rumah

Strategi Efisiensi Energi pada Smart Building Energy Management System: Prediksi, Deteksi, dan Otomasi Menggunakan Machine Learning

📖 ࣪ Banyaknya pembaca: 41

Ditulis oleh Fatimah Nadia Eka Putri.

Tahun 2024, perubahan iklim semakin terasa nyata. Di sudut pesisir Indonesia, ada nelayan yang bergulat dengan tantangan besar dalam menangkap ikan, menghadapi peningkatan suhu dan volume air laut. Di sisi lain, sebuah perkotaan dibangun, lengkap dengan bangunan-bangunan canggih dan megah. Berkilo-kilo watt energi dihabiskan di sana. Para pemakainya bersenang ria menikmati kenyamanan yang ada. Tanpa sadar akan iklim yang semakin menggila. Lalu, apakah kita akan tetap berpaling pada urgensi efisiensi energi ini dan memutuskan tutup mata?

  Data konsumsi akhir energi pada tahun 2022, berdasarkan data statistik BPS, berada di angka 6.914.802 terajoule. Konsumsi energi ini mengalami kenaikan sebesar 45,0% dibandingkan tahun sebelumnya. Sektor Industri dan Konstruksi menjadi penyumbang terbesar, yaitu 3.691.993 terajoule, sekitar 53,4% dari total konsumsi energi akhir. Sektor rumah tangga menjadi penyumbang terbesar kedua dengan persentase 22,5%, berada di angka 1.554.160 terajoule. Sektor transportasi menjadi penyumbang setelahnya sebesar 1.263.435 terajoule (18,3%) dan terakhir diikuti konsumen lainnya sebesar 385.111 terajoule (5.6%).

  Implikasi tingginya konsumsi energi di sektor industri ini terjadi karena hampir seluruh aktivitas manusia bergantung di sana. Sektor industri sendiri menurut International Standard Industrial Classification of All Economic Activities meliputi makanan, minuman, tembakau, tekstil, barang kulit, alas kaki, serta barang kayu dan hasil hutan lainnya. Tidak semua aktivitas tersebut mengedepankan efisiensi energi dalam penerapannya. Pemborosan energi dapat terjadi akibat dari penggunaan peralatan teknologi lama yang membutuhkan energi lebih besar, manajemen energi yang kurang optimal, serta bangunan yang belum menerapkan smart dan green building sehingga perputaran energi di dalamnya tidak efektif. .

Pola dan Kebiasaan Masyarakat yang Buruk

  Kebiasaan masyarakat Indonesia yang tidak memperhatikan penggunaan energi turut menyumbang angka konsumsi energi yang kian meningkat setiap tahunnya. Pola masyarakat yang buruk seperti tidak mematikan lampu saat meninggalkan ruangan dan penggunaan pendingin ruangan secara terus menerus menimbulkan adanya inefisiensi dalam konsumsi energi. Ketergantungan terhadap pendingin ruangan dapat disebabkan oleh bangunan yang tidak memiliki sirkulasi udara yang baik sehingga udara panas terperangkap di dalam ruangan dan tidak bisa bergantian dengan udara luar. Padahal Indonesia sendiri telah menetapkan Standar Sertifikasi Bangunan Hijau (Green Buildings Certification). Salah satu kriteria yang harus dipenuhi adalah Efisiensi dan Konservasi Energi di mana energi yang digunakan harus seefisien mungkin..

Sistem HVAC pada Smart Building

  Indonesia sebagai negara dengan iklim tropis membutuhkan energi yang lebih untuk pengendalian suhu dalam ruangan. Pada bangunan sendiri, sudah memiliki sistem HVAC (Heating, Ventilation, dan Air Conditioner). Sistem ini digunakan untuk mengatur suhu dan kondisi lingkungan di dalam ruangan. Namun, dengan adanya sistem ini tidak lantas menjamin energi yang digunakan pada bangunan efisien. Ada faktor lain yang harus diperhatikan seperti bagaimana kita merancang desain tersebut dan juga didukung oleh bangunan yang cerdas.

  Smart Building Energy Management System (SBEMS) adalah solusinya. Baru-baru ini, tren mengubah bangunan konvensional menjadi bangunan cerdas menggunakan smart technology sedang marak terjadi. Tujuan utama dari smart technology adalah untuk mengurangi biaya energi dan dampaknya terhadap lingkungan. Menurut IEA, SBEMS adalah sistem kontrol dan pemantauan kelistrikan. Sistem tersebut memiliki kemampuan dalam aspek fungsi kontrol dan manajemen gedung, termasuk pemanas, pencahayaan, dan HVAC. SBEMS juga menentukan profil konsumsi energi dan memproyeksikan konsumsi energi di masa depan. Konsumsi energi tersebut dapat dibandingkan dengan energi yang tersedia untuk mendeteksi apakah terjadi penyimpangan konsumsi energi Dengan ini, deteksi akan dilakukan tepat waktu dan selanjutnya dapat diterapkan penanganan yang tepat..

Prediksi Konsumsi Energi Berdasarkan Kondisi Lingkungan dan Perilaku Kebiasaan Pengguna

  Selain deteksi penyimpangan tersebut, kita juga dapat mendeteksi konsumsi energi berdasarkan pola konsumsi pengguna menggunakan Machine Learning. Pola tersebut didasarkan pada kebiasaan pengguna dalam mengonsumsi energi sehari-hari di dalam ruangan, berapa jam AC dihidupkan, berapa derajat suhunya, berapa lama lampu dinyalakan, yang kemudian dianalisis berdasarkan waktu. Analisis tersebut dapat digunakan untuk memprediksi pola konsumsi energi pengguna dalam jangka waktu tertentu sehingga konsumsi energi dapat disesuaikan dengan kebutuhan penggunanya. Parameter lain yang mendukung adalah suhu di dalam dan luar ruangan, kelembaban udara, intensitas pencahayaan, jumlah orang, pendingin, dan lampu di ruangan. Machine Learning akan mempelajari pola-pola tersebut untuk selanjutnya memberikan rekomendasi penggunaan lampu dan pendingin ruangan yang efektif sesuai dengan kondisi serta jumlah orang di dalam ruangan tanpa mengurangi kenyamanan pengguna. Dengan ini, selain efisiensi energi yang akan tercapai, Kesehatan dan Kenyamanan dalam Ruang yang merupakan aspek Standar Sertifikasi Bangunan Hijau juga terpenuhi.

  Sebuah conference yang berjudul A hybrid model of CNN-BiLSTM and XGBoost for HVAC systems energy consumption prediction menggunakan model gabungan antara CNN (Convolutional Neural Network) dan LSTM (Long Short Term Memory) dalam CNN-BiLSTM untuk melakukan prediksi berdasarkan data historis. Kombinasi model tersebut diyakini mampu bekerja sama menangkap pola-pola data yang dipengaruhi oleh waktu. Sebagai optimasi model, digunakan XGBoost untuk mencegah adanya overfitting pada data prediksi konsumsi energi tersebut. Solusi pendekatan ini mampu memiliki performa tinggi dalam memprediksi konsumsi energi.

  Namun, tidak dapat dipungkiri, meskipun sistem telah menyesuaikan sesuai dengan kondisi dan pola konsumsi pengguna, masih dapat ditemukan adanya anomali-anomali pengeluaran energi yang tidak terduga. Deteksi ini juga bisa dilakukan dengan algoritma model Machine Learning. Salah satu paper dalam 2018 IEEE International Conference on Communications, Control, and Computing Technologies for Smart Grids (SmartGridComm) yang berjudul An Anomaly Detection Model for Enhancing Energy Management in Smart Buildings, deteksi anomali konsumsi energi dapat dilakukan dengan Support Vector Regression (SVR). Model ini akan mempelajari data pola-pola konsumsi energi setelah dilakukan Feature Extraction atau ekstraksi fitur-fitur yang diperlukan. Selanjutnya, SVR akan mengelompokkan data tersebut ke dalam dua label, yaitu normal dan anomali. Hasilnya, deteksi anomali ini terbukti dapat meningkatkan manajemen energi di dalam bangunan dengan menemukan pola abnormal pada konsumsi energi.

  Dukungan dari alat-alat cerdas seperti IoT yang memungkinkan dalam pengendalian perangkat jarak jauh, seperti menghidupkan atau mematikan lampu dan mengatur suhu ruangan juga diperlukan untuk meningkatkan performa serta efisiensi energi dalam ruangan. Prediksi konsumsi energi yang telah dilakukan tadi dapat diintegrasikan menggunakan alat IoT tersebut sehingga kita dapat sekaligus mengontrol suhu dan pencahayaan sesuai dengan kondisi atau kebutuhan. Integrasi ini lebih optimal diimplementasikan secara real-time sehingga pengguna dapat tetap merasa nyaman di dalam ruangan dan konsumsi energi yang terjadi berjalan efisien.

  Kombinasi ketiga solusi tersebut, yaitu prediksi konsumsi energi berdasarkan kondisi lingkungan dan kebutuhan pengguna, deteksi anomali, serta integrasi dengan alat IoT dapat menjadi inovasi baru dalam meningkatkan efisiensi energi pada Smart Building Management System. Untuk menguji efektivitas penerapannya, dapat digunakan metrik-metrik pengukuran seperti Energy Use Intensity, Energy Savings, besaran emisi karbon yang dihasilkan, dan kepuasan pengguna dalam ruangan.

  Solusi ini sangat menguntungkan untuk dampak panjang ke depannya karena kondisi lingkungan dan kebiasaan pengguna terus berubah seiring berjalannya waktu. Model machine learning yang digunakan dapat mempelajari pola-pola ini dan terus memberikan rekomendasi penggunaan energi yang tepat. Harapannya, solusi ini dapat menjadi inovasi baru dalam merancang Smart Building Management System untuk efisiensi energi. Kita tidak bisa mengontrol manusia, jadi biarkan sistem yang mempelajarinya dan membuat kita nyaman tanpa alam yang menjadi korban. .

Daftar Pustaka

Bhutta, F. M. (2017). Application of smart energy technologies in building sector — Future prospects. 2017 International Conference on Energy Conservation and Efficiency (ICECE). https://doi.org/10.1109/ece.2017.8248820

Fahim, M., & Sillitti, A. (2018). An anomaly detection model for enhancing energy management in smart buildings. 2018 IEEE International Conference on Communications, Control, and Computing Technologies for Smart Grids (SmartGridComm). https://doi.org/10.1109/smartgridcomm.2018.8587597

Jagadeesan, S., Ravi, C., Sujatha, M., Southry, S. S., Sundararajan, J., & Reddy, C. V. K. (2023). Machine learning and IoT based performance improvement of energy efficiency in smart buildings. 2020 IEEE Gobal Communications Conference, 375–380. https://doi.org/10.1109/icscds56580.2023.10104874

Kartiasih, F., Syaukat, Y., & Anggraeni, L. (2012). Determinan Intensitas Energi di Indonesia. Jurnal Ekonomi Dan Pembangunan Indonesia, 12(2), 192–214. https://doi.org/10.21002/jepi.v12i2.497

Luo, H., & Li, X. (2023). A hybrid model of CNN-BILSTM and XGBOOST for HVAC systems energy consumption prediction. 5th International Conference on Industrial Artificial Intelligence (IAI), Aug. 21-24, 2023, Shenyang, China. https://doi.org/10.1109/iai59504.2023.10327594

Mohammad, A. A., Hirmiz, H., Perera, G., & Maleki, M. (2022). Motif-Based Occupancy Prediction for Energy Efficiency in HVAC. 2022 3rd International Conference on Pattern Recognition and Machine Learning. https://doi.org/10.1109/prml56267.2022.9882198

Negara, D. J. K. (n.d.). Mengenal Standar Sertifikasi Bangunan Hijau (Green Buildings Certification). https://www.djkn.kemenkeu.go.id/kanwil-kaltim/baca-artikel/16811/Mengenal-Standar-Sertifikasi-Bangunan-Hijau-Green-Buildings-Certification.html

Niliestyo, D. (2022, November 23). SUDAH TAHU BELUM SISTEM HVAC BESERTA PERANNYA PADA GEDUNG. acwahana.com. https://acwahana.com/news/detail/sudah-tahu-belum-sistem-hvac-beserta-perannya-pada-gedung-

.

.

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 3.7 / 5. Jumlah orang yang telah memberi rating: 3

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

Leave A Comment