Para peneliti terus mengembangkan teknologi baru agar gedung pintar dapat bekerja lebih efisien tanpa mengurangi kenyamanan penghuninya. Di tengah meningkatnya kebutuhan energi dan tuntutan untuk mengurangi emisi karbon, pengelola bangunan menghadapi tantangan besar. Mereka harus memastikan sistem pendingin udara, pencahayaan, ventilasi, dan berbagai perangkat lain beroperasi secara optimal, tetapi tetap hemat energi.

Sebuah penelitian terbaru menawarkan solusi yang tidak biasa. Para ilmuwan mengambil inspirasi dari perilaku kawanan angsa liar untuk membantu kecerdasan buatan mengelola energi di gedung pintar. Hasilnya menunjukkan bahwa pendekatan tersebut mampu meningkatkan akurasi prediksi sekaligus membantu bangunan menggunakan energi secara lebih efisien.

Penelitian yang dipublikasikan dalam jurnal Cluster Computing tahun 2026 ini memperkenalkan metode yang disebut Greylag Goose Optimization atau GGO. Metode tersebut dirancang untuk meningkatkan kemampuan sistem kecerdasan buatan dalam memahami pola penggunaan gedung dan memprediksi kebutuhan energi di masa mendatang.

Sekilas, penggunaan nama angsa mungkin terdengar aneh dalam dunia teknologi. Namun, dunia kecerdasan buatan memang sering memanfaatkan inspirasi dari alam. Para peneliti sebelumnya telah mengembangkan algoritma yang meniru perilaku semut dalam mencari makanan, kawanan ikan saat bergerak bersama, hingga perilaku lebah ketika memilih lokasi sarang terbaik. Kini giliran angsa liar yang menjadi sumber inspirasi.

Baca juga artikel tentang: Arsitektur Di Era AI: Bagaimana Teknologi Membentuk Kota Yang Lebih Hijau Dan Efisien

Angsa greylag terkenal karena kemampuannya melakukan perjalanan jauh secara berkelompok. Mereka dapat menentukan rute yang efisien, beradaptasi dengan perubahan kondisi lingkungan, serta bekerja sama untuk menghemat energi selama migrasi. Karakteristik inilah yang kemudian diterjemahkan menjadi model matematika untuk membantu komputer menyelesaikan masalah yang rumit.

Dalam sebuah gedung pintar, sistem harus mengolah data dalam jumlah yang sangat besar. Sensor yang tersebar di berbagai lokasi terus mengirimkan informasi mengenai suhu ruangan, kelembapan udara, tingkat pencahayaan, konsumsi listrik, kualitas udara, hingga jumlah orang yang berada di suatu area. Semua data tersebut memiliki potensi untuk membantu pengambilan keputusan.

Namun, banyaknya data justru dapat menjadi masalah tersendiri. Tidak semua informasi memiliki tingkat kepentingan yang sama. Sebagian data sangat berpengaruh terhadap penggunaan energi, sementara sebagian lainnya hanya memberikan kontribusi kecil. Jika sistem memproses seluruh data tanpa penyaringan, kinerja komputer dapat menjadi lebih lambat dan kurang efisien.

Bayangkan seorang manajer gedung yang menerima ratusan laporan setiap menit. Akan sangat sulit baginya menentukan informasi mana yang benar benar penting. Hal yang sama juga terjadi pada sistem kecerdasan buatan. Oleh karena itu, sistem memerlukan kemampuan untuk memilih data yang paling relevan.

Dalam penelitian ini, algoritma Greylag Goose Optimization membantu proses tersebut. Sistem menggunakan pendekatan khusus untuk mengidentifikasi variabel yang paling berpengaruh terhadap tingkat hunian dan konsumsi energi gedung. Para peneliti menyebut proses ini sebagai pemilihan fitur.

Pemilihan fitur memiliki peran yang sangat penting dalam pembelajaran mesin. Semakin baik sistem memilih informasi yang relevan, semakin baik pula kualitas prediksi yang dihasilkan. Sebaliknya, penggunaan data yang tidak penting dapat menurunkan akurasi dan memperlambat proses analisis.

Selain memilih informasi yang paling berguna, algoritma GGO juga membantu menyempurnakan pengaturan internal model kecerdasan buatan. Pengaturan ini menentukan bagaimana sistem belajar dari data yang tersedia. Dalam dunia pembelajaran mesin, proses tersebut dikenal sebagai penyetelan hyperparameter.

Bagi masyarakat umum, hyperparameter dapat diibaratkan sebagai pengaturan mesin kendaraan. Kendaraan yang memiliki mesin canggih belum tentu menghasilkan performa terbaik jika pengaturannya tidak tepat. Sebaliknya, pengaturan yang optimal dapat meningkatkan efisiensi dan performa secara signifikan. Prinsip yang sama berlaku pada kecerdasan buatan.

Para peneliti menggabungkan dua tahapan optimasi dalam penelitian ini. Tahap pertama menggunakan metode Binary Greylag Goose Optimization untuk memilih data yang paling relevan. Tahap kedua menggunakan Greylag Goose Optimization standar untuk menyempurnakan pengaturan model kecerdasan buatan.

Grafik distribusi berbagai metrik evaluasi model menggunakan kombinasi violin plot, boxplot, dan swarm plot untuk menggambarkan sebaran, variasi, serta konsistensi performa prediksi berdasarkan metrik seperti MSE, RMSE, MAE, R², dan NSE (Alharbi, dkk. 2026).

Hasilnya menunjukkan peningkatan yang sangat besar. Pada awal pengujian, model dasar menghasilkan tingkat kesalahan prediksi sebesar 0,00852. Setelah proses pemilihan fitur dilakukan, tingkat kesalahan turun menjadi 0,000477. Angka tersebut menunjukkan bahwa sistem mampu menghasilkan prediksi yang jauh lebih akurat dibandingkan sebelumnya.

Performa sistem semakin meningkat setelah proses penyempurnaan hyperparameter dilakukan. Tingkat kesalahan turun hingga mencapai angka yang sangat kecil. Walaupun angka tersebut sulit dibayangkan secara langsung, maknanya cukup sederhana. Sistem menjadi jauh lebih andal dalam memperkirakan kondisi gedung di masa depan.

Kemampuan memprediksi kondisi gedung memiliki nilai yang sangat besar bagi pengelolaan energi. Sistem yang mampu memperkirakan jumlah penghuni dalam suatu ruangan dapat mengatur pendingin udara secara lebih tepat. Ketika jumlah penghuni meningkat, sistem dapat meningkatkan kapasitas pendinginan. Ketika ruangan kosong, sistem dapat mengurangi konsumsi energi.

Prinsip yang sama berlaku untuk pencahayaan. Lampu tidak perlu menyala dengan intensitas penuh sepanjang waktu. Sistem dapat menyesuaikan pencahayaan berdasarkan aktivitas penghuni dan kondisi lingkungan. Dengan cara ini, energi dapat digunakan secara lebih efisien tanpa mengurangi kenyamanan.

Prediksi yang akurat juga membantu pengelola gedung memahami pola penggunaan bangunan. Mereka dapat mengetahui area mana yang paling sering digunakan, kapan puncak aktivitas terjadi, dan bagaimana pola konsumsi energi berubah sepanjang hari. Informasi tersebut sangat berguna untuk menyusun strategi penghematan energi yang lebih efektif.

Manfaat lain yang tidak kalah penting adalah pengurangan biaya operasional. Konsumsi energi merupakan salah satu komponen biaya terbesar dalam pengelolaan gedung modern. Ketika sistem mampu mengoptimalkan penggunaan energi secara otomatis, biaya operasional dapat ditekan secara signifikan.

Temuan ini juga menunjukkan bahwa kecerdasan buatan tidak selalu harus bergantung pada model yang semakin besar dan rumit. Dalam beberapa tahun terakhir, banyak pengembang berlomba menciptakan sistem dengan kapasitas komputasi yang sangat besar. Namun pendekatan tersebut sering kali membutuhkan energi tinggi dan biaya yang mahal.

Sebaliknya, penelitian ini menunjukkan bahwa efisiensi dapat diperoleh melalui strategi yang lebih cerdas. Dengan memilih data yang tepat dan mengoptimalkan proses pembelajaran, sistem dapat menghasilkan performa yang lebih baik tanpa harus menggunakan sumber daya berlebihan.

Pendekatan semacam ini sangat relevan bagi masa depan smart building. Jumlah sensor dan perangkat yang terhubung di dalam bangunan akan terus bertambah. Sistem pengelolaan gedung akan menghadapi data yang semakin kompleks setiap hari. Oleh karena itu, kemampuan untuk memproses informasi secara efisien menjadi semakin penting.

Ke depan, teknologi seperti Greylag Goose Optimization berpotensi membantu bangunan mengambil keputusan secara lebih mandiri. Sistem dapat memprediksi kebutuhan energi sebelum terjadi, menyesuaikan operasi perangkat secara otomatis, serta menjaga keseimbangan antara kenyamanan penghuni dan efisiensi energi.

Penelitian ini memperlihatkan bahwa inspirasi dari alam masih memiliki nilai besar dalam pengembangan teknologi modern. Perjalanan panjang kawanan angsa yang tampak sederhana ternyata menyimpan prinsip kerja sama dan efisiensi yang dapat diterapkan pada kecerdasan buatan. Dengan memanfaatkan pelajaran dari alam, para peneliti berhasil menciptakan pendekatan baru yang membantu gedung pintar menjadi lebih hemat energi, lebih cerdas, dan lebih berkelanjutan. Di masa depan, bukan tidak mungkin bahwa sebagian besar keputusan operasional bangunan akan ditopang oleh algoritma yang lahir dari pengamatan terhadap perilaku makhluk hidup di alam liar.

Baca juga artikel tentang: Arsitektur Front End Cerdas Untuk Aplikasi Cepat, Aman, Dan Siap Masa Depan

REFERENSI:

Alharbi, Amal H dkk. 2026. Greylag Goose Optimization for smart building efficiency: feature selection and hyperparameter tuning in occupancy and energy management. Cluster Computing 29 (2), 115.