Daftar isi
Gedung pintar terus berkembang menjadi bagian penting dalam pembangunan kota modern. Berbagai sensor, perangkat Internet of Things, dan sistem kecerdasan buatan kini bekerja sepanjang waktu untuk mengatur pencahayaan, pendingin udara, ventilasi, hingga penggunaan listrik agar lebih efisien. Namun, semakin canggih sebuah gedung, semakin besar pula jumlah data yang harus diproses setiap detik. Sistem harus mengetahui berapa banyak orang yang berada di dalam ruangan, bagaimana kondisi suhu dan kelembapan, seberapa terang cahaya matahari dari luar, hingga berapa besar energi yang sedang digunakan. Jika sistem gagal memahami semua informasi tersebut secara akurat, konsumsi energi dapat meningkat dan kenyamanan penghuni akan menurun.
Baca juga artikel tentang: Hemat Biaya Hingga 26 Persen: Strategi Cerdas Pengelolaan Energi Di Gedung Modern
Penelitian terbaru menawarkan solusi yang menarik dengan memanfaatkan algoritma yang terinspirasi dari perilaku kawanan angsa liar. Hasil penelitian menunjukkan bahwa inspirasi dari alam mampu membantu kecerdasan buatan membuat keputusan yang jauh lebih cerdas sehingga smart building dapat menghemat energi tanpa mengurangi kenyamanan penghuninya.
Penelitian yang dilakukan oleh Amal H. Alharbi bersama tim penelitinya memperkenalkan pendekatan baru untuk meningkatkan efisiensi smart building menggunakan algoritma Greylag Goose Optimization atau GGO. Algoritma ini digunakan untuk memilih informasi yang paling penting dari ribuan data yang dikumpulkan sensor sekaligus menyempurnakan cara kerja model pembelajaran mendalam atau deep learning. Fokus utama penelitian adalah meningkatkan akurasi prediksi jumlah penghuni gedung dan kebutuhan energi secara waktu nyata. Dengan prediksi yang lebih akurat, sistem dapat mengendalikan pencahayaan dan pendingin udara secara lebih efisien sehingga konsumsi listrik menurun tanpa mengorbankan kenyamanan pengguna gedung.
Smart building bekerja dengan cara yang sangat berbeda dibandingkan bangunan konvensional. Pada gedung biasa, lampu dinyalakan secara manual dan pendingin udara bekerja berdasarkan pengaturan tetap. Sebaliknya, smart building mampu mengambil keputusan secara otomatis berdasarkan kondisi yang terjadi saat itu. Sensor gerak mendeteksi keberadaan penghuni, sensor suhu mengukur kondisi ruangan, sensor cahaya mengamati intensitas sinar matahari, sedangkan meter listrik memantau penggunaan energi setiap saat. Seluruh data tersebut dikirim menuju Building Management System yang kemudian memutuskan bagaimana setiap perangkat harus bekerja.
Kemampuan mengambil keputusan tersebut sangat bergantung pada kualitas data yang diterima. Semakin banyak sensor dipasang, semakin besar pula jumlah data yang dihasilkan. Dalam satu gedung bertingkat, ribuan sensor dapat menghasilkan jutaan data setiap hari. Tidak semua data memiliki nilai yang sama. Sebagian data sangat penting untuk menentukan kebutuhan energi, sedangkan sebagian lainnya hanya memberikan sedikit pengaruh terhadap keputusan sistem. Apabila seluruh data diproses tanpa penyaringan, komputer membutuhkan waktu lebih lama untuk menghitung, sementara akurasi prediksi justru dapat menurun.
Masalah tersebut mendorong para peneliti mencari cara agar kecerdasan buatan mampu memilih hanya informasi yang benar benar penting. Proses ini dikenal sebagai feature selection atau pemilihan fitur. Bayangkan seseorang ingin memperkirakan apakah sebuah ruang rapat membutuhkan pendingin udara. Informasi mengenai jumlah penghuni, suhu ruangan, kelembapan, dan intensitas cahaya tentu jauh lebih penting dibandingkan data lain yang tidak berkaitan langsung dengan kenyamanan termal. Dengan menggunakan hanya data yang relevan, sistem dapat bekerja lebih cepat sekaligus menghasilkan keputusan yang lebih akurat.
Menentukan kombinasi data terbaik ternyata bukan pekerjaan sederhana. Jika terdapat puluhan bahkan ratusan variabel, jumlah kemungkinan kombinasi menjadi sangat besar. Mencoba seluruh kemungkinan satu per satu memerlukan waktu yang sangat lama. Oleh karena itu, penelitian ini memanfaatkan Greylag Goose Optimization untuk mempercepat proses pencarian solusi terbaik.
Greylag Goose Optimization merupakan algoritma optimasi yang terinspirasi oleh perilaku kawanan angsa liar ketika melakukan migrasi. Saat terbang menempuh ribuan kilometer, angsa tidak memilih jalur secara sembarangan. Mereka saling mengamati, menyesuaikan posisi, berbagi peran, dan mencari lintasan yang paling efisien agar dapat menghemat tenaga sepanjang perjalanan. Pola kerja sama tersebut kemudian diterjemahkan ke dalam bentuk algoritma yang mampu mencari solusi terbaik dari sekian banyak kemungkinan tanpa harus mencoba semuanya.
Dalam penelitian ini, algoritma tersebut membantu kecerdasan buatan memilih kombinasi data yang paling berpengaruh terhadap prediksi jumlah penghuni dan kebutuhan energi. Selain itu, algoritma juga digunakan untuk melakukan hyperparameter tuning. Hyperparameter merupakan sekumpulan pengaturan yang menentukan bagaimana model pembelajaran mendalam belajar dari data. Pengaturan tersebut dapat diibaratkan seperti menyetel mesin kendaraan agar bekerja pada performa terbaik. Jika pengaturannya kurang tepat, hasil prediksi menjadi kurang akurat meskipun algoritma yang digunakan sudah sangat canggih.
Hasil penelitian menunjukkan peningkatan performa yang sangat signifikan. Model dasar yang digunakan peneliti masih menghasilkan tingkat kesalahan prediksi yang cukup besar. Setelah menerapkan Binary Greylag Goose Optimization untuk memilih data yang paling relevan, tingkat kesalahan berhasil turun secara drastis. Ketika proses tersebut dilanjutkan dengan optimasi hyperparameter menggunakan Greylag Goose Optimization, akurasi meningkat jauh lebih tinggi lagi. Temuan ini menunjukkan bahwa keberhasilan kecerdasan buatan tidak hanya bergantung pada algoritmanya, tetapi juga pada kemampuan memilih data yang tepat dan mengatur proses pembelajaran secara optimal.
Prediksi jumlah penghuni memiliki peran yang sangat penting dalam smart building. Sebuah ruang kelas yang dipenuhi mahasiswa tentu membutuhkan pendingin udara lebih besar dibandingkan ruangan kosong. Sebaliknya, ketika penghuni meninggalkan ruangan, sistem dapat segera mematikan lampu atau mengurangi kapasitas pendingin udara agar tidak terjadi pemborosan energi. Jika prediksi mengenai jumlah penghuni tidak akurat, sistem dapat bekerja secara berlebihan atau justru tidak mampu memberikan kenyamanan yang dibutuhkan.
Penelitian ini memberikan solusi terhadap permasalahan tersebut. Dengan kemampuan memprediksi jumlah penghuni secara lebih akurat, sistem dapat mengatur pencahayaan dan pendingin udara secara dinamis sesuai kebutuhan sebenarnya. Pendekatan ini tidak hanya mengurangi konsumsi listrik, tetapi juga memperpanjang umur berbagai peralatan karena perangkat tidak bekerja secara berlebihan.
Hubungan penelitian ini dengan konsep green building sangat erat. Bangunan hijau tidak hanya menggunakan material yang ramah lingkungan, tetapi juga berusaha mengurangi konsumsi energi sepanjang masa operasionalnya. Sistem kecerdasan buatan yang mampu memahami pola penggunaan gedung akan membantu mengurangi pemborosan energi sekaligus menekan emisi karbon. Setiap kilowatt listrik yang berhasil dihemat berarti semakin sedikit bahan bakar yang harus digunakan untuk menghasilkan energi tersebut.
Bayangkan sebuah gedung perkantoran dengan ratusan ruang kerja. Pada pagi hari, sistem mempelajari pola kedatangan pegawai berdasarkan data beberapa bulan sebelumnya. Sebelum ruangan penuh, pendingin udara mulai bekerja secara bertahap sehingga suhu sudah nyaman ketika pegawai datang. Ketika sebagian besar pegawai keluar saat makan siang, sistem secara otomatis mengurangi pencahayaan dan kapasitas pendingin udara di area yang kosong. Semua keputusan tersebut berlangsung dalam hitungan detik tanpa perlu diatur secara manual.
Pendekatan seperti ini juga dapat diterapkan pada rumah sakit, pusat perbelanjaan, hotel, kampus, hingga bandar udara. Semakin besar ukuran bangunan, semakin besar pula potensi penghematan energi yang dapat diperoleh melalui prediksi yang akurat. Integrasi antara sensor, Internet of Things, Building Management System, dan kecerdasan buatan akan membentuk ekosistem smart building yang mampu belajar dari kebiasaan penggunanya secara terus menerus.
Bagi Indonesia, hasil penelitian ini memiliki peluang yang sangat besar. Pertumbuhan smart building di berbagai kota terus meningkat seiring berkembangnya konsep kota pintar dan pembangunan rendah karbon. Pengelola gedung membutuhkan teknologi yang mampu mengurangi biaya operasional tanpa mengurangi kualitas pelayanan kepada penghuni. Algoritma seperti Greylag Goose Optimization dapat menjadi salah satu solusi karena mampu meningkatkan akurasi sistem pengelolaan energi tanpa memerlukan perubahan besar pada infrastruktur yang sudah ada.
Ke depan, penerapan algoritma ini tidak hanya terbatas pada sistem pencahayaan dan pendingin udara. Teknologi serupa dapat membantu mengoptimalkan pengelolaan air, pengisian kendaraan listrik, penyimpanan energi dari panel surya, hingga pengoperasian sistem ventilasi cerdas. Semakin baik kemampuan sistem memahami kondisi gedung, semakin efisien pula penggunaan seluruh sumber daya yang tersedia.
Penelitian ini membuktikan bahwa alam masih menjadi sumber inspirasi yang sangat berharga bagi perkembangan teknologi modern. Cara sederhana kawanan angsa bekerja sama mencari jalur migrasi paling efisien ternyata mampu melahirkan algoritma yang membantu kecerdasan buatan mengelola energi secara lebih cerdas. Ketika smart building mampu memilih informasi yang paling penting, memahami perilaku penghuninya, dan mengambil keputusan secara otomatis dengan tingkat akurasi yang tinggi, bangunan masa depan tidak hanya menjadi lebih pintar, tetapi juga lebih hemat energi, lebih nyaman dihuni, dan lebih berkelanjutan bagi lingkungan.
Baca juga artikel tentang: Inovasi Hijau: Mengubah Limbah Telur Menjadi Material Bangunan 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.
