Prediksi kebutuhan listrik di sebuah gedung sebenarnya bukan hal sederhana. Dari luar, kita hanya melihat lampu yang menyala, AC yang bekerja, atau peralatan rumah tangga yang digunakan penghuni. Namun di balik itu semua, terdapat pola penggunaan energi yang sangat rumit. Pola ini berubah-ubah mengikuti kebiasaan manusia, kondisi cuaca, jam aktivitas, hingga teknologi yang dipakai di dalam gedung. Karena itu, memprediksi berapa banyak listrik yang akan dipakai pada jam tertentu menjadi tantangan besar.

Padahal, kemampuan memprediksi konsumsi listrik dengan akurat sangat penting, terutama pada gedung pintar. Dengan prediksi yang tepat, pengelola gedung bisa mengatur penggunaan energi agar tetap efisien, biaya operasional bisa ditekan, dan sistem listrik tidak terbebani. Selain itu, prediksi yang akurat juga mendukung upaya global untuk menghemat energi dan mengurangi emisi.

Baca juga artikel tentang: Mengintip Teknologi Bangunan Hijau Tercanggih di Dunia Tahun 2025

Masalahnya, banyak metode lama yang digunakan untuk memprediksi konsumsi energi belum mampu membaca pola yang kompleks tadi. Pola konsumsi listrik tidak berjalan lurus. Kadang naik dengan cepat, lalu turun tiba-tiba. Kadang stabil, tapi lalu berubah drastis ketika musim berganti atau penghuni mengubah kebiasaan. Metode matematika tradisional kesulitan mengikuti perubahan seperti ini.

Disinilah kecerdasan buatan, khususnya deep learning, mulai memainkan peran penting. Dalam penelitian terbaru ini, para ilmuwan mengembangkan model hybrid deep learning yang dirancang khusus untuk memprediksi pola konsumsi listrik di gedung. Kata “hybrid” menunjukkan bahwa model ini tidak hanya memakai satu teknik, tetapi menggabungkan beberapa pendekatan cerdas sekaligus sehingga hasilnya lebih akurat.

Gambar ini membandingkan nilai aktual dan hasil prediksi tiga model (ANFIS, GRNN, dan model usulan) terhadap pola konsumsi listrik bangunan pada periode liburan Desember 2019, hari kerja April 2020, dan akhir pekan April 2020 (Shahsavari-Pour, dkk. 2025).

Model ini memiliki tiga bagian utama yang bekerja bersama layaknya sebuah tim.

Bagian pertama bertugas memilih data mana yang paling berpengaruh terhadap penggunaan energi. Dalam dunia data, tidak semua informasi memiliki pengaruh yang sama. Misalnya, jam penggunaan listrik, suhu ruangan, jumlah penghuni, atau kondisi cuaca. Sistem ini menggunakan metode yang disebut mutual information untuk menentukan variabel mana yang paling relevan. Dengan begitu, model tidak kewalahan oleh data yang tidak penting.

Bagian kedua bekerja sebagai “penyaring kebisingan”. Data konsumsi energi sering kali mengandung gangguan atau variasi liar yang tidak mencerminkan pola sebenarnya. Misalnya, lonjakan listrik yang terjadi sesaat karena peralatan tertentu menyala. Model ini memakai teknik bernama variational mode decomposition. Teknik ini memecah sinyal energi menjadi beberapa bagian kecil yang lebih rapi sehingga pola utamanya bisa terbaca lebih jelas.

Barulah bagian ketiga bertugas melakukan prediksi. Pada tahap ini, peneliti menggunakan jaringan saraf tiruan jenis Long Short-Term Memory atau LSTM. Teknologi ini dirancang khusus untuk membaca data yang berbentuk urutan waktu, seperti perubahan konsumsi listrik per menit atau per jam. LSTM mampu mengingat pola jangka panjang sehingga dapat mendeteksi kecenderungan yang tidak terlihat secara kasatmata.

Gabungan ketiga metode ini membuat model bekerja seperti analis energi supercerdas yang tidak hanya melihat angka, tetapi juga memahami pola dan hubungan di balik angka tersebut.

Untuk membuktikan kehandalan model ini, peneliti melakukan uji coba menggunakan data nyata dari sebuah rumah dua lantai di Houston, Texas. Data yang dikumpulkan mencakup pemakaian energi dalam jangka waktu tertentu, lalu dimasukkan ke dalam model untuk dipelajari. Setelah model berlatih, para peneliti mengujinya dengan memprediksi konsumsi listrik ke depan.

Hasilnya cukup mengesankan. Akurasi model hybrid ini jauh lebih baik dibandingkan metode yang sudah dikenal sebelumnya seperti generalized regression neural network dan adaptive neuro fuzzy inference system. Dalam dunia prediksi, semakin kecil nilai kesalahan, semakin baik model tersebut. Model baru ini menghasilkan kesalahan yang jauh lebih kecil, artinya prediksi yang dihasilkan sangat dekat dengan kenyataan.

Apa manfaat praktisnya bagi kita?

Pertama, pengelola gedung bisa merencanakan kebutuhan energi dengan lebih baik. Jika sebuah gedung perkantoran tahu kapan konsumsi listrik akan meningkat, mereka bisa menyiapkan sistem pendingin atau pencahayaan dengan lebih efisien. Hal ini tidak hanya menurunkan biaya listrik, tetapi juga mengurangi beban pada jaringan listrik kota.

Kedua, prediksi energi yang akurat membantu memperpanjang usia peralatan. Sistem listrik dan pendingin udara bekerja lebih stabil ketika beban energi tidak naik turun secara ekstrem. Dengan perencanaan yang baik, penggunaan energi bisa diatur agar tetap berada dalam batas aman.

Ketiga, teknologi ini mendukung misi keberlanjutan. Semakin efisien energi digunakan, semakin sedikit pula emisi yang dihasilkan dari pembangkit listrik. Ini berarti teknologi seperti ini ikut berkontribusi pada pengendalian perubahan iklim.

Keempat, teknologi ini bisa menjadi pondasi bagi pengembangan kota pintar. Bayangkan jika setiap gedung di kota dapat memprediksi dan menyesuaikan penggunaan energinya secara otomatis. Sistem listrik kota akan menjadi jauh lebih stabil, dan masyarakat bisa menikmati layanan yang efisien tanpa harus mengorbankan kenyamanan.

Namun tentu saja, penelitian ini bukan akhir dari perjalanan. Teknologi deep learning membutuhkan data berkualitas tinggi. Data harus lengkap, akurat, dan dikumpulkan secara konsisten. Selain itu, setiap gedung memiliki karakteristik berbeda. Model ini masih perlu diuji di berbagai jenis bangunan, mulai dari rumah kecil hingga kompleks perkantoran dan rumah sakit.

Meski begitu, penelitian ini menunjukkan arah masa depan pengelolaan energi. Gedung tidak lagi hanya berdiri sebagai struktur fisik, tetapi juga sebagai sistem cerdas yang mampu belajar dari kebiasaan penghuninya. Dengan bantuan teknologi seperti deep learning, gedung masa depan tidak hanya lebih nyaman, tetapi juga lebih ramah lingkungan dan hemat biaya.

Teknologi hanyalah alat. Yang terpenting adalah bagaimana kita menggunakannya untuk membangun lingkungan yang lebih baik, lebih berkelanjutan, dan lebih manusiawi. Jika riset seperti ini terus berkembang, kita bisa berharap bahwa kota-kota di masa depan akan menjadi tempat tinggal yang bukan hanya canggih, tetapi juga peduli pada bumi tempat kita hidup.

Baca juga artikel tentang: Focus Group Discussion Lintas Sektor Bahas Teknologi Prefabrikasi untuk Percepatan Hunian Layak dan Hijau di Indonesia

REFERENSI:

Shahsavari-Pour, Nasser dkk. 2025. Building electrical consumption patterns forecasting based on a novel hybrid deep learning model. Results in Engineering 26, 104522.