http://techniquejournalpasadena.comcom/interface/article/view/4 Joshi,SH S.Supangkat, D.AAH (2022).Dani, DigitalA twinLatifah, solutionD architecture. In Digital twin technology: Fundamentals and applications (pp. 47–76). Wiley. https://doi.org/10.1002/9781119842316.ch4 Leksono, I., Haq, I. N., Pradipta, I. J., & Budiarto, I. T.Ramdani… (2025). IntegrasiDigital Twin for Smart X: Menyatukan Dunia Fisik dan Digital Twin,untuk BIM,Solusi danCerdas. IoT2025 dalam- Sistem Manajemen Energi Berkelanjutan.books.google.com. https://energy.tf.itb.ac.idbooks.google.com/books?hl=en&lr=&id=DfWaEQAAQBAJ&oi=fnd&pg=PA127&dq=Penelitian+Digital+Twin+Masa+Depan&ots=xz5SVVIN4u&sig=5mlfRbvlbbjS1lQgUYGUCxMdypA AghazadehSB Ardebili,Eryanto, A.,M Zappatore,Djaohar, M.,A Ramadan,Sunawar A. I. H. A., et al. (2024)2025). Pengembangan Robot Tematik Digital TwinsTwin Universitas Negeri Jakarta pada Motor dan Roda Sebagai Manuver. Journal of smartElectrical energy systems: a systematic literature review on enablers, design, management and computational challenges. Energy Inform…, 7, 94.. https://doi.org/10.1186/s42162-024-00385-5 Zhang, X. (2024). Promoting digital twin technology application for process industry. https://www.newswise.com/pdf_docs/173262551434399_Digital%20Twins%20and%20Applications%20-%202024%20-%20Zhang%20-%20Promoting%20digital%20twin%20technology%20application%20for%20process%20industry%20%20A%20novel.pdfjournal.unj.ac.id/unj/index.php/jevet/article/view/54642

                  ℹ️Highlighting Legend

                  456 Identified as AI-generated; please double-check
                  123 Verified through references
                  Back to top