Program Studi Manajemen • FEB

Internet of Things

Pertemuan 8 — Industrial IoT (IIoT) & Industri 4.0

Membongkar bagaimana sensor, data, dan analitik mentransformasi lantai pabrik, mencegah kerusakan mesin, dan melahirkan era revolusi industri keempat.

RPS MINGGU 8 • SUB-CPMK 8 • DURASI 2 × 50 MENIT

Tujuan Pembelajaran Hari Ini

Setelah pertemuan ini, Anda mampu memahami peran IIoT dalam Industri 4.0 (Sub-CPMK 8). Secara rinci:

CAPAIAN 1 — INDUSTRI 4.0

EVOLUSI & PILAR

Menjelaskan konsep Industri 4.0 dan membedakannya dari revolusi industri sebelumnya.

CAPAIAN 2 — KONSEPTUAL IIOT

CONSUMER VS INDUSTRIAL

Membedakan secara tajam antara IoT Konsumen dan Industrial IoT (IIoT) dari segi skala, risiko, dan dampak.

CAPAIAN 3 — STUDI KASUS

BUKTI DUNIA NYATA

Menganalisis studi kasus nyata penerapan IIoT di berbagai perusahaan global (ABB, Dow, dll).

CAPAIAN 4 — TANTANGAN

IT/OT & KEAMANAN

Mengidentifikasi hambatan implementasi seperti silo data, keamanan siber, dan konvergensi IT/OT.

Hook: Apa yang Terjadi Jika Pabrik Anda "Buta"?

Bayangkan sebuah pabrik baja yang beroperasi 24/7. Tiba-tiba satu motor penggerak utama putus.

SKENARIO LAMA — REAKTIF

MESIN MATI MENDADAK

Unplanned Downtime

Perbaikan memakan waktu berhari-hari. Kerugian bisa mencapai puluhan miliar rupiah per jam karena rantai produksi terhenti total. Maintenance dilakukan setelah mesin rusak.

SKENARIO IIOT — PROAKTIF

PREDICTIVE MAINTENANCE

Data Sensor Real-Time

Sensor getaran dan suhu mendeteksi anomali dua minggu sebelum motor putus. Suku cadang dipesan, perbaikan dijadwalkan saat libur. Nol kerugian downtime mendadak.

Kemampuan pabrik untuk melihat ke masa depan dan memprediksi kerusakan adalah nilai utama dari Industrial IoT.

Bagian 1 dari 4

Pengantar Industri 4.0

Memahami bagaimana perjalanan umat manusia dari tenaga uap hingga ke era di mana mesin dapat "berbicara" satu sama lain.

Mekanisasi Elektrifikasi Komputasi Konektivitas

Evolusi Industri: Dari Uap ke Data

Revolusi industri selalu dipicu oleh teknologi baru yang mengubah cara kita memproduksi barang secara fundamental.

INDUSTRI 1.0 (Abad ke-18)

Tenaga Uap & Mekanisasi

Mesin uap menggantikan tenaga manusia dan hewan. Tenun otomatis muncul.

INDUSTRI 2.0 (Akhir Abad ke-19)

Listrik & Produksi Massal

Lini perakitan (assembly line) oleh Henry Ford. Listrik memungkinkan produksi skala besar.

INDUSTRI 3.0 (Tahun 1970-an)

Komputer & Otomatisasi

PLC (Programmable Logic Controller) dan robotika dasar mulai mengambil alih tugas repetitif.

INDUSTRI 4.0 (Sekarang)

Siber-Fisik & Konektivitas (IoT)

Mesin terhubung ke internet, saling bertukar data, mengambil keputusan dengan bantuan AI.

Apa Itu Industri 4.0?

Industri 4.0 adalah tren otomatisasi dan pertukaran data dalam teknologi manufaktur, yang mencakup sistem siber-fisik, Internet of Things, komputasi awan, dan komputasi kognitif.

SISTEM SIBER-FISIK (CPS)

INTEGRASI DIGITAL & FISIK

Mesin fisik direpresentasikan dalam bentuk digital (Digital Twin). Perubahan di dunia digital akan mengontrol alat di dunia nyata.

DESENTRALISASI KEPUTUSAN

MESIN MANDIRI

Mesin dapat mengevaluasi datanya sendiri dan melakukan penyesuaian operasional secara mandiri tanpa menunggu perintah operator.

Inti dari Industri 4.0 adalah menciptakan "Smart Factory" (Pabrik Pintar) yang sangat adaptif, efisien, dan memiliki visibilitas operasional penuh.

Pilar-Pilar Teknologi Industri 4.0

Revolusi ini tidak didukung oleh satu teknologi saja, melainkan konvergensi dari beberapa pilar utama:

Pilar Teknologi	Peran dalam Industri 4.0
Industrial IoT (IIoT)	Sistem saraf utama. Sensor dan jaringan yang mengumpulkan data dari mesin.
Big Data & Analytics	Otaknya. Mengolah jutaan data per detik untuk menemukan pola dan prediksi.
Cloud & Edge Computing	Tempat data disimpan dan diproses. Edge memungkinkan proses super cepat di lokasi.
Advanced Robotics	Robot yang tidak kaku; bisa berkolaborasi dengan manusia (Cobot) dan adaptif.
Digital Twin	Simulasi virtual dari aset fisik untuk uji coba perbaikan tanpa risiko.
Cybersecurity	Benteng pertahanan. Karena semua terhubung, rentan diretas.

Bagian 2 dari 4

Membedah Industrial IoT (IIoT)

Apa bedanya IoT di rumah Anda dengan IoT di kilang minyak? Skala, risiko, dan arsitektur pengolahan datanya.

IoT Consumer vs Industrial IoT (IIoT)

CONSUMER IOT (C-IoT)

Fokus: Kenyamanan hidup (convenience), smart home, wearable.
Contoh: Smart watch, lampu pintar, kulkas pintar.
Risiko Kegagalan: Rendah. (Lampu gagal menyala → kita kesal, bisa tekan saklar manual).
Siklus Hidup: Pendek (1-3 tahun ganti).
Lingkungan: Aman, suhu kamar.

INDUSTRIAL IOT (IIoT)

Fokus: Efisiensi operasional, Return on Investment (ROI), safety.
Contoh: Sensor turbin gas, robot perakit mobil, monitor pipa minyak.
Risiko Kegagalan: Sangat tinggi. (Sensor terlambat 1 detik → ledakan pabrik, ancaman nyawa).
Siklus Hidup: Panjang (10-20 tahun).
Lingkungan: Ekstrem (panas, debu, getaran).

IIoT menuntut reliabilitas mutlak. Latensi (jeda waktu) sepersekian detik di IIoT bisa berakibat fatal.

Arsitektur IIoT: Dari Mesin ke Cloud

Bagaimana data mengalir dalam IIoT? Tidak semua data mentah dikirim ke Cloud (terlalu berat & lambat). Solusinya: Edge Computing.

1. THINGS (Sensor)
Mesin fisik, sensor, aktuator. Menghasilkan jutaan data per detik.

➔

2. EDGE COMPUTING
Gerbang lokal. Menyaring data & memproses respons darurat instan (nol latensi).

➔

3. CLOUD / DATA CENTER
Penyimpanan besar, analitik Big Data, dan Machine Learning jangka panjang.

Analogi Edge Computing: Gerak refleks tubuh kita. Jika tangan menyentuh panci panas, saraf (Edge) langsung menarik tangan tanpa harus berpikir dulu ke otak (Cloud).

Mengapa IIoT Mengubah Wajah Manufaktur?

VISIBILITAS OPERASIONAL

MEMECAH SILO DATA

Manajer dapat melihat status seluruh mesin, rantai pasok, dan logistik dalam satu dashboard tunggal secara real-time.

KUALITAS & YIELD

PRESISI TINGGI

Memantau kondisi produk saat sedang dibuat. Mengurangi tingkat kecacatan produk (defect rate) dan meminimalkan scrap/limbah.

EFISIENSI ENERGI

MENGURANGI PEMBOROSAN

Sensor membaca jam sibuk dan otomatis menidurkan mesin yang sedang idle, menghemat biaya listrik industri yang sangat besar.

Dampak akhirnya: Optimalisasi Throughput (keluaran produksi naik) dan Reduksi Opex (biaya operasional turun tajam).

Bagian 3 dari 4

Studi Kasus Nyata di Industri

Bukan fiksi ilmiah. Mari kita lihat bagaimana ABB, Dow, dan Novo Nordisk menghemat jutaan dolar menggunakan IIoT.

Studi Kasus 1: ABB (Predictive & Optimalisasi)

Perusahaan: ABB (Manufaktur & Otomatisasi Global)
Fokus: Optimalisasi Kiln Semen (Oven Raksasa Pembakar Semen)

MASALAH SEBELUM IIoT

Proses pembakaran semen butuh panas konstan yang ekstrem.
Sangat bergantung pada "insting" operator manusia berpengalaman.
Konsumsi energi luar biasa boros jika suhu fluktuatif.

SOLUSI & HASIL IIoT

Memasang sensor IIoT untuk mengumpulkan data suhu, aliran udara, bahan bakar.
AI mempelajari pola operator terbaik dan meniru "operator ideal".
Hasil: Stabilitas suhu kiln meningkat drastis, mengurangi energi per ton semen (penghematan bahan bakar yang masif).

Studi Kasus 2: Dow & Stanley Black & Decker

Fokus pada penyatuan data dari berbagai mesin tua dan baru ke dalam satu ekosistem yang terpadu.

DOW CHEMICAL

MENGHANCURKAN SILO DATA

Masalah: Dow memiliki pabrik di seluruh dunia dengan sistem data yang terpisah-pisah (silo).
Solusi: Menggunakan solusi cloud & IIoT dari Microsoft untuk menyatukan data aset.
Hasil: Uptime peralatan naik tajam, tim lintas negara bisa berkolaborasi mengambil keputusan berbasis data yang sama.

STANLEY BLACK & DECKER

VISIBILITAS ALAT SECARA REAL-TIME

Masalah: Sulit memantau kinerja ratusan mesin perakitan yang kompleks.
Solusi: Menggelar sensor IoT lintas mesin untuk menarik metrik performa.
Hasil: Mengurangi bottleneck lini produksi; manajer dapat langsung melihat mesin mana yang berjalan lambat dan segera melakukan intervensi.

Studi Kasus 3: Novo Nordisk (Teknologi Lanjutan)

Menggabungkan IIoT, Digital Twin, dan Mixed Reality (AR) untuk pabrik farmasi generasi baru.

NOVO NORDISK & AUGMENTED REALITY (AR)

Industri Farmasi: Tingkat kepatuhan (compliance) dan kebersihan sangat ketat. Kesalahan kecil merusak seluruh batch obat miliaran rupiah.
Implementasi: Teknisi di lantai pabrik menggunakan kacamata Mixed Reality yang terhubung langsung dengan sensor IIoT pada mesin.
Aksi: Saat melihat mesin secara fisik, teknisi melihat "hologram" data real-time (suhu, status, instruksi kalibrasi) mengambang di atas mesin tersebut.
Hasil: Proses pergantian (changeover) lini produksi menjadi jauh lebih cepat dan terbebas dari human error.

Studi ini menunjukkan IIoT tidak bergerak sendiri; ia menjadi "bahan bakar data" bagi teknologi modern lain seperti AR (Augmented Reality) dan Digital Twin.

Bagian 4 dari 4

Tantangan & Strategi Implementasi

Mengapa tidak semua perusahaan berhasil? Membedah hambatan keamanan, konvergensi IT/OT, dan cara memulai secara strategis.

Tantangan Utama Implementasi IIoT

TANTANGAN 1 — LEGACY SYSTEM

MESIN TUA

Banyak pabrik menggunakan mesin analog berumur 20-30 tahun yang "bisu" dan tidak memiliki port internet. Pemasangan sensor retrofit sangat mahal.

TANTANGAN 2 — BUDAYA

KONVERGENSI IT & OT

Tim IT (Teknologi Informasi, biasa mengurus server/software) vs tim OT (Operational Tech, biasa mengurus mesin pabrik fisik) sulit bekerja sama.

TANTANGAN 3 — SKILL GAP

KURANG TALENTA

Dibutuhkan tenaga kerja hibrida: mengerti mesin mekanik sekaligus paham analitik data dan cloud computing. Talenta seperti ini langka.

Tantangan terbesar seringkali bukan masalah teknologinya, melainkan manajemen perubahan budaya (Change Management).

Ancaman Terbesar: Keamanan Siber di IIoT

Dulu, pabrik aman karena "Air-Gapped" (terputus total dari internet). Sekarang dengan IIoT, permukaan serangan (Attack Surface) menjadi sangat luas.

SKENARIO MIMPI BURUK

Hacker menyusup via sensor suhu yang lemah sistem proteksinya.
Dari sensor, hacker masuk ke jaringan utama pabrik.
Hacker mematikan sistem pendingin reaktor nuklir/kimia, atau mengunci sistem dengan Ransomware.

SOLUSI & BENTENG PERTAHANAN

Zero Trust Architecture: Jangan pernah percaya perangkat apa pun, walau ada di dalam pabrik. Verifikasi setiap data.
Segmentasi Jaringan: Pisahkan jalur data sensor IoT dari jaringan IT komputer kantor.
Enkripsi Data: Data dari Edge ke Cloud harus terenkripsi standar militer.

Strategi Implementasi: "Start with Quick Wins"

Menurut studi kasus perusahaan, kegagalan transformasi terjadi karena mencoba "mendigitalkan seluruh pabrik sekaligus".

Jalur Kematangan IIoT (Maturity Path):

Pilot Project di Titik Kritis: Jangan pasang sensor di semua alat. Pilih HANYA satu "Mesin Bottleneck" yang jika rusak paling merugikan.
Digitalisasi Cek Manual: Ganti proses mencatat suhu/tekanan di kertas dengan tablet dan sensor dasar.
Buktikan ROI (Return on Investment): Tunjukkan penghematan dari pilot project tersebut ke manajemen atas (C-Level).
Scaling (Perluas): Setelah berhasil pada 1 jalur dan mendapat dukungan penuh, baru perluas ke seluruh pabrik.

Dukungan manajemen puncak (Strong Management Support) adalah prediktor kesuksesan nomor satu dalam proyek IIoT.

Coba Sendiri: Jalur Adopsi dari Quick Wins ke Scale

Geser posisi perusahaan di kurva adopsi Rogers dan amati bagaimana strategi Quick Wins → Pilot → Scale bergerak dari Innovators ke Late Majority.

Kesimpulan Utama

BENTUK BARU MANUFAKTUR

Siber + Fisik

Industri 4.0 dan IIoT bukan sekadar otomatisasi mesin, melainkan pembuatan sistem yang cerdas, otonom, dan didorong oleh aliran data real-time.

DAMPAK EKONOMI

Efisiensi & Prediksi

Prediksi kerusakan (Predictive Maintenance) dan memecah silo data menjadi nilai tambah terbesar, mengubah sifat pemeliharaan pabrik dari reaktif menjadi proaktif.

Catatan Manajerial: Masa depan dikuasai oleh pemimpin yang bisa menjembatani jurang antara dunia operasional (OT) dan teknologi informasi (IT), sembari menjaga benteng keamanan siber.