Pengelola gedung modern memanfaatkan data untuk menjaga efisiensi operasional setiap hari. Ribuan sensor yang tersebar di berbagai sudut bangunan terus mengumpulkan informasi mengenai penggunaan listrik, suhu ruangan, kinerja pendingin udara, pencahayaan, dan berbagai parameter lainnya. Data tersebut menjadi dasar bagi sistem otomatis untuk mengambil keputusan yang membantu menghemat energi sekaligus menjaga kenyamanan penghuni.

Banyak orang menganggap bahwa selama sensor bekerja dan data terus mengalir, sistem akan selalu menghasilkan keputusan yang tepat. Kenyataannya tidak sesederhana itu. Data yang dikumpulkan oleh sensor dapat mengalami gangguan, kesalahan pengukuran, atau penyimpangan akibat kondisi yang tidak normal. Ketika sistem gagal mengenali kejanggalan tersebut, prediksi kebutuhan energi dapat meleset dan menyebabkan pemborosan energi maupun gangguan operasional.

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

Masalah ini menjadi perhatian utama dalam penelitian terbaru yang diterbitkan pada tahun 2026 di jurnal Sustainable Energy, Grids and Networks. Penelitian yang dilakukan oleh Cyrine Berrima dan rekan rekannya mengembangkan metode kecerdasan buatan yang mampu mendeteksi kejanggalan pada data konsumsi energi sebelum data tersebut digunakan untuk melakukan prediksi. Pendekatan ini membantu sistem smart building menghasilkan perkiraan yang lebih akurat sekaligus meningkatkan keandalan pengelolaan energi.

Untuk memahami pentingnya penelitian ini, bayangkan sebuah gedung perkantoran yang beroperasi selama dua puluh empat jam sehari. Sistem manajemen bangunan terus memantau konsumsi listrik dari berbagai peralatan seperti pendingin udara, lampu, komputer, elevator, dan sistem ventilasi. Berdasarkan data yang terkumpul, komputer memperkirakan kebutuhan energi pada jam berikutnya, hari berikutnya, atau bahkan minggu berikutnya.

Prediksi tersebut sangat penting karena memengaruhi banyak keputusan operasional. Sistem dapat menentukan kapan pendingin udara perlu bekerja lebih intensif, kapan konsumsi energi harus ditekan, dan kapan sumber energi cadangan perlu digunakan. Jika prediksi akurat, bangunan dapat beroperasi dengan lebih efisien dan biaya energi dapat ditekan secara signifikan.

Namun proses ini sangat bergantung pada kualitas data yang digunakan. Sebuah sensor yang rusak dapat mengirimkan angka konsumsi listrik yang jauh lebih tinggi atau lebih rendah dibandingkan kondisi sebenarnya. Gangguan jaringan komunikasi dapat menghasilkan data yang tidak lengkap. Kerusakan peralatan tertentu juga dapat menciptakan pola konsumsi energi yang tidak biasa. Semua kondisi tersebut menghasilkan apa yang disebut sebagai anomali atau kejanggalan data.

Anomali merupakan data yang menyimpang dari pola normal. Dalam kehidupan sehari hari, konsep ini sebenarnya cukup mudah dipahami. Misalnya, jika seseorang biasanya menghabiskan listrik rumah sekitar 15 kilowatt jam per hari lalu tiba tiba muncul catatan konsumsi 150 kilowatt jam tanpa alasan yang jelas, maka data tersebut layak dicurigai sebagai anomali. Penyebabnya bisa bermacam macam, mulai dari kesalahan alat ukur hingga masalah teknis yang lebih serius.

Dalam smart building, anomali sering kali sulit dikenali karena jumlah data yang dihasilkan sangat besar. Ribuan sensor dapat menghasilkan jutaan titik data dalam waktu singkat. Tidak mungkin manusia memeriksa seluruh data tersebut secara manual. Karena itu, para peneliti mulai memanfaatkan kecerdasan buatan untuk membantu mendeteksi pola yang tidak biasa secara otomatis.

Penelitian ini menggunakan teknologi yang dikenal sebagai WaveNet. Awalnya, WaveNet dikembangkan untuk mengolah sinyal suara dan menghasilkan suara yang terdengar alami. Namun para ilmuwan kemudian menemukan bahwa teknologi tersebut juga sangat efektif untuk menganalisis data yang berubah dari waktu ke waktu, termasuk data konsumsi energi bangunan.

Keunggulan utama WaveNet terletak pada kemampuannya memahami hubungan antara data saat ini dan data yang muncul jauh sebelumnya. Sistem tidak hanya melihat kondisi pada satu waktu tertentu, tetapi juga mempelajari pola jangka panjang yang membentuk perilaku konsumsi energi. Kemampuan ini sangat penting karena penggunaan listrik dalam gedung biasanya mengikuti pola harian, mingguan, dan musiman yang cukup kompleks.

Tim peneliti kemudian mengembangkan versi yang lebih canggih yang mereka sebut sebagai Refined WaveNet. Model ini dirancang khusus untuk mengenali pola konsumsi energi normal dan mengidentifikasi penyimpangan yang dapat mengganggu proses prediksi. Berbeda dengan banyak sistem lain yang membutuhkan data berlabel untuk pelatihan, Refined WaveNet bekerja menggunakan pendekatan yang lebih fleksibel. Sistem mempelajari pola normal dari data yang tersedia dan kemudian mendeteksi pola yang berbeda secara otomatis.

Pendekatan ini memberikan keuntungan besar dalam penerapan dunia nyata. Memberikan label pada jutaan data secara manual membutuhkan waktu, biaya, dan tenaga yang sangat besar. Dengan metode yang tidak memerlukan pelabelan tersebut, sistem dapat diterapkan lebih cepat dan lebih praktis pada berbagai jenis bangunan.

Grafik ini membandingkan kinerja berbagai model AI menggunakan metrik precision, recall, F1-score, ROC AUC, dan PR AUC untuk mengevaluasi akurasi serta keandalan model dalam mendeteksi dan memprediksi anomali atau kerusakan (Berrima, dkk. 2026).

Hasil penelitian menunjukkan performa yang sangat menjanjikan. Refined WaveNet mampu mendeteksi anomali dengan tingkat akurasi yang jauh lebih tinggi dibandingkan model WaveNet sebelumnya. Kemampuan ini menunjukkan bahwa sistem dapat mengenali berbagai bentuk penyimpangan data dengan sangat baik, bahkan ketika anomali tersebut muncul dalam jumlah yang relatif kecil.

Para peneliti juga menemukan fakta menarik mengenai hubungan antara anomali dan akurasi prediksi energi. Mereka menunjukkan bahwa sejumlah kecil data yang menyimpang dapat menyebabkan kesalahan prediksi meningkat secara drastis. Dengan kata lain, satu kesalahan kecil dalam data dapat memengaruhi keseluruhan proses pengambilan keputusan.

Sebaliknya, ketika sistem terlebih dahulu mendeteksi dan menangani anomali sebelum melakukan prediksi, kualitas peramalan meningkat secara signifikan. Prediksi yang dihasilkan menjadi jauh lebih mendekati kondisi sebenarnya. Temuan ini memperlihatkan bahwa proses deteksi anomali bukan sekadar fitur tambahan, melainkan bagian penting dari sistem manajemen energi yang cerdas.

Manfaat teknologi ini tidak hanya terbatas pada peningkatan akurasi prediksi. Kemampuan mendeteksi kejanggalan juga dapat membantu pengelola mengidentifikasi masalah teknis sejak dini. Sebuah unit pendingin udara yang mulai mengalami kerusakan sering kali menunjukkan pola konsumsi energi yang berbeda dari biasanya. Jika sistem dapat mengenali perubahan tersebut lebih awal, tim pemeliharaan dapat segera melakukan pemeriksaan sebelum kerusakan berkembang menjadi masalah yang lebih besar.

Pendekatan semacam ini dikenal sebagai pemeliharaan prediktif. Alih alih menunggu perangkat rusak terlebih dahulu, sistem memanfaatkan data untuk memperkirakan potensi masalah dan melakukan tindakan pencegahan. Strategi ini membantu mengurangi biaya perbaikan sekaligus meningkatkan keandalan operasional bangunan.

Perkembangan teknologi Internet of Things dan kecerdasan buatan membuat jumlah data yang dihasilkan bangunan terus meningkat dari tahun ke tahun. Smart building masa depan akan semakin bergantung pada kemampuan mengolah data dalam jumlah besar secara cepat dan akurat. Dalam lingkungan seperti itu, kualitas data menjadi sama pentingnya dengan kualitas algoritma yang digunakan.

Penelitian mengenai Refined WaveNet memberikan pelajaran penting bahwa kecerdasan sebuah bangunan tidak hanya ditentukan oleh kemampuannya memprediksi masa depan. Kecerdasan juga bergantung pada kemampuan mengenali ketika sesuatu berjalan tidak sebagaimana mestinya. Sebelum sistem dapat mengambil keputusan yang tepat, sistem harus terlebih dahulu memastikan bahwa informasi yang diterimanya dapat dipercaya.

Gedung pintar yang benar benar cerdas bukan hanya gedung yang mampu menghemat energi. Gedung tersebut juga harus mampu mendeteksi masalah sejak dini, memahami kualitas data yang dimilikinya, dan mengambil tindakan sebelum gangguan berkembang menjadi persoalan yang lebih besar. Kemampuan inilah yang akan menjadi fondasi penting bagi bangunan yang lebih efisien, lebih andal, dan lebih berkelanjutan pada masa depan.

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

REFERENSI:

Berrima, Cyrine dkk. 2026. Bridging detection and forecasting: Refined WaveNet for robust smart building energy monitoring. Sustainable Energy, Grids and Networks, 102142.