Menghemat energi di gedung perkantoran tidak lagi menjadi pilihan, melainkan kebutuhan. Gedung yang boros listrik tidak hanya membebani biaya operasional, tetapi juga memberi dampak besar terhadap emisi karbon dan perubahan iklim. Di negara beriklim tropis lembap seperti Bangladesh, tantangan ini terasa semakin nyata. Pendingin ruangan bekerja hampir sepanjang hari karena suhu tinggi dan kelembapan yang tebal. Akibatnya, konsumsi energi meningkat drastis.

Para peneliti kini mencoba menjawab tantangan ini dengan cara yang lebih cerdas. Mereka memanfaatkan teknologi kecerdasan buatan atau machine learning untuk memprediksi kebutuhan energi gedung sejak tahap perencanaan. Pendekatan ini menawarkan peluang besar. Jika kebutuhan listrik bisa diprediksi secara akurat sejak awal, maka desain gedung dapat diatur agar lebih hemat energi tanpa mengurangi kenyamanan penghuninya.

Baca juga artikel tentang: Menghubungkan Kesehatan dan Lingkungan: Dampak Positif Bangunan Hijau terhadap Kesehatan Penghuni

Sebuah penelitian terbaru menguji tiga model machine learning untuk memperkirakan konsumsi energi tahunan dan kebutuhan beban listrik pada gedung perkantoran. Model yang diuji adalah Artificial Neural Network atau ANN, Random Forest, dan Extreme Gradient Boosting atau XGBoost. Ketiganya merupakan metode populer dalam dunia kecerdasan buatan yang biasa digunakan untuk memproses data dalam jumlah besar dan menemukan pola yang tidak mudah dilihat oleh manusia.

Penelitian ini tidak hanya menggunakan data acak. Para peneliti membangun simulasi digital gedung perkantoran menggunakan perangkat lunak pemodelan bangunan. Setelah itu, mereka menciptakan 438 set data dari berbagai kondisi desain dan lingkungan. Data tersebut mencakup ukuran jendela, jenis material dinding, perbandingan luas jendela dengan dinding, hingga kondisi cuaca seperti suhu udara, tekanan, kelembapan, dan sinar matahari.

Grafik ini tingkat kepentingan berbagai variabel input, seperti kelembaban relatif, suhu, tekanan, jenis dinding/jendela/atap, dan WWR terhadap prediksi kebutuhan listrik tahunan, dengan nilai positif menandakan pengaruh yang lebih besar (Ashraf, dkk. 2025).

Setiap kombinasi desain menghasilkan data konsumsi energi yang berbeda. Dengan cara ini, model machine learning bisa belajar memahami bagaimana perubahan kecil pada desain gedung dapat mempengaruhi kebutuhan listrik. Hasilnya ternyata sangat menarik.

Model Artificial Neural Network terbukti menjadi yang paling akurat dalam memprediksi konsumsi listrik tahunan. Nilai akurasinya mendekati sempurna, yang berarti prediksi model ini hampir sama dengan hasil nyata. Model ini juga sangat baik dalam memperkirakan kebutuhan beban puncak, yaitu jumlah energi yang dibutuhkan ketika penggunaan listrik berada di titik tertinggi. Informasi ini sangat penting karena beban puncak menjadi dasar perencanaan kapasitas jaringan listrik dan sistem pendingin.

Namun penelitian ini tidak berhenti pada angka akurasi. Para peneliti juga ingin tahu faktor apa saja yang paling besar pengaruhnya pada konsumsi energi. Untuk itu, mereka menggunakan metode analisis yang mampu menjelaskan peran setiap variabel dalam model kecerdasan buatan.

Hasil analisis menunjukkan bahwa kelembapan udara, suhu kering, dan tekanan atmosfer menjadi faktor yang paling dominan memengaruhi konsumsi listrik gedung perkantoran di wilayah tropis lembap. Temuan ini masuk akal. Kelembapan tinggi membuat udara terasa lebih panas dari suhu sebenarnya. Pendingin ruangan harus bekerja lebih keras, bukan hanya menurunkan suhu, tetapi juga mengurangi kadar air di udara. Di sisi lain, suhu udara yang panas meningkatkan kebutuhan pendinginan, sementara tekanan udara berpengaruh pada aliran panas dan pertukaran udara.

Selain faktor iklim, desain bangunan juga tetap memegang peran penting. Ukuran jendela, bahan dinding, dan proporsi bukaan terhadap dinding menentukan seberapa banyak panas matahari masuk ke dalam ruangan. Jika terlalu banyak panas masuk, pendingin ruangan akan lebih sering menyala. Namun jika terlalu sedikit bukaan, ruangan menjadi gelap dan penggunaan lampu meningkat. Keseimbangan inilah yang ingin dicapai melalui prediksi energi yang lebih akurat.

Teknologi machine learning menawarkan solusi yang jauh lebih cepat dan efisien dibanding metode simulasi energi tradisional. Biasanya, simulasi energi membutuhkan waktu lama dan sering kali tidak fleksibel ketika desain gedung berubah. Model kecerdasan buatan justru belajar dari data dan mampu menyesuaikan diri terhadap berbagai skenario dengan lebih cepat.

Manfaatnya sangat luas. Arsitek dan insinyur bisa menggunakan prediksi ini sejak tahap desain awal. Perubahan desain dapat diuji secara virtual untuk mengetahui dampaknya terhadap penggunaan listrik. Pengembang properti bisa merancang gedung yang lebih hemat energi, mengurangi biaya operasional, dan meningkatkan nilai jual bangunan. Pemerintah juga dapat memanfaatkan teknologi ini untuk menyusun kebijakan efisiensi energi yang berbasis data.

Penelitian ini juga memberikan gambaran penting tentang masa depan gedung pintar. Dengan semakin berkembangnya sensor Internet of Things, gedung dapat mengumpulkan data energi secara real time. Machine learning kemudian dapat menganalisis data tersebut untuk mengoptimalkan penggunaan listrik secara otomatis. Sistem pendingin, pencahayaan, dan ventilasi dapat disesuaikan sesuai kebutuhan penghuni dan kondisi lingkungan tanpa campur tangan manusia.

Namun, tantangan tetap ada. Model kecerdasan buatan membutuhkan data yang berkualitas tinggi dan beragam agar bisa belajar dengan baik. Setiap wilayah memiliki karakteristik iklim dan kebiasaan penggunaan energi yang berbeda. Itu berarti model yang akurat di satu wilayah mungkin perlu disesuaikan sebelum digunakan di wilayah lain. Selain itu, penerapan teknologi ini memerlukan kolaborasi erat antara pakar energi, ilmuwan data, arsitek, dan pembuat kebijakan.

Di tengah krisis iklim global, setiap langkah kecil untuk mengurangi konsumsi energi memiliki makna besar. Gedung perkantoran merupakan penyumbang energi yang cukup signifikan di banyak negara. Jika teknologi machine learning dapat membantu memangkas konsumsi listrik meski hanya beberapa persen, dampak kumulatifnya bagi lingkungan akan sangat besar.

Penelitian ini memberikan harapan bahwa masa depan desain gedung akan semakin cerdas, efisien, dan ramah lingkungan. Teknologi kecerdasan buatan bukan lagi sekadar konsep futuristik, tetapi mulai menjadi alat nyata yang membantu kita merancang kota yang lebih berkelanjutan. Pada akhirnya, tujuan besarnya bukan hanya menghemat listrik, tetapi juga menciptakan lingkungan hidup yang lebih baik untuk generasi yang akan datang.

Baca juga artikel tentang: Gedung Yang Bisa Berpikir: Standar Baru Mengukur Smart Building

REFERENSI:

Ashraf, Jawad dkk. 2025. Multiple machine learning models for predicting annual energy consumption and demand of office buildings in subtropical monsoon climate. Asian Journal of Civil Engineering 26 (1), 293-309.