Bangunan modern menyerap energi dalam jumlah yang sangat besar. Para peneliti memperkirakan sekitar empat puluh persen konsumsi energi dunia berasal dari bangunan, terutama untuk sistem pemanas, ventilasi, dan pendingin ruangan atau HVAC. Itu berarti setiap kali kita menyalakan pendingin udara di kantor, mal, rumah sakit, atau kampus, ada energi yang terus mengalir dan biaya yang terus berjalan. Jika cara kerja bangunan bisa diprediksi dengan lebih baik, kita bisa mengatur penggunaan energi secara lebih cerdas dan lebih hemat.

Disinilah sains dan kecerdasan buatan masuk. Sebuah studi terbaru di jurnal Energy and Buildings membahas bagaimana teknik yang disebut transfer learning dapat membantu komputer memahami dinamika bangunan tanpa harus memulai dari nol setiap kali. Kalau istilah ini terdengar rumit, bayangkan seperti ini: seseorang yang sudah mahir bersepeda akan lebih cepat belajar naik motor daripada orang yang sama sekali belum pernah naik kendaraan roda dua. Ia sudah punya dasar keseimbangan dan koordinasi. Komputer pun bisa belajar dengan cara yang mirip.

Baca juga artikel tentang: Paradigma Thermodynamic Dalam Desain Bangunan Hijau: Kajian Eksploratif

Untuk menghemat energi, para peneliti ingin memprediksi bagaimana suhu di dalam bangunan akan berubah seiring waktu. Prediksi ini penting untuk mendukung strategi pengendalian cerdas seperti Model Predictive Control atau MPC. Namun, untuk menjalankan MPC, dibutuhkan model komputer yang mampu memahami hubungan rumit antara cuaca di luar, aktivitas penghuni, material bangunan, serta kerja sistem HVAC. Hubungan ini tidak lurus dan sering kali berubah ubah, sehingga kecerdasan buatan seperti deep neural network dianggap cocok.

Masalahnya, kecerdasan buatan jenis ini membutuhkan banyak sekali data untuk belajar. Mengumpulkan data selama berbulan bulan di setiap bangunan baru tentu mahal dan memakan waktu. Untuk mengatasi itu, para peneliti mencoba pendekatan transfer learning. Mereka melatih model kecerdasan buatan pada data dari bangunan yang sudah dipelajari terlebih dahulu. Setelah itu, model yang sudah cukup pintar tadi hanya perlu disesuaikan sedikit agar cocok dengan bangunan baru. Proses ini jauh lebih cepat dan lebih efisien dibanding memulai dari awal.

Penelitian ini dilakukan menggunakan contoh bangunan di Norwegia dengan kondisi iklim yang berbeda. Pertama, model dilatih menggunakan data simulasi energi dari perangkat lunak EnergyPlus, yang meniru perilaku termal bangunan dalam berbagai situasi. Setelah itu, model dipindahkan ke bangunan target lain yang memiliki iklim serupa dan disesuaikan dengan data baru dalam jumlah relatif kecil.

Prinsip transfer learning, yaitu model yang awalnya dilatih pada dataset besar di domain sumber kemudian dipindahkan dan di-fine-tune agar bekerja efektif pada dataset yang lebih kecil di domain target (Chaudhary, dkk. 2025).

Studi ini mengevaluasi beberapa strategi penyelarasan model. Ada pendekatan yang hanya menyesuaikan bagian akhir model. Ada pula yang membiarkan sebagian besar struktur model tetap, sementara lapisan lapisan tertentu diubah sesuai data baru. Peneliti menemukan bahwa memilih bagian mana yang disesuaikan sangat memengaruhi hasil. Menariknya, lapisan awal yang menangkap pola dasar sering kali perlu disesuaikan pada tahap awal agar model bisa bekerja lebih baik di bangunan baru.

Selain itu, penelitian ini menunjukkan bahwa menambahkan unit tambahan, misalnya lapisan pemrosesan yang lebih padat atau lapisan yang mampu mengingat urutan data waktu, dapat meningkatkan akurasi terutama pada daerah dengan cuaca dingin. Pada iklim tersebut, memperkenalkan data yang merepresentasikan cuaca lebih dingin dalam proses penyelarasan ternyata membuat prediksi komputer semakin tepat.

Hasilnya cukup menjanjikan. Bangunan yang memiliki karakter fisik mirip dan berada di iklim yang tidak terlalu ekstrem menunjukkan peningkatan akurasi yang cepat setelah mendapatkan transfer learning. Dengan kata lain, kalau dua bangunan dibangun dari material serupa dan berada di wilayah yang suhunya tidak terlalu berbeda, model yang sudah dilatih di satu bangunan bisa dengan mudah menyesuaikan diri di bangunan lain.

Hasil transfer learning untuk semua model gedung target dengan M-0_Trondheim sebagai gedung sumber, yang membandingkan performa model melalui nilai error (seperti MAE/RMSE) pada berbagai skenario (Chaudhary, dkk. 2025).

Namun, tantangan tetap ada. Bangunan di daerah bersuhu sangat dingin memiliki perilaku termal yang lebih kompleks. Di sini, model akan bekerja lebih baik jika memperoleh contoh data yang memang menggambarkan kondisi dingin tersebut. Hal ini menunjukkan bahwa walaupun kecerdasan buatan bisa belajar, ia tetap membutuhkan informasi yang relevan agar bisa memahami situasi nyata.

Mengapa semua ini penting bagi kehidupan sehari hari? Dengan prediksi suhu yang lebih akurat, sistem HVAC dapat bekerja secermat mungkin. Pendingin udara atau pemanas tidak lagi harus menyala berlebihan hanya untuk berjaga jaga. Sistem bisa menyesuaikan diri dengan perubahan cuaca, jumlah orang di ruangan, hingga pola pemakaian bangunan. Pada akhirnya, energi yang dipakai bisa turun secara signifikan, demikian pula biaya operasional.

Selain itu, teknologi ini membuka peluang besar bagi pembangunan gedung cerdas atau smart building. Bangunan tidak hanya berdiri secara pasif, tetapi aktif mempelajari kebiasaan penghuninya dan kondisi lingkungannya. Bayangkan gedung perkantoran yang tahu kapan harus mendinginkan ruangan sebelum karyawan datang, atau rumah sakit yang menjaga suhu stabil demi kenyamanan pasien tanpa membuang energi. Semua ini bisa terwujud jika model prediksi bekerja dengan baik.

Transfer learning juga berarti ilmu pengetahuan dapat berkembang lebih cepat. Setiap proyek tidak lagi harus memulai dari awal, karena pengetahuan yang sudah ada dapat ditransfer ke proyek berikutnya. Dengan begitu, inovasi dapat diterapkan lebih luas, bahkan di negara berkembang yang mungkin tidak memiliki sumber daya besar untuk penelitian jangka panjang.

Tentu saja, ada hal yang tetap perlu diperhatikan. Setiap bangunan unik. Material, desain, lokasi, serta perilaku penghuninya berbeda satu sama lain. Oleh karena itu, kecerdasan buatan tidak boleh dianggap sebagai solusi ajaib yang selalu benar. Validasi di lapangan dan pemahaman teknik konstruksi tetap penting. Keamanan data dan privasi juga harus dijaga, apalagi jika sistem memantau penggunaan bangunan secara realtime.

Namun, secara keseluruhan, penelitian ini menunjukkan bahwa perpaduan teknik komputasi canggih dengan ilmu bangunan bisa membawa kita menuju masa depan yang lebih hemat energi. Bangunan bukan lagi sekadar tempat tinggal dan bekerja, melainkan bagian dari sistem cerdas yang membantu menjaga bumi.

Jika teknologi seperti ini terus dikembangkan, kita bisa membayangkan kota kota yang lebih nyaman, lebih efisien, dan lebih ramah lingkungan. Bukan hanya karena adanya panel surya atau material hijau, tetapi juga karena otak digital yang bekerja di balik layar, belajar dari pengalaman, dan terus menyempurnakan diri. Dan semuanya bermula dari sebuah pertanyaan sederhana: bagaimana cara membuat bangunan belajar dari bangunan lain.

Baca juga artikel tentang: Lebih Sehat dengan Bangunan Hijau: Mengapa Desain Ramah Lingkungan Dapat Meningkatkan Kualitas Hidup

REFERENSI:

Chaudhary, Gaurav dkk. 2025. Transfer learning in building dynamics prediction. Energy and Buildings 330, 115384.