Ditulis oleh Muhammad Alfath  

Pendahuluan

Bangunan menjadi salah satu sektor yang bertanggung jawab atas sekitar 30% emisi gas rumah kaca dan 40% dari total konsumsi energi global (IEA, 2021). Setiap tahun, kebutuhan energi bangunan terus meningkat sekitar 3% karena permintaan Heating Ventilation & Air Conditioning (HVAC) dan pencahayaan yang meningkat di daerah perkotaan (UNEP, 2021). Dalam bangunan komersial, energi bahkan menghabiskan 20-30% dari total biaya operasional tahunan (BOMA, 2021). Masalah ini diperparah oleh kondisi cuaca buruk, yang meningkatkan konsumsi energi hingga 20% selama kondisi ekstrem (NOAA, 2022), serta perilaku penghuni yang tidak efisien seperti lupa mematikan lampu atau HVAC saat ruangan kosong (Guyixin et al., 2024).

Saat ini, beberapa solusi telah diimplementasikan untuk mengurangi konsumsi energi di bangunan, seperti melalui instalasi sistem HVAC yang lebih efisien. Di mana sistem otomatisasi pada HVAC bekerja secara real-time memastikan energi tidak terbuang ketika ruang kosong atau ketika suhu luar sedang pencahayaan (Mistry, 2023). Kemudian dalam pencahayaan, digunakan LED yang dapat menghasilkan efisiensi energi lebih baik dibandingkan pencahayaan tradisional (Ren, 2024). Selain itu, termostat otomatis digunakan untuk mengatur suhu secara terjadwal dan mengurangi konsumsi energi hingga 30% dalam pengaturan komersial dan 25% dalam konteks perumahan (Plando, 2023). Sistem-sistem ini umumnya berbasis sensor yang mendeteksi aktivitas atau keberadaan penghuni, serta mengatur suhu berdasarkan waktu tertentu dalam sehari (ASHRAE, 2021). Teknologi seperti sensor gerak untuk pencahayaan juga mulai diterapkan untuk mencegah energi terbuang sia-sia di ruangan kosong (Suprihartini & Cakranegara, 2023).

Perkembangan teknologi cerdas mampu mengatasi berbagai permasalahan pada efisiensi energi bangunan, namun terdapat gap yang memerlukan pengembangan teknologi lebih lanjut. Sistem pengaturan suhu terjadwal sering kali tidak fleksibel terhadap perubahan perilaku penghuni atau kondisi cuaca. Sensor gerak dan termostat otomatis hanya mengandalkan deteksi kehadiran, tanpa mempertimbangkan variabel yang lebih dinamis seperti pola cuaca harian atau musim. Akibatnya, banyak energi yang tetap terbuang karena sistem ini tidak responsif terhadap fluktuasi permintaan yang sering terjadi (UNEP, 2021). Selain itu, solusi ini cenderung bersifat terpisah, tidak terintegrasi, dan kurang mengakomodasi data perilaku pengguna atau perubahan kebutuhan energi secara real-time (ASHRAE, 2021). Maka dari itu, dibutuhkan sebuah inovasi revolusioner untuk meningkatkan efisiensi energi bangunan secara efektif.

Gagasan futuristik yang ditawarkan adalah inovasi EcoSmart BEMS: Building Energy Management System (BEMS) yang terintegrasi Internet of Things (IoT) dan Artificial Intelligence (AI). BEMS merupakan sistem terintegrasi yang dirancang untuk memantau, mengontrol, dan mengoptimalkan penggunaan energi di dalam bangunan (Luo et al., 2024). Sistem BEMS dengan bantuan IoT dapat bekerja secara real-time untuk memantau dan mengontrol HVAC, suhu dan kelembapan, data cuaca, pencahayaan, dan pola perilaku penghuni. Integrasi AI pada sistem mampu meningkatkan kemampuan BEMS dengan menganalisis data yang dikumpulkan dari perangkat IoT dan memprediksi kebutuhan energi bangunan (El-Sayed et al., 2023). BEMS berbasis AI juga dapat merespons perubahan cuaca ekstrem atau kebutuhan musiman dengan mengoptimalkan penggunaan energi tanpa memerlukan intervensi manual (Muniandini et al., 2024). Melalui inovasi BEMS terintegrasi IoT dan AI, pengurangan konsumsi diharapkan dapat mencapai 10-20% (McKinsey & Company, 2020). Selain itu sistem menawarkan efisiensi biaya jangka panjang, kenyamanan pengguna yang lebih baik, serta kontribusi besar terhadap pengurangan emisi karbon. Inovasi ini juga mendukung cita-cita SDGs poin 9 (Industri, Inovasi, dan Infrastruktur) dan poin 11 (Kota & Komunitas Berkelanjutan).

Pembahasan: Konsep Inovasi EcoSmart BEMS Berbasis IoT Terintegrasi AI

Rancangan BEMS berbasis IoT terintegrasi AI merupakan sebuah inovasi sistem manajemen energi pada bangunan yang dilengkapi teknologi cerdas untuk mengurangi konsumsi energi berlebih pada bangunan secara efisien dan efektif. BEMS dirancang dengan IOT yaitu sistem jaringan yang memanfaatkan konektivitas dan interaksi antar perangkat atau mesin (Zhang et al., 2023). Teknologi ini memungkinkan BEMS untuk memantau dan mengontrol HVAC, suhu dan kelembapan, data cuaca, pencahayaan, dan pola perilaku penghuni secara real-time dari jarak jauh menggunakan sensor. Kemampuan BEMS dalam meminimalisir konsumsi energi semakin meningkat dengan integrasi AI yang menganalisis informasi dan data dari sensor untuk memprediksi kebutuhan energi bangunan. Jenis AI yang digunakan adalah artificial neural network (ANN) yaitu model komputasi yang terinspirasi oleh struktur dan fungsi otak manusia dengan kemampuan memprediksi peristiwa masa depan berdasarkan data historis, seperti ramalan cuaca (Nandi, 2023). Integrasi IoT dan AI memberikan solusi cerdas untuk mengelola operasi gedung. Dengan memanfaatkan data real-time dan analitik canggih, dapat mengoptimalkan konsumsi energi, meningkatkan kenyamanan penghuni, dan meningkatkan manajemen bangunan secara keseluruhan. Pendekatan inovatif BEMS berbasis IoT terintegrasi AI mampu menciptakan bangunan yang berkelanjutan dan efisien.

Sistem terintegrasi BEMS bekerja secara real-time melalui beberapa tahap seperti pengumpulan data, pengiriman data ke sistem ANN, pemrosesan data dan pelatihan ANN, prediksi dan pengambilan keputusan otomatis, dan monitoring, visualisasi dan pembelajaran berkelanjutan. Diagram alir yang menggambarkan mekanisme kerja dapat dilihat pada Gambar 1.

1. Pengumpulan Data

Sensor ditempatkan di seluruh bangunan untuk memantau berbagai parameter lingkungan seperti suhu, kelembapan, pencahayaan, serta data operasional sistem HVAC. Selain itu, sensor gerak dan posisi digunakan untuk mengumpulkan data perilaku pengguna di ruangan. Sistem juga terhubung dengan sumber data cuaca eksternal melalui API, yang memberikan informasi tentang suhu, kelembapan, intensitas cahaya, dan kondisi cuaca yang akan datang.

2. Preprocessing data

Data yang diterima dari sensor IoT dan API cuaca dibersihkan dan dinormalisasi untuk menghilangkan noise atau ketidaksesuaian data. Tahap ini bertujuan untuk memastikan akurasi data yang akan diolah oleh AI. Data yang dikumpulkan dienkripsi dan dilindungi dengan kontrol akses ketat untuk menjaga keamanan data pengguna dan bangunan.

3. Analisis Data oleh ANN

Data historis dan data real-time yang telah diproses digunakan untuk melatih model ANN, yang kemudian mengenali pola perilaku pengguna, perubahan lingkungan, dan kondisi cuaca yang mempengaruhi kebutuhan energi. ANN melakukan prediksi berdasarkan pola yang teridentifikasi, seperti kapan HVAC atau pencahayaan perlu diaktifkan atau dinonaktifkan untuk menjaga efisiensi energi sambil tetap menjaga kenyamanan pengguna.

4. Pengambilan Keputusan Otomatis

Berdasarkan prediksi yang dihasilkan oleh ANN, sistem secara otomatis mengontrol HVAC, pencahayaan, dan ventilasi sesuai dengan kebutuhan.

5. Visualisasi dan Monitoring melalui Dashboard Interaktif

Semua data yang diproses dan tindakan yang diambil oleh sistem ditampilkan dalam dashboard interaktif. Pengelola bangunan dapat melihat laporan konsumsi energi, data prediksi, dan informasi kinerja setiap perangkat. Dashboard juga dapat menampilkan notifikasi jika ada anomali pada sistem, misalnya, konsumsi energi yang tidak biasa pada perangkat tertentu, yang memungkinkan respons cepat terhadap masalah.

6. Pembaruan Model melalui Pembelajaran Berkelanjutan

Model ANN terus diperbarui secara otomatis dengan data baru, memungkinkan sistem belajar dari perubahan dalam pola perilaku pengguna atau perubahan musim. Dengan pembelajaran berkelanjutan, sistem BEMS dapat meningkatkan akurasi prediksi seiring waktu, sehingga lebih adaptif terhadap perubahan dan lebih efisien dalam manajemen energi.

Gambar 1. Diagram Alir BEMS Berbasis IoT Terintegrasi AI

Sistem BEMS terintegrasi dirancang menggunakan berbagai teknologi cerdas untuk melakukan pemantauan kondisi lingkungan di area bangunan dan kondisi cuaca secara real-time. Informasi dan data yang dikumpulkan dari sensor selanjutnya dianalisis menggunakan sistem ANN yang dapat memprediksi kebutuhan energi dan mengambil keputusan otomatis. Setiap perangkat bekerja sinergis dan sistematis, sehingga dapat meningkatkan efisiensi dan efektifitas penggunaan energi bangunan. Spesifikasi sistem BEMS terintegrasi dan kegunaannya dapat dilihat pada Lampiran 1. Berikur adalah contoh visualisasi bangunan hemat energi berbasis IoT yang terintegrasi AI.

Gambar 2. Visualisasi EcoSmart BEMS Terintegrasi AI (Penulis, 2024)

Inovasi EcoSmart BEMS terintegrasi AI memerlukan sebuah perencanaan keuangan untuk keberlanjutan proyek. Perencanaan dilakukan menggunakan analisis CapEx (Capital Expenditure) dan OpEx (Operational Expenditure). CapEx merupakan biaya yang digunakan oleh perusahaan terhadap aset fisik seperti properti, bangunan, teknologi, dan peralatan. Sementara OpEx merupakan biaya berkelanjutan untuk menjalankan produk, bisnis, atau siste. (Barateiro et al., 2023). Berdasarkan hasil analisis yang dilakukan maka proyek inovasi BEMS Berbasis IoT Terintegrasi AI membutuhkan total CapEx dengan estimasi mencapai Rp. 162.000.000 – Rp. 580.500.000. Sedangkan total OpEx diestimasi mencapai Rp.33.000.000 – Rp.150.000.000,- per tahun untuk tiap helmnya. Hasil Analisis CapEx dan OpEx dapat dilihat pada Lampiran 2.

Selanjutnya dilakukan analisis implementasi dengan membuat strategi jangka panjang untuk merealisasikan proyek inovasi EcoSmart BEMS yang terdiri dari beberapa tahapan. Mulai dari tahap inisiasi (2024-2025), perencanaan (2025-2026), persiapan (2026-2027), pelaksanaan (2027-2032), pemantapan (2033), dan penutupan (2034). Pada setiap tahapan dianalisis langkah strategis, pihak yang terkait di dalamnya dan output yang dihasilkan dari setiap tahapan. Strategi implementasi untuk merealisasikan proyek inovasi BEMS dapat dilihat pada lampiran 3.

Penutup

Bangunan telah menyumbang sekitar 30% emisi gas rumah kaca dan 40% dari total konsumsi energi global (IEA, 2021). Beberapa faktor mendasar yang menyebabkan tingginya konsumsi energi di bangunan adalah meningkatnya kebutuhan HVAC akibat urbanisasi pesat, kondisi cuaca, serta kurangnya kesadaran dan perilaku penghuni yang tidak efisien (Zamorano, 2022). Saat ini, solusi yang berkembang yaitu sistem HVAC yang terintegrasi dengan teknologi sensor. Solusi tersebut cenderung bersifat terpisah, tidak terintegrasi, dan kurang mengakomodasi data perilaku pengguna atau perubahan kebutuhan energi secara real-time (ASHRAE, 2021). Maka dari itu, dibutuhkan sebuah inovasi revolusioner untuk meningkatkan efisiensi energi bangunan secara efektif. Gagasan futuristik yang ditawarkan adalah inovasi BEMS yang terintegrasi IoT dan AI. Melalui inovasi BEMS terintegrasi IoT dan AI, pengurangan konsumsi diharapkan dapat mencapai 10-20% (McKinsey & Company, 2020). Selain itu sistem menawarkan efisiensi biaya jangka panjang, kenyamanan pengguna yang lebih baik, serta kontribusi besar terhadap pengurangan emisi karbon. Inovasi ini juga mendukung cita-cita SDGs poin 9 dan poin 11.

Daftar Pustaka

Barateiro, C. E. R. B., Casado, M., Makarovsky, C., & Filho, J. R. F. (2023). Business risk and CAPEX/OPEX analysis: Impact on natural gas fiscal measurement systems. Instrumentation Mesure Métrologie, 22, 113–120.

Building Owners and Managers Association (BOMA). (2021). Operating Expense Benchmark Report. BOMA International.

El-Sayed, M. M., Essa, A. M., El-Shafeey, A. H., Omar, A. H., Essa, F. A., Abo El Maref, A. S., Lotfy, J. V. W., & Saleh, M. E. (2023). Reliable integration of neural network and internet of things for forecasting, controlling, and monitoring of experimental building management systems. Sustainability, 15(3), 2168. doi:10.3390/su15032168

International Energy Agency (IEA). (2021). Global Status Report for Buildings and Construction. Paris: IEA.

Luo, F., Ranzi, G., & Yang, Z. D. (2024). Building energy management systems. [Book chapter]. doi:10.1016/b978-0-323-96107-3.00005-9

McKinsey & Company. (2020). How Artificial Intelligence Can Deliver Real Value to Companies in Energy Management. New York: McKinsey & Company.

Mistry, V. V. (2023). Energy efficiency in HVAC systems through building automation. Journal of Biosensors and Bioelectronics Research, 1–4. doi:10.47363/jbber/2023(1)113

Nandi, G. (2023). Artificial neural network. In Principles of Soft Computing Using Python Programming (pp. 75–121).

Plando, I. C. (2023). Advancements in smart thermostat technology for enhanced HVAC energy management. International Journal of Advanced Research in Science, Communication and Technology. doi:10.48175/ijarsct-12388

Ren, X. (2024). Methods to reduce building energy consumption. Highlights in Science Engineering and Technology, 83, 366–371. doi:10.54097/qpk1sz54

United Nations Environment Programme (UNEP). (2020). 2020 Global Status Report for Buildings and Construction: Towards a Zero-Emission, Efficient and Resilient Buildings and Construction Sector. Nairobi: UNEP.

Yayuk, S., & Cakranegara, P. A. (2023). Utilization of motion sensors to reduce electricity consumption in buildings. Journal of Wireless Mobile Networks, Ubiquitous Computing, and Dependable Applications. doi:10.58346/jowua.2023.i2.008