Selaras dengan peta jalan riset flagship Universitas Gadjah Mada dalam tema Transisi Energi serta mendukung Tujuan Pembangunan Berkelanjutan (SDGs) poin ke-12 tentang Responsible Consumption and Production, penerapan transformasi digital berbasis teknologi Internet of Things (IoT) menjadi semakin signifikan. Teknologi ini memberikan solusi prediktif yang cepat, akurat, dan efisien untuk mendukung keberlanjutan serta efisiensi proses industri manufaktur.
Dalam kerangka tersebut, Dr. Yuris Mulya Saputra, dosen Departemen Teknik Elektro dan Informatika, Sekolah Vokasi UGM, melalui pendanaan Penelitian Masyarakat SV UGM Tahun 2025, telah mengembangkan riset yang mengintegrasikan pendekatan Federated Learning (FL) pada perangkat IoT. FL merupakan metode pembelajaran mesin kolaboratif yang memungkinkan setiap perangkat IoT melatih model secara lokal tanpa harus mengirimkan data mentah ke server pusat. Model hasil pelatihan kemudian disinkronkan melalui cloud server, sehingga privasi data tetap terjaga dan keamanan informasi di lingkungan industri dapat diperkuat.
Penelitian ini secara khusus berfokus pada peningkatan akurasi prediksi beban kerja mesin menggunakan pendekatan FL, meskipun perangkat IoT memiliki keterbatasan sumber daya komputasi. Dengan mengadopsi metode deep learning berbasis deep neural networks, sistem dikembangkan agar mampu menghasilkan prediksi yang lebih presisi. Menariknya, hasil pengujian menunjukkan bahwa nilai akurasi FL mendekati nilai akurasi pada Centralized Learning (CL) yang berfungsi sebagai ambang batas atas kinerja sistem pembelajaran terdistribusi. Kondisi ini terjadi karena kedua pendekatan menggunakan jumlah sampel dataset yang sama, meskipun proses pelatihannya berbeda dimana FL tidak perlu mengirimkan dataset ke cloud server. Oleh karena itu, dari sisi keamanan data, FL memiliki keunggulan signifikan. Selain itu, kinerja FL juga tercatat 7% lebih baik dibandingkan dengan Local Learning (LL) yang berperan sebagai ambang batas bawah, sehingga menunjukkan efisiensi dan kapabilitas kolaboratif yang lebih unggul. Temuan ini menegaskan potensi besar FL dalam menjaga keseimbangan antara akurasi prediksi, efisiensi komputasi, dan perlindungan privasi data.
Secara keseluruhan, riset ini berkontribusi pada pengembangan sistem FL berbasis klasifikasi tabular yang sederhana namun efektif, sehingga dapat dengan mudah diimplementasikan oleh pelaku industri manufaktur yang ingin memanfaatkan kecerdasan buatan tanpa harus memiliki infrastruktur data besar di setiap perangkat. Dengan pendekatan inovatif ini, penelitian diharapkan mampu mendorong digitalisasi industri menuju arah yang lebih inklusif, efisien, dan berkelanjutan, khususnya dalam konteks smart manufacturing.