Perencanaan produksi yang efisien sangat bergantung pada kemampuan dalam memprediksi beban kerja mesin. Prediksi ini memainkan peran penting dalam membantu industri mengantisipasi fluktuasi penggunaan mesin, memungkinkan pelaksanaan perawatan preventif yang lebih terjadwal, serta meminimalisir risiko kerusakan mendadak yang dapat menghambat proses produksi. Upaya ini tidak hanya berkontribusi terhadap efisiensi operasional, tetapi juga terhadap peningkatan umur teknis mesin yang digunakan.
Sejalan dengan peta jalan riset flagship Universitas Gadjah Mada dalam tema Transisi Energi, serta mendukung Tujuan Pembangunan Berkelanjutan (SDGs), khususnya poin ke-12 tentang Konsumsi dan Produksi yang Bertanggung Jawab (Responsible Consumption and Production), transformasi digital berbasis teknologi Internet of Things (IoT) menjadi semakin relevan. Teknologi ini dinilai mampu memberikan solusi prediktif yang cepat, akurat, dan efisien dalam mendukung keberlanjutan industri manufaktur.
Dalam konteks tersebut, Dr. Yuris Mulya Saputra, dosen di Departemen Teknik Elektro dan Informatika, Sekolah Vokasi UGM, melalui pendanaan Penelitian Masyarakat SV UGM Tahun 2025, melakukan penelitian yang mengintegrasikan pendekatan Federated Learning (FL) pada perangkat IoT. FL merupakan metode pembelajaran mesin kolaboratif yang memungkinkan perangkat IoT melakukan pelatihan model secara lokal tanpa perlu membagikan data mentah ke server pusat. Model yang telah dilatih secara lokal kemudian disinkronkan melalui server cloud, sehingga menjaga privasi data dan memperkuat keamanan informasi di lingkungan industri.
Penelitian ini secara khusus berfokus pada peningkatan akurasi prediksi beban kerja mesin melalui FL, meskipun perangkat IoT yang digunakan memiliki keterbatasan sumber daya komputasi. Metode deep learning berbasis deep neural networks dikembangkan untuk menghasilkan prediksi yang lebih presisi. Kontribusi utama dari riset ini adalah perancangan sistem FL berbasis klasifikasi tabular yang sederhana namun efektif, sehingga dapat diimplementasikan oleh pelaku industri manufaktur yang memanfaatkan kecerdasan buatan, meskipun hanya memiliki volume data terbatas di setiap perangkat IoT dan membutuhkan perlindungan data yang ketat. Dengan pendekatan inovatif ini, penelitian diharapkan dapat mendorong digitalisasi industri secara lebih inklusif, efisien, dan berkelanjutan khususnya pada smart manufacturing.