A house with a porch and a walkway

Description automatically generated

Sistem HVAC Pintar Berbasis IoT dan Machine Learning dalam Bangunan Cerdas untuk Mengurangi Konsumsi Energi

📖 ࣪ Banyaknya pembaca: 14

Ditulis oleh Gibran El Fahmi.

Pendahuluan

Konsumsi energi di sektor bangunan modern, terutama gedung komersial dan perkantoran, menyumbang porsi yang yang cukup besar terhadap total penggunaan energi global. Salah satu penyebab utama tingginya konsumsi ini adalah sistem HVAC (Heating, Ventilation, and Air Conditioning), yang bertanggung jawab untuk menjaga suhu dan kualitas udara dalam ruangan. Meski sistem tersebut sangat lumrah digunakan untuk kenyamanan penghuni, sistem HVAC konvensional sering kali beroperasi dengan cara yang tidak efisien karena cenderung bekerja pada kapasitas tetap tanpa menyesuaikan diri dengan kondisi dan kebutuhan real-time dalam bangunan. Akibatnya, banyak energi yang terbuang sia-sia, yang akhirnya memperbesar emisi karbon dan biaya operasional.

Dengan Integrasi Internet of Things (IoT) dan machine learning dalam sistem HVAC akan membuat sistem HVAC mampu mengoptimalkan penggunaan energi secara adaptif. Sistem HVAC berbasis IoT dilengkapi akan dengan berbagai sensor untuk memantau parameter lingkungan seperti suhu, kelembapan, kualitas udara, dan keberadaan penghuni. Data yang terkumpul ini tidak hanya menjadi dasar untuk penyesuaian otomatis, tetapi juga dianalisis dengan bantuan machine learning untuk mengenali pola-pola kebutuhan energi dan merespons kondisi secara cerdas.

Algoritma machine learning memungkinkan sistem untuk “belajar” dari data historis dan memprediksi kebutuhan HVAC di masa mendatang, yang memungkinkan pengaturan suhu, kelembapan, dan ventilasi dilakukan secara proaktif. Hal ini menciptakan sistem HVAC yang adaptif, di mana pengaturan disesuaikan secara otomatis sesuai dengan pola aktivitas, kondisi cuaca, dan preferensi pengguna, sehingga menghasilkan penggunaan energi yang optimal.

Pembahasan

Berbeda dengan sistem HVAC konvensional yang umumnya bekerja secara manual atau dengan pengaturan statistik, sistem HVAC berbasis IoT mampu memonitor dan mengendalikan kondisi lingkungan di dalam bangunan secara otomatis. Dalam sistem ini, berbagai sensor terhubung untuk mengumpulkan data tentang suhu, kelembapan, kualitas udara, dan bahkan pola penggunaan ruangan. Data tersebut kemudian dikirim ke pusat pengolahan data, di mana algoritma machine learning akan menganalisisnya untuk menentukan kebutuhan HVAC yang sesuai dengan kondisi di setiap ruangan.

Sistem berbasis machine learning mampu mengenali pola dalam data sensor dan membuat prediksi tentang kebutuhan energi di waktu yang akan datang. Dengan pengintegrasian machine learning, Sistem HVAC pintar dapat menyesuaikan pengaturan suhu, kelembapan, dan sirkulasi udara secara otomatis sesuai kondisi aktual, tanpa memerlukan intervensi manual. Melalui integrasi IoT dan machine learning, bangunan cerdas dapat mencapai efisiensi energi yang maksimal dengan tetap mempertahankan kenyamanan bagi penghuninya..

1. Pengintegrasian sensor IoT dalam sistem HVAC

Teknologi sensor memainkan peran utama dalam mengaktifkan sistem HVAC berbasis IoT. Sensor ini berfungsi sebagai alat pemantau real-time terhadap kondisi lingkungan dalam ruangan. Misalnya, sensor suhu, kelembapan, dan kualitas udara ditempatkan di berbagai titik strategis dalam bangunan untuk menangkap data lingkungan yang akurat. Data ini mencakup informasi seperti perubahan suhu, kelembapan, dan tingkat polutan udara dalam ruangan.

Tahap pertama dalam sistem HVAC berbasis IoT dan machine learning adalah pengumpulan data sensor dari berbagai parameter lingkungan. Sensor-sensor ini meliputi:

  • Sensor suhu untuk mengukur dan melaporkan suhu dalam ruangan.
  • Sensor kelembapan yang memastikan kelembapan ruangan terjaga sesuai tingkat yang diinginkan.
  • Sensor kualitas udara yang mengukur konsentrasi polutan seperti CO₂ dan VOC (Volatile Organic Compounds).
  • Sensor ultrasonik yang mendeteksi aktivitas atau keberadaan penghuni di dalam ruangan.

Data yang dikumpulkan dikirim ke sistem cloud untuk disimpan dan akan diolah menggunakan machine learning yang terhubung dengan sistem HVAC sehingga sistem HVAC tersebut dapat menyesuaikan penggunaan secara otomatis. Sebagai contoh, jika sensor mendeteksi peningkatan suhu di suatu ruangan, sistem HVAC akan mengaktifkan pendingin untuk menjaga kenyamanan suhu bagi penghuni. Sebaliknya, jika sensor mendeteksi ruangan kosong, sistem dapat mengurangi intensitas pendinginan atau pemanasan untuk menghemat energi.Ketika sensor mendeteksi peningkatan suhu di suatu ruangan akibat sinar matahari, atau tingkat kelembapan yang tinggi karena aktivitas penghuni, sistem HVAC secara otomatis menyesuaikan pengaturan untuk menjaga kenyamanan tanpa harus mengeluarkan energi yang berlebihan. Selain itu, sensor IoT ini juga memungkinkan sistem untuk menanggapi perubahan lingkungan eksternal. Misalnya, jika cuaca luar ruangan menjadi lebih dingin atau panas, sistem HVAC dapat menyesuaikan secara otomatis, sehingga tetap efisien dalam kondisi apa pun.

2. Analisis Data Untuk Sistem HVAC Menggunakan Algoritma Machine Learning

Setelah data dikumpulkan, tahap selanjutnya adalah analisis data menggunakan algoritma machine learning. Algoritma ini bisa berupa supervised learning atau unsupervised learning yang dapat mengenali pola dalam data sensor, seperti pola konsumsi energi, kebutuhan suhu, dan kelembapan berdasarkan aktivitas penghuni dan perubahan kondisi lingkungan. Algoritma yang digunakan ada 3 yaitu

  • .Regresi Linear (Linear Regression)

Algoritma ini digunakan untuk memprediksi nilai numerik, seperti suhu atau kelembapan, berdasarkan data historis. Regresi linear bekerja dengan mengidentifikasi hubungan linear antara variabel input (seperti waktu, suhu luar, jumlah penghuni) dan variabel output (misalnya suhu dalam ruangan yang diinginkan).

Regresi linear dapat akan digunakan untuk memprediksi suhu atau kelembapan ruangan pada waktu tertentu, sehingga sistem HVAC dapat melakukan penyesuaian secara proaktif sebelum kondisi menjadi tidak nyaman.

  • Algoritma K-Nearest Neighbors (KNN)

Algoritma ini akan digunakan untuk mengklasifikasikan data berdasarkan kedekatan (atau kemiripan) dengan data lain yang sudah ada. Dalam konteks HVAC, algoritma ini dapat digunakan untuk mengenali pola pada kondisi lingkungan tertentu.

KNN akan digunakan untuk memprediksi kondisi pendinginan atau pemanasan yang sesuai berdasarkan data historis yang mirip, membantu HVAC menyesuaikan pengaturan sesuai pola yang sudah dikenali pada waktu atau kondisi serupa..

Dalam supervised learning, algoritma “dilatih” menggunakan data historis untuk mengenali pola yang sudah dikenal. Algoritma ini akan memprediksi perubahan kondisi yang memengaruhi kebutuhan HVAC, seperti peningkatan suhu di siang hari atau penurunan suhu pada malam hari. Dalam unsupervised learning, algoritma bekerja tanpa label data sebelumnya, yang memungkinkan sistem untuk mengenali pola baru dan menyesuaikan diri dengan kondisi yang belum pernah ditemukan.

Analisis data menggunakan machine learning juga mempertimbangkan variabel eksternal, seperti kondisi cuaca di luar bangunan. Jika sistem mengetahui bahwa suhu luar meningkat, algoritma dapat memprediksi kebutuhan pendinginan tambahan dan menyesuaikan pengaturan HVAC untuk mempertahankan kenyamanan penghuni tanpa pemborosan energi. Kemampuan prediksi dan adaptasi ini sangat penting untuk mengoptimalkan penggunaan energi dan menjaga kenyamanan secara berkelanjutan..

Penutup

Integrasi machine learning dan IoT pada sistem HVAC pintar akan membawa transformasi yang signifikan dalam manajemen energi pada bangunan cerdas. Dengan pengumpulan data sensor, analisis berbasis machine learning, dan kontrol otomatis, sistem HVAC dapat mengoptimalkan pengaturan suhu, kelembapan, dan kualitas udara secara otomatis, sehingga konsumsi energi dapat ditekan tanpa mengorbankan kenyamanan penghuni.

Manfaat utama dari inovasi ini adalah kemampuan untuk menghemat energi secara berkelanjutan sambil memastikan bahwa penghuni tetap merasakan kenyamanan yang optimal. Sistem HVAC pintar berbasis IoT dan machine learning menawarkan pendekatan yang adaptif dan cerdas dalam menghadapi tantangan konsumsi energi di bangunan perkotaan, menjadikannya langkah penting menuju pembangunan kota yang berkelanjutan dan ramah lingkungan.

Di masa depan, pengembangan dan penerapan machine learning dalam sistem HVAC diharapkan terus berlanjut, memberikan dampak positif dalam mewujudkan bangunan cerdas yang hemat energi dan mendukung keberlanjutan bagi generasi mendatang..

Daftar Pustaka

ASHRAE. (2019). HVAC Systems and Equipment. American Society of Heating, Refrigerating and Air-Conditioning Engineers.

Miglani, S., Ozturk, Y., & Ahmad, I. (2020). “Deep learning models for HVAC system energy prediction in smart buildings.” Energy and Buildings, 224, 110179.

Klein, L., Kwak, J. Y., Kavulya, G., Jazizadeh, F., Becerik-Gerber, B., Varakantham, P., & Tambe, M. (2012). “Coordinating occupant behavior for building energy and comfort management using multi-agent systems.” Automation in Construction, 22, 525-536.

Rahman, A., Paul, A., & Sarker, V. K. (2021). “IoT and Machine Learning Integration for Energy Management in Smart Buildings.” Journal of Energy Management, 12(3), 110-122.

O’Neill, Z., & Narayanan, S. (2018). “Building Energy Modeling (BEM) and predictive analytics for energy-efficient HVAC operation.” Energy and Buildings, 174, 50-60.

Yang, J., Santamouris, M., & Lee, S. E. (2016). “Review of occupancy sensing systems and occupancy modeling methodologies for the application in institutional buildings.” Energy and Buildings, 121, 344-349.

Centre for Development of Smart and Green Building (CeDSGreeB) didirikan untuk memfasilitasi pencapaian target pengurangan emisi gas rumah kaca (GRK) di sektor bangunan melalui berbagai kegiatan pengembangan, pendidikan, dan pelatihan. Selain itu, CeDSGreeB secara aktif memberikan masukan untuk pengembangan kebijakan yang mendorong dekarbonisasi di sektor bangunan, khususnya di daerah tropis.

Seberapa bermanfaat artikel ini?

Klik pada bintang untuk memberi rating!

Rata-rata bintang 2.5 / 5. Jumlah orang yang telah memberi rating: 2

Belum ada voting sejauh ini! Jadilah yang pertama memberi rating pada artikel ini.

Leave A Comment