Teknologi cerdas terus mengubah cara manusia membangun dan mengelola kota. Salah satu bidang yang mengalami perkembangan besar adalah pengelolaan sistem pendingin, pemanas, dan ventilasi di gedung. Sistem ini sering disebut HVAC. Selama ini, HVAC memegang peran penting dalam kenyamanan penghuni gedung sekaligus menjadi salah satu penyumbang terbesar dalam konsumsi energi. Para peneliti di Shenzhen Qianhai Smart Community mencoba menjawab tantangan tersebut dengan pendekatan berbasis kecerdasan buatan yang lebih canggih dan lebih ramah energi.

Bayangkan sebuah gedung pintar yang bisa mempelajari kebiasaan penghuninya. Gedung ini bukan hanya menjaga suhu tetap nyaman, tetapi juga menekan boros energi dengan tingkat presisi yang tinggi. Tujuan ini mendorong para ilmuwan untuk mengembangkan sistem rekomendasi berbasis pembelajaran mesin yang disebut sebagai ensemble learning. Sistem ini tidak bekerja sendirian. Ia mendapat dukungan dari teknik pemodelan data berbasis grafik yang disebut graph embedding. Kedua pendekatan ini kemudian digabungkan sehingga tercipta sistem yang mampu memahami hubungan rumit antarperangkat, sensor, dan perilaku pengguna di dalam gedung.

Baca juga artikel tentang: Mengintip Teknologi Bangunan Hijau Tercanggih di Dunia Tahun 2025

Apa sebenarnya yang terjadi di balik layar sistem ini? Setiap gedung pintar dipenuhi sensor yang memantau suhu, kelembapan, aliran udara, penggunaan listrik, serta kehadiran manusia di ruangan. Semua data itu mengalir setiap detik dalam jumlah yang sangat besar. Data inilah yang diolah oleh sistem sehingga ia bisa belajar dan menyimpulkan pola. Misalnya, kapan sebuah ruangan paling banyak dipakai, kapan orang cenderung merasa terlalu dingin, atau kapan mesin pendingin bekerja lebih berat daripada biasanya.

Untuk memahami pola tersebut, para peneliti menggunakan teknik graph embedding. Teknik ini memetakan hubungan antara berbagai jenis data ke dalam bentuk struktur seperti jaringan. Sensor, ruangan, perangkat HVAC, hingga pengguna dianggap sebagai titik dalam sebuah grafik. Setiap hubungan antara titik dianalisis secara matematis. Dari sinilah sistem bisa memahami bahwa satu kejadian di satu titik akan memengaruhi titik lain. Contoh sederhananya, bertambahnya jumlah orang di suatu ruangan akan menaikkan suhu dan membuat pendingin bekerja lebih keras.

Namun sistem belum berhenti sampai di situ. Para peneliti juga memakai metode ensemble learning. Ini adalah cara menggabungkan banyak model pembelajaran mesin sekaligus. Ibaratnya seperti meminta pendapat dari banyak pakar lalu menyimpulkan jawaban terbaik. Model yang digunakan termasuk Decision Trees, Random Forests, Gradient Boosting Machines, hingga Neural Networks. Masing masing model memiliki kelebihan dan kelemahan. Ketika digabungkan, hasil prediksinya menjadi jauh lebih akurat.

Sebelum diterapkan pada dunia nyata, sistem ini dilatih menggunakan data sintetik multivariat. Data tersebut meniru kondisi yang mungkin terjadi pada bangunan asli. Selain itu, peneliti juga membersihkan data, melakukan analisis korelasi statistik, lalu menerapkan teknik embedding seperti GraphSAGE, Graph Attention Networks, dan Node2Vec. Semua proses ini bertujuan agar sistem benar benar siap menghadapi data nyata yang sifatnya kompleks dan tidak bisa diprediksi dengan cara sederhana.

Hasilnya sangat menarik. Sistem rekomendasi ini mampu menurunkan konsumsi energi pendingin hingga lebih dari lima puluh persen. Selain itu, tingkat kepuasan penghuni juga meningkat sekitar lima belas persen. Dengan kata lain, gedung menjadi lebih nyaman tetapi biaya energi turun drastis. Ini berarti pengelola gedung dapat menghemat biaya operasional sekaligus membantu mengurangi beban terhadap lingkungan.

Grafik Tingkat kepuasan penghuni (Lai, dkk. 2025).

Keberhasilan ini menunjukkan bahwa mengelola gedung pintar tidak lagi cukup hanya dengan sensor dan pengaturan otomatis biasa. Kita memasuki era di mana data dan kecerdasan buatan memegang kendali penting. Sistem yang dikembangkan peneliti juga bersifat skalabel. Artinya, sistem bisa diterapkan pada banyak gedung dengan ukuran dan fungsi berbeda tanpa perlu dibangun ulang dari awal. Penggunaannya juga ramah interaksi. Penghuni tetap bisa memberi masukan agar sistem menyesuaikan diri dengan preferensi mereka.

Pada saat yang sama, penelitian ini membuka arah baru untuk pengembangan teknologi gedung pintar. Para ilmuwan menekankan pentingnya integrasi desain sistem, strategi berbasis data, serta analisis lanjutan dalam manajemen bangunan. Jika hal ini diterapkan secara luas, maka kota masa depan dapat memiliki gedung yang lebih hemat energi, lebih nyaman, dan lebih cerdas dalam mengambil keputusan operasional.

Namun tentu saja selalu ada tantangan. Data yang diolah sangat besar dan sensitif. Oleh sebab itu, sistem memerlukan perlindungan keamanan yang kuat. Selain itu, keberhasilan sistem sangat bergantung pada kualitas sensor dan jaringan. Jika perangkat fisik tidak bekerja baik, maka hasil analisis pun akan menurun. Oleh karena itu, pengembangan teknologi perlu berjalan seiring dengan peningkatan infrastruktur.

Di sisi lain, penelitian ini memberikan gambaran bahwa keseimbangan antara teknologi dan kebutuhan manusia tetap menjadi kunci. Sistem rekomendasi ini tidak menggantikan manusia. Sebaliknya, teknologi bekerja sebagai alat bantu yang membantu pengambil keputusan di lapangan. Teknologi memberikan gambaran yang lebih jelas tentang kondisi gedung secara menyeluruh, sedangkan manusia tetap memegang peran sebagai pengawas utama.

Sistem HVAC cerdas berbasis kecerdasan buatan ini menunjukkan bahwa inovasi di bidang energi tidak selalu harus berasal dari pembangkit listrik atau teknologi baru di sektor produksi energi. Optimalisasi konsumsi energi di tingkat bangunan mampu memberi dampak yang sangat besar. Jika banyak komunitas dan kota mengadopsi teknologi seperti ini, maka dunia dapat menghemat energi dalam skala global sekaligus menekan emisi karbon.

Perjalanan menuju kota pintar bukan sekadar memasang sensor atau aplikasi digital. Kota pintar lahir dari sinergi antara ilmu komputer, rekayasa bangunan, ilmu lingkungan, dan pemahaman mendalam tentang perilaku manusia. Penelitian ini menjadi salah satu contoh bahwa ketika semua disiplin ilmu bekerja bersama, masa depan yang lebih hijau dan lebih nyaman bukan lagi sekadar mimpi.

Baca juga artikel tentang: Focus Group Discussion Lintas Sektor Bahas Teknologi Prefabrikasi untuk Percepatan Hunian Layak dan Hijau di Indonesia

REFERENSI:

Lai, Shouliang dkk. 2025. Advanced graph embedding for intelligent heating, ventilation, and air conditioning optimization: An ensemble learning-based recommender system. Case Studies in Thermal Engineering 68, 105888.