Pengelola gedung terus mencari cara untuk mengurangi konsumsi energi tanpa mengorbankan kenyamanan penghuni. Di tengah meningkatnya biaya energi dan tuntutan pembangunan berkelanjutan, teknologi smart building menawarkan solusi yang semakin menarik. Salah satu inovasi terbaru datang dari pemanfaatan sensor lingkungan dan kecerdasan buatan berukuran kecil yang mampu memperkirakan jumlah penghuni ruangan secara real time. Teknologi ini membuka peluang besar untuk menciptakan bangunan yang lebih hemat energi, lebih nyaman, dan lebih ramah lingkungan.

Dalam kehidupan sehari-hari, banyak orang mungkin tidak menyadari bahwa jumlah penghuni dalam sebuah ruangan memiliki pengaruh besar terhadap konsumsi energi bangunan. Ketika sebuah ruang pertemuan hanya digunakan oleh beberapa orang, kebutuhan pendingin udara tentu berbeda dibandingkan ketika ruangan tersebut penuh. Begitu pula dengan pencahayaan, ventilasi, dan berbagai sistem pendukung lainnya. Jika sistem bangunan tidak mengetahui kondisi aktual di lapangan, maka energi sering kali terbuang sia-sia.

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

Masalah ini menjadi perhatian para peneliti yang berupaya mengembangkan metode baru untuk mendeteksi tingkat okupansi atau jumlah penghuni ruangan secara otomatis. Penelitian yang dipublikasikan dalam jurnal Results in Engineering tahun 2026 memperkenalkan pendekatan berbasis TinyML dan jaringan sensor lingkungan untuk memperkirakan jumlah penghuni dengan akurat dan efisien.

TinyML merupakan singkatan dari Tiny Machine Learning. Teknologi ini memungkinkan kecerdasan buatan berjalan pada perangkat elektronik berukuran kecil dengan konsumsi energi yang sangat rendah. Berbeda dengan sistem kecerdasan buatan konvensional yang membutuhkan komputer besar atau server berkapasitas tinggi, TinyML dapat bekerja pada mikrokontroler sederhana yang harganya relatif murah.

Dalam penelitian tersebut, para peneliti menggunakan perangkat ESP32 yang banyak digunakan dalam berbagai aplikasi Internet of Things. Perangkat ini berukuran kecil, hemat energi, dan memiliki kemampuan pemrosesan yang cukup untuk menjalankan model kecerdasan buatan ringan. Dengan memanfaatkan perangkat tersebut, sistem dapat melakukan analisis data secara langsung di lokasi tanpa harus mengirim seluruh data ke pusat komputasi eksternal.

Pendekatan ini memiliki beberapa keuntungan. Pertama, proses analisis berlangsung lebih cepat karena data tidak perlu melakukan perjalanan melalui jaringan internet. Kedua, kebutuhan energi menjadi lebih rendah. Ketiga, privasi pengguna lebih terjaga karena informasi tetap berada di dalam sistem lokal.

Salah satu aspek menarik dari penelitian ini adalah penggunaan sensor non invasif. Banyak sistem pendeteksi okupansi menggunakan kamera untuk menghitung jumlah orang di dalam ruangan. Meskipun efektif, metode tersebut sering memunculkan kekhawatiran terkait privasi. Tidak semua orang merasa nyaman ketika aktivitas mereka direkam sepanjang waktu.

Sebagai alternatif, penelitian ini menggunakan berbagai sensor lingkungan yang tidak merekam identitas penghuni. Sensor tersebut mengukur kadar karbon dioksida, suhu udara, kelembapan, intensitas cahaya, dan keberadaan manusia. Data lingkungan ini kemudian dianalisis menggunakan algoritma machine learning untuk memperkirakan jumlah orang yang berada di dalam ruangan.

Konsepnya cukup sederhana. Setiap manusia menghasilkan karbon dioksida saat bernapas. Ketika jumlah penghuni meningkat, kadar karbon dioksida di dalam ruangan juga cenderung meningkat. Kehadiran manusia juga dapat memengaruhi suhu, kelembapan, dan pola penggunaan pencahayaan. Dengan menggabungkan seluruh informasi tersebut, kecerdasan buatan mampu mengenali pola yang berkaitan dengan tingkat okupansi ruangan.

Para peneliti menguji berbagai model machine learning untuk menentukan metode yang paling efektif. Beberapa algoritma yang diuji antara lain Linear Regression, K Nearest Neighbors, Decision Tree, Gradient Boosting, Random Forest, dan XGBoost. Setelah melalui serangkaian pengujian, model Random Forest menunjukkan performa terbaik dengan tingkat kesalahan yang rendah dan tingkat akurasi yang tinggi.

Grafik data sensor smart building secara real time, meliputi jarak objek, konsumsi energi, intensitas cahaya, kualitas udara, suhu, kelembapan, dan tingkat okupansi ruangan untuk mendukung pemantauan kondisi lingkungan serta optimasi penggunaan ruang dan energi (Pandkar, dkk. 2026).

Hasil tersebut menunjukkan bahwa perangkat kecil dengan kemampuan komputasi terbatas ternyata mampu menghasilkan prediksi yang sangat baik. Bahkan sistem dapat memberikan hasil hampir secara instan dengan kebutuhan memori yang sangat rendah. Temuan ini menjadi kabar baik bagi pengembangan smart building karena membuktikan bahwa solusi cerdas tidak selalu membutuhkan infrastruktur yang mahal.

Dalam konteks smart building, informasi mengenai jumlah penghuni memiliki nilai yang sangat besar. Sistem manajemen bangunan dapat menggunakan data tersebut untuk mengendalikan berbagai perangkat secara otomatis. Ketika sebuah ruangan kosong, sistem dapat mematikan lampu, mengurangi kinerja pendingin udara, dan menurunkan penggunaan energi lainnya. Sebaliknya, ketika jumlah penghuni meningkat, sistem dapat menyesuaikan kondisi ruangan agar tetap nyaman.

Kemampuan ini berkontribusi langsung terhadap efisiensi energi bangunan. Selama ini banyak gedung mengoperasikan sistem pencahayaan dan pendingin udara berdasarkan jadwal tetap tanpa mempertimbangkan kondisi aktual. Akibatnya, energi tetap digunakan meskipun ruangan sedang tidak dipakai. Dengan pendekatan berbasis okupansi, energi hanya digunakan ketika benar benar diperlukan.

Konsep tersebut sangat selaras dengan prinsip green building yang menekankan efisiensi sumber daya dan pengurangan dampak lingkungan. Setiap kilowatt jam listrik yang berhasil dihemat berarti pengurangan emisi karbon dari proses pembangkitan energi. Jika teknologi ini diterapkan secara luas pada gedung perkantoran, sekolah, rumah sakit, dan pusat perbelanjaan, potensi penghematan energinya dapat menjadi sangat signifikan.

Selain menghemat energi, sistem ini juga membantu meningkatkan kualitas lingkungan dalam ruangan. Ketika jumlah penghuni meningkat, kadar karbon dioksida dapat naik dengan cepat. Jika ventilasi tidak mampu mengikuti perubahan tersebut, kualitas udara akan menurun dan dapat memengaruhi kenyamanan maupun produktivitas penghuni.

Dengan pemantauan okupansi secara real time, sistem ventilasi dapat merespons lebih cepat terhadap perubahan kondisi ruangan. Pasokan udara segar dapat ditingkatkan secara otomatis sebelum kualitas udara menurun. Pendekatan ini membantu menciptakan lingkungan yang lebih sehat bagi penghuni bangunan.

Manfaat lainnya muncul dalam pengelolaan ruang. Data okupansi memungkinkan pengelola memahami pola penggunaan ruangan secara lebih detail. Mereka dapat mengetahui ruang mana yang paling sering digunakan, jam berapa tingkat aktivitas tertinggi terjadi, dan area mana yang kurang dimanfaatkan. Informasi tersebut dapat menjadi dasar dalam perencanaan fasilitas yang lebih efektif.

Bagi negara berkembang, teknologi ini menawarkan peluang yang sangat menarik. Banyak solusi smart building modern masih dianggap mahal karena membutuhkan sensor canggih, server besar, dan jaringan komunikasi yang kompleks. Penelitian ini menunjukkan bahwa perangkat sederhana dengan biaya relatif rendah dapat memberikan manfaat nyata melalui kombinasi sensor lingkungan dan kecerdasan buatan.

Ke depan, perkembangan TinyML diperkirakan akan semakin memperluas kemampuan smart building. Selain mendeteksi okupansi, teknologi ini dapat digunakan untuk memantau konsumsi energi, mendeteksi kerusakan peralatan, mengelola kualitas udara, dan mendukung berbagai fungsi otomatis lainnya. Dengan ukuran perangkat yang kecil dan konsumsi energi yang rendah, penerapannya menjadi semakin mudah dan ekonomis.

Masa depan smart building tidak hanya ditentukan oleh jumlah sensor yang terpasang, tetapi juga oleh kemampuan sistem dalam memahami informasi yang dikumpulkannya. Penelitian ini menunjukkan bahwa kecerdasan buatan berukuran kecil dapat menjadi otak yang membantu bangunan beroperasi secara lebih cerdas. Ketika gedung mampu mengenali kondisi penghuninya secara akurat tanpa mengganggu privasi, langkah menuju bangunan yang hemat energi, nyaman, dan berkelanjutan menjadi semakin dekat dengan kenyataan.

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

REFERENSI:

Pandkar, Mehal dkk. 2026. Optimizing Room Occupancy Estimation on the Edge: A TinyML and Sensor Network Approach. Results in Engineering, 109107.