Peneliti terus mencari cara agar gedung pintar tidak hanya terlihat modern, tetapi juga benar benar memberi manfaat bagi penghuninya. Salah satu cara yang sangat penting yaitu memastikan kualitas lingkungan di dalam ruangan selalu nyaman dan sehat. Suhu yang terlalu panas, udara yang terlalu lembap, atau sirkulasi udara yang buruk bisa membuat orang tidak betah, cepat lelah, sulit berkonsentrasi, bahkan berdampak pada kesehatan. Karena itu, para ilmuwan mulai memanfaatkan kecerdasan buatan untuk memprediksi kondisi lingkungan di dalam gedung agar sistem pengatur udara bisa bekerja lebih cerdas.

Sebuah penelitian terbaru yang dilakukan di Sydney meneliti bagaimana teknologi pembelajaran mendalam atau deep learning dapat membantu memprediksi kondisi lingkungan di dalam gedung pintar. Fokus utama penelitian ini yaitu memprediksi suhu, kelembapan, dan faktor lingkungan lain yang berpengaruh pada kenyamanan dan konsumsi energi.

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

Para peneliti memasang jaringan sensor mikro di berbagai lokasi dalam kampus universitas. Sensor sensor ini mengumpulkan data lingkungan setiap waktu, seperti suhu ruangan, tingkat kelembapan, serta kondisi sistem pendingin atau pemanas. Semua data ini disimpan dalam jumlah yang sangat besar, sehingga sangat cocok dianalisis menggunakan kecerdasan buatan.

Mereka kemudian membandingkan tiga jenis model kecerdasan buatan. Model pertama yaitu Convolutional Neural Network atau CNN yang biasanya terkenal pada pengenalan gambar. Model kedua yaitu Long Short Term Memory atau LSTM yang dirancang untuk membaca pola berdasarkan urutan waktu. Model ketiga yaitu gabungan dari CNN dan LSTM.

Banyak orang sebelumnya mengira bahwa LSTM akan lebih unggul dalam memprediksi data berbasis waktu. Namun hasil penelitian ini justru menunjukkan hal berbeda. CNN ternyata memberikan hasil prediksi suhu yang lebih akurat dibandingkan dua model lainnya. Ini menjadi temuan yang cukup mengejutkan karena CNN biasanya digunakan untuk gambar, bukan data waktu. Tetapi kenyataannya CNN mampu menangkap pola hubungan antar variabel lingkungan dengan sangat baik.

Penelitian ini tidak hanya membandingkan model saja. Para peneliti juga menguji apakah penggunaan lebih banyak jenis data input akan membuat prediksi menjadi lebih akurat. Hasilnya menunjukkan bahwa memasukkan beberapa variabel sekaligus, seperti suhu, kelembapan, dan status sistem AC, memang meningkatkan ketepatan prediksi pada semua model. Ini berarti lingkungan dalam ruangan merupakan sistem yang kompleks. Banyak faktor saling memengaruhi, sehingga model kecerdasan buatan perlu melihat gambaran yang lebih lengkap.

Akurasi prediksi suhu antara model naive, LSTM univariat, dan LSTM multivariat terhadap nilai suhu aktual selama sekitar 200 jam, dengan model LSTM menunjukkan kecocokan yang lebih baik dan residual yang lebih kecil (Minassian, dkk. 2025).

Untuk memahami faktor mana yang paling penting, para peneliti menggunakan metode yang disebut Shapley Additive Explanations atau SHAP. Metode ini membantu menjelaskan peran masing masing variabel dalam proses prediksi. Dari analisis ini, terlihat bahwa suhu, kelembapan, dan status sistem HVAC menjadi faktor yang paling besar pengaruhnya.

Nilai SHAP temporal untuk tiga fitur pemanfaatan gedung (Booking Status, HVAC Status, dan People Count) selama 12 timestep ke belakang, yang menunjukkan seberapa besar pengaruh masing-masing fitur terhadap prediksi model pada tiap waktu (Minassian, dkk. 2025).

Temuan ini terasa masuk akal. Sistem HVAC memang sangat menentukan kenyamanan ruangan. Jika sistem ini aktif, suhu dan kualitas udara bisa berubah dengan cepat. Dengan mengetahui kapan HVAC menyala dan bagaimana kinerjanya, model kecerdasan buatan dapat memprediksi kondisi ruangan dengan jauh lebih baik.

Penelitian ini juga menguji berapa banyak data masa lalu yang ideal untuk dimasukkan ke dalam model. Artinya, berapa lama rekaman historis yang masih relevan untuk dipakai memprediksi kondisi selanjutnya. Selain itu, mereka menguji jarak waktu prediksi. Misalnya apakah model memprediksi kondisi beberapa menit ke depan atau beberapa jam ke depan. Hasil pengujian ini memberikan panduan praktis bagi pengembang sistem agar bisa menyiapkan konfigurasi model yang paling efisien.

Jika teknologi ini diterapkan secara luas di gedung pintar, manfaatnya sangat besar. Sistem AC dan ventilasi bisa bekerja lebih cerdas karena sudah mengetahui kondisi yang mungkin terjadi di masa depan. Misalnya, jika model memprediksi bahwa suhu ruangan akan naik satu jam lagi, maka sistem dapat menyesuaikan pengaturan lebih awal sehingga energi bisa digunakan dengan lebih hemat. Penghuni gedung juga akan merasakan kenyamanan yang lebih stabil tanpa perubahan suhu yang tiba tiba.

Selain itu, prediksi lingkungan yang akurat juga membantu menjaga kesehatan. Udara yang terlalu lembap dapat memicu jamur, sedangkan udara yang terlalu kering bisa mengganggu pernapasan. Dengan prediksi yang tepat, sistem otomatis dapat mengatur kelembapan di tingkat yang ideal.

Namun tentu saja masih ada tantangan. Model kecerdasan buatan memerlukan data dalam jumlah besar. Sensor harus selalu bekerja dengan baik. Gedung juga perlu memiliki infrastruktur pengolahan data yang memadai. Walau begitu, penelitian ini menunjukkan bahwa hambatan tersebut layak dihadapi karena manfaatnya sangat besar untuk kenyamanan dan efisiensi energi.

Keunikan penelitian ini terletak pada pendekatan yang sangat komprehensif. Mereka tidak hanya sekadar mencoba satu model, tetapi membandingkan berbagai arsitektur kecerdasan buatan, mempelajari berbagai jenis input, serta menganalisis faktor yang paling memengaruhi hasil prediksi. Dengan pendekatan seperti ini, hasilnya menjadi lebih kuat dan relevan bagi pengembang teknologi gedung pintar.

Di masa depan, teknologi prediksi seperti ini bisa menjadi tulang punggung kota cerdas. Bayangkan gedung perkantoran, kampus, rumah sakit, dan perumahan yang semuanya dapat memprediksi kondisi lingkungan di dalamnya dan menyesuaikan diri secara otomatis. Energi terpakai lebih sedikit, biaya operasional berkurang, dan penghuni merasa lebih nyaman.

Penelitian ini memberi pesan penting bahwa kecerdasan buatan bukan hanya soal robot atau mobil tanpa sopir. Teknologi ini juga bisa bekerja diam diam di balik dinding gedung, memastikan kita bernapas dalam udara yang lebih nyaman tanpa harus memikirkan tombol AC setiap saat. Dengan pemanfaatan yang tepat, gedung pintar bukan hanya sekadar trend teknologi, tetapi solusi nyata untuk kehidupan yang lebih efisien dan sehat.

REFERENSI:

Minassian, Roupen dkk. 2025. Optimizing indoor environmental prediction in smart buildings: A comparative analysis of deep learning models. Energy and Buildings 327, 115086.