Kecerdasan buatan mulai memainkan peran penting dalam kehidupan sehari hari, termasuk di dalam gedung tempat kita bekerja, belajar, dan beraktivitas. Teknologi ini tidak hanya hadir dalam bentuk chatbot atau asisten virtual, tetapi juga membantu bangunan modern memahami kondisi lingkungannya secara lebih cerdas. Salah satu kemampuan yang kini menjadi perhatian para peneliti adalah kemampuan memprediksi suhu ruangan sebelum perubahan suhu tersebut benar benar terjadi.

Kemampuan memprediksi suhu mungkin terdengar sederhana. Namun bagi pengelola gedung, informasi tersebut sangat berharga. Sistem pendingin udara pada bangunan modern mengonsumsi energi dalam jumlah besar. Jika suhu ruangan dapat diperkirakan dengan akurat, sistem pendingin dapat bekerja lebih efisien sehingga konsumsi energi berkurang tanpa mengorbankan kenyamanan penghuni.

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

Inilah yang menjadi fokus penelitian terbaru yang dipublikasikan dalam jurnal Building Research & Information pada tahun 2026. Tim peneliti mengembangkan dua model kecerdasan buatan yang dirancang untuk memprediksi suhu udara dalam ruangan secara akurat dan cepat pada bangunan pintar berskala besar. Model tersebut diberi nama STNet dan STProphet. Selain meningkatkan akurasi prediksi, kedua model juga dirancang agar dapat bekerja langsung pada perangkat lokal sehingga keamanan dan privasi data pengguna tetap terjaga.

Untuk memahami pentingnya penelitian ini, kita perlu melihat bagaimana sebuah bangunan modern mengelola suhu ruangan. Pada gedung konvensional, sistem pendingin udara biasanya bekerja berdasarkan kondisi yang sedang terjadi. Ketika suhu mulai meningkat, pendingin udara akan merespons dengan menurunkan suhu. Pendekatan ini memang efektif, tetapi sering kali membuat sistem bekerja lebih keras karena harus mengejar perubahan yang sudah terjadi.

Bangunan pintar menggunakan pendekatan yang berbeda. Sistem tidak hanya bereaksi terhadap kondisi saat ini, tetapi juga mencoba memperkirakan kondisi yang akan terjadi beberapa waktu ke depan. Dengan mengetahui kemungkinan perubahan suhu lebih awal, sistem dapat mengambil tindakan sebelum penghuni merasakan ketidaknyamanan.

Bayangkan sebuah gedung perkantoran besar pada pagi hari. Ketika para pekerja mulai berdatangan, jumlah orang di dalam gedung meningkat secara bertahap. Komputer dinyalakan, lampu mulai digunakan, dan berbagai perangkat elektronik menghasilkan panas tambahan. Jika sistem mampu memprediksi peningkatan suhu akibat aktivitas tersebut, pendingin udara dapat melakukan penyesuaian secara bertahap. Akibatnya suhu tetap nyaman tanpa memerlukan lonjakan penggunaan energi.

Masalahnya, memprediksi suhu dalam bangunan bukan pekerjaan mudah. Banyak faktor yang memengaruhi kondisi termal sebuah ruangan. Cuaca di luar gedung, intensitas sinar matahari, jumlah penghuni, penggunaan peralatan elektronik, karakteristik material bangunan, hingga pola aktivitas manusia dapat memengaruhi perubahan suhu. Semua faktor tersebut saling berinteraksi dan menciptakan pola yang sangat kompleks.

Karena kompleksitas inilah para peneliti mulai memanfaatkan kecerdasan buatan. Sistem kecerdasan buatan memiliki kemampuan mengenali pola dari data dalam jumlah besar yang sulit dianalisis menggunakan metode konvensional. Dengan mempelajari data historis dan kondisi saat ini, sistem dapat memperkirakan bagaimana suhu akan berubah pada masa mendatang.

Dalam penelitian ini, para ilmuwan mengembangkan dua model yang menggunakan pendekatan berbeda. Model pertama bernama STNet. Sistem ini menggabungkan teknologi yang mampu mengenali pola ruang dengan teknologi yang dapat memahami hubungan data dari waktu ke waktu. Kombinasi tersebut memungkinkan model memahami bagaimana perubahan kondisi pada satu area bangunan dapat memengaruhi suhu di area lainnya.

Model kedua bernama STProphet. Sistem ini memanfaatkan teknologi Transformer yang saat ini menjadi salah satu fondasi utama berbagai aplikasi kecerdasan buatan modern. Teknologi tersebut terkenal karena kemampuannya memahami hubungan yang kompleks dalam data dan menghasilkan prediksi yang lebih akurat. Dengan menggabungkan pendekatan ini dengan teknik pengenalan pola lainnya, STProphet mampu menganalisis hubungan antara ruang dan waktu secara lebih mendalam.

Meskipun menggunakan teknologi yang sangat canggih, tujuan utama kedua model ini sebenarnya cukup sederhana. Sistem berusaha menjawab satu pertanyaan penting, yaitu bagaimana suhu ruangan akan berubah dalam waktu dekat. Jawaban atas pertanyaan tersebut menjadi dasar bagi berbagai keputusan otomatis yang dilakukan oleh sistem manajemen bangunan.

Hal menarik lainnya dari penelitian ini adalah penggunaan pendekatan edge computing. Banyak sistem kecerdasan buatan modern bergantung pada layanan komputasi awan yang memproses data di pusat data jarak jauh. Pendekatan tersebut memang menawarkan kapasitas komputasi yang besar, tetapi juga menimbulkan kekhawatiran terkait privasi dan keamanan data.

Para peneliti memilih pendekatan yang berbeda. Mereka menjalankan model kecerdasan buatan langsung pada perangkat lokal yang berada dekat dengan sumber data. Dengan cara ini, sebagian besar proses analisis dapat dilakukan di dalam lingkungan bangunan tanpa harus mengirim data ke server eksternal.

Pendekatan tersebut memberikan beberapa keuntungan penting. Pertama, data sensitif yang berasal dari bangunan tidak perlu meninggalkan jaringan lokal sehingga risiko kebocoran data menjadi lebih kecil. Kedua, proses analisis dapat berlangsung lebih cepat karena sistem tidak perlu menunggu pengiriman data melalui internet. Ketiga, bangunan tetap dapat beroperasi meskipun koneksi internet mengalami gangguan.

Grafik ini membandingkan suhu udara dalam ruangan hasil pengukuran dengan prediksi beberapa model berbasis data, menunjukkan bahwa model STNet dan STProphet mampu mengikuti perubahan suhu secara lebih akurat dibandingkan model dasar (baseline) (Hamayat, dkk. 2026).

Hasil penelitian menunjukkan bahwa kedua model mampu memberikan peningkatan akurasi yang sangat signifikan dibandingkan metode dasar yang digunakan sebagai pembanding. Tingkat kesalahan prediksi berhasil ditekan secara drastis. Selain itu, kecepatan pemrosesan juga meningkat secara nyata. Waktu yang dibutuhkan untuk menghasilkan prediksi turun dari sekitar 110 milidetik menjadi hanya sekitar 51 milidetik pada STNet dan sekitar 35 milidetik pada STProphet.

Bagi sebagian orang, perbedaan puluhan milidetik mungkin terdengar tidak penting. Namun dalam sistem bangunan pintar yang harus memproses data secara terus menerus dari ribuan sensor, peningkatan kecepatan tersebut dapat memberikan dampak besar terhadap efisiensi operasional. Semakin cepat sistem memahami kondisi lingkungan, semakin cepat pula tindakan yang dapat diambil.

Manfaat teknologi ini tidak hanya terbatas pada penghematan energi. Prediksi suhu yang lebih akurat juga membantu meningkatkan kenyamanan penghuni. Suhu ruangan yang stabil dapat meningkatkan konsentrasi, produktivitas, dan kualitas pengalaman pengguna di dalam gedung. Dalam lingkungan seperti rumah sakit, sekolah, atau pusat data, kemampuan menjaga kondisi lingkungan secara presisi bahkan dapat menjadi faktor yang sangat penting.

Penelitian ini juga menunjukkan arah perkembangan smart building di masa depan. Bangunan tidak lagi hanya berfungsi sebagai tempat berlindung atau bekerja. Bangunan modern mulai berkembang menjadi sistem cerdas yang mampu memahami kondisi lingkungannya, mempelajari pola penggunaan, dan mengambil keputusan secara otomatis berdasarkan data yang tersedia.

Di masa depan, teknologi seperti STNet dan STProphet kemungkinan akan terintegrasi dengan sensor Internet of Things, sistem manajemen energi, digital twin, dan berbagai aplikasi kecerdasan buatan lainnya. Integrasi tersebut memungkinkan bangunan memprediksi kebutuhan energi, mengoptimalkan penggunaan sumber daya, dan menjaga kenyamanan penghuni secara lebih efektif.

Kemampuan memprediksi suhu ruangan merupakan bagian dari transformasi yang lebih besar dalam dunia smart building. Kecerdasan buatan membantu bangunan memahami apa yang akan terjadi sebelum perubahan tersebut dirasakan manusia. Dengan kemampuan itu, gedung dapat menggunakan energi secara lebih efisien, menjaga kenyamanan secara lebih konsisten, dan mendukung terciptanya lingkungan binaan yang lebih berkelanjutan di masa depan.

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

REFERENSI:

Hamayat, Faizan dkk. 2026. Data-driven STNet and STProphet models for secure edge-based indoor air temperature prediction in smart buildings. Building Research & Information, 1-18.