Perpustakaan Digital ITB

Digital twin telah menjadi teknologi yang berkembang pesat, memungkinkan pembuatan model digital yang merepresentasikan objek fisik, yang dapat digunakan untuk monitoring, simulasi kondisi, dan mendukung pengambilan keputusan berbasis data realtime. Untuk meningkatkan pengalaman visualisasi data, digital twin sering dikombinasikan dengan model 3D dan teknologi imersif seperti augmented reality, yang memungkinkan interaksi lebih realistis dan dapat meningkatkan situational awareness. Dalam konteks smart city, teknologi ini membantu mengelola data dari berbagai sumber seperti lalu lintas, transportasi, dan manajemen air serta limbah, yang sering kali menggunakan protokol berbeda. Digital twin berperan penting dalam mengintegrasikan data tersebut ke dalam satu platform yang dapat menyediakan informasi secara real-time, sehingga mendukung pengambilan keputusan dalam pengembangan kota ke depan. Penelitian ini bertujuan membangun framework visualisasi data digital twin yang dapat mengkomunikasikan informasi dengan mudah dan jelas, meningkatkan interaktivitas, dan akurasi. Model digital twin yang dikembangkan merupakan representasi digital dari objek fisik, dengan platform yang memungkinkan pembuatan, pengelolaan, dan interaksi dengan model, serta simulasi kondisi terkini dan rencana pengembangan. Data diperoleh dari sensor IoT, CCTV, dan data geospasial diintegrasikan dengan memperhatikan aspek akurasi dan kelengkapan data. Pengukuran interaktivitas dilakukan terhadap platform digital twin yang dihasilkan dengan studi kasus manajemen pengolahan air pada Kampus ITB Jatinangor yang dilakukan selama satu bulan dengan 107 responden, menunjukkan bahwa platform meningkatkan interaktivitas dan memberikan pengalaman telepresence yang memuaskan, serta efektif meningkatkan situational awareness, di mana membantu pengguna memahami dan memproyeksikan kondisi sekitar. Untuk mengukur akurasi informasi, digunakan model Softmax Regression, yang menghasilkan akurasi 91,87% pada klasifikasi kualitas air dan 92,80% pada klasifikasi jenis kebocoran pipa. Model ini menunjukkan efisiensi tinggi dengan waktu pelatihan 12,4 detik dan inferensi 0,8 ms per sampel. Penggunaan model ini menjadi pilihan terbaik untuk implementasi digital twin, dengan fokus pada efisiensi komputasi, interpretabilitas, dan akurasi dalam mendukung pengambilan keputusan.