Mengatur suhu udara di dalam ruangan menjadi tantangan penting di gedung modern. Kita semua ingin berada di ruangan yang terasa nyaman, tidak terlalu panas dan tidak terlalu dingin. Pada saat yang sama, pemilik gedung ingin menghemat energi agar tagihan listrik tidak melonjak dan emisi karbon bisa ditekan. Di sinilah teknologi kecerdasan buatan atau machine learning mulai memainkan peran yang sangat besar.

Sebuah penelitian terbaru yang terbit pada tahun 2025 di jurnal Scientific Reports menjelaskan cara baru untuk memprediksi suhu udara di dalam gedung dengan lebih akurat. Fokusnya bukan sekadar membaca suhu saat ini, tetapi memperkirakan suhu di masa mendatang agar sistem pendingin atau pemanas bisa bekerja lebih efisien. Bayangkan AC yang tidak hanya bereaksi setelah ruangan terasa panas, tetapi sudah tahu lebih dulu kapan suhu akan naik dan langsung menyesuaikan kerja mesin. Hasilnya bisa lebih nyaman untuk penghuni dan lebih hemat energi.

Baca juga artikel tentang: Teori Kompleksitas dan Adaptive Building Systems dalam Arsitektur Hijau

Teknik yang digunakan dalam penelitian ini berasal dari dunia machine learning. Salah satu metode utamanya disebut Long Short Term Memory atau LSTM. Nama ini memang terdengar rumit, tetapi konsepnya cukup mudah dipahami. Model ini dirancang untuk belajar dari data yang berbentuk urutan waktu. Misalnya, perubahan suhu selama menit jam atau hari tertentu. LSTM mampu mengenali pola dari data masa lalu lalu menggunakan pola tersebut untuk memprediksi keadaan di masa depan.

Penelitian ini tidak berhenti hanya pada penggunaan LSTM biasa. Para peneliti menggabungkannya dengan pendekatan evaluasi yang disebut rolling window cross validation. Artinya, model tidak hanya dilatih sekali dengan satu kumpulan data, tetapi terus diuji dan diperbarui dengan data baru yang masuk dari waktu ke waktu. Cara ini membuat model menjadi lebih adaptif terhadap perubahan kondisi nyata di dalam gedung. Suhu ruangan bisa dipengaruhi banyak hal seperti jumlah orang yang hadir, peralatan yang digunakan, serta kondisi cuaca di luar. Dengan pendekatan ini, model tidak ketinggalan mengikuti perubahan tersebut.

Visualisasi diagram alir untuk model LSTM (Shakhovska, dkk. 2025).

Salah satu masalah besar dalam machine learning adalah risiko overfitting. Ini ibarat seseorang yang terlalu hafal contoh soal tertentu sehingga bingung ketika menghadapi soal baru. Para peneliti meminimalkan risiko tersebut melalui teknik dropout dan evaluasi yang ketat. Hasilnya, model tidak hanya pintar di data pelatihan tetapi juga tetap baik kinerjanya ketika diuji dengan data baru. Nilai kerugian atau error pada data uji hanya sedikit lebih tinggi dibanding data pelatihan. Ini menunjukkan model cukup handal.

Untuk mengevaluasi kinerja model, penelitian ini menggunakan beberapa ukuran seperti mean square error dan koefisien determinasi atau R kuadrat. Istilah ini mungkin terdengar teknis, tetapi intinya adalah mengukur seberapa jauh hasil prediksi mendekati kenyataan. Nilai error yang ditemukan berkisar antara nol koma nol nol nol empat tujuh nol sembilan hingga nol koma nol dua delapan satu delapan sembilan enam satu tergantung pada kondisi operasi gedung. Angka yang relatif kecil ini menunjukkan prediksi suhu yang cukup akurat.

Penurunan nilai loss selama proses pelatihan model kecerdasan buatan untuk memprediksi suhu udara dalam ruangan pada berbagai jenis bangunan dan musim, yang berarti akurasi model meningkat seiring bertambahnya epoch (Shakhovska, dkk. 2025).

Peneliti juga membandingkan LSTM dengan beberapa metode lain seperti Adaboost, Gradient Boosting, dan regresi linier. Hasilnya menarik. Metode boosting seperti Adaboost dan Gradient Boosting ternyata lebih unggul dibanding regresi linier dalam hal akurasi. Ini menandakan bahwa hubungan antara faktor yang memengaruhi suhu dan suhu itu sendiri tidak bersifat lurus sederhana, tetapi kompleks dan dinamis. Metode yang lebih cerdas memang diperlukan untuk memahami pola ini.

Mengapa prediksi suhu yang akurat menjadi sangat penting bagi smart building dan smart infrastructure? Jawabannya terkait langsung dengan energi. Sistem pendingin dan pemanas menghabiskan porsi energi yang sangat besar dalam sebuah gedung. Jika sistem tersebut bekerja tanpa perencanaan, energi bisa terbuang sia sia. Misalnya, AC tetap menyala dengan daya tinggi padahal suhu sudah cukup dingin atau cuaca tiba tiba berubah menjadi sejuk. Dengan prediksi yang baik, sistem bisa menurunkan kerja mesin lebih awal atau menyesuaikan secara halus sehingga konsumsi energi menjadi lebih rendah.

Selain itu, kenyamanan penghuni juga meningkat. Banyak orang pernah merasakan ruangan yang awalnya dingin, lalu tiba tiba terlalu panas karena sistem pendingin terlambat menyala. Dengan prediksi suhu yang cerdas, kondisi ini dapat dihindari. Ruangan tetap berada dalam rentang suhu yang nyaman secara konsisten.

Penelitian ini juga memperkenalkan metode analisis error kumulatif yang baru. Metode ini membantu memantau seberapa besar penyimpangan prediksi model dari waktu ke waktu. Jika mulai terlihat penyimpangan yang meningkat, model bisa disesuaikan kembali agar tetap akurat. Artinya, sistem ini tidak kaku, tetapi terus belajar dari data baru yang masuk setiap hari. Ini sangat penting untuk lingkungan gedung yang selalu berubah dinamikanya.

Temuan ini membuka peluang penelitian lanjutan. Misalnya, penggunaan dataset yang lebih besar dan variatif dari berbagai jenis gedung. Sekolah, rumah sakit, perkantoran, dan pusat perbelanjaan tentu memiliki pola penggunaan yang berbeda. Dengan data yang lebih lengkap, model bisa menjadi semakin kuat. Peneliti juga menyarankan optimasi lebih lanjut pada algoritma agar prediksi makin cepat dan efisien.

Dari sisi penerapan nyata, teknologi seperti ini sangat cocok dipadukan dengan sistem manajemen gedung pintar. Sensor suhu di berbagai titik ruangan mengirimkan data ke sistem pusat. Sistem machine learning memproses data tersebut dan memprediksi suhu di masa depan. Lalu sistem pendingin atau pemanas secara otomatis menyesuaikan kerjanya. Semua berlangsung tanpa campur tangan manusia, tetapi tetap berada dalam kendali operator jika dibutuhkan.

Bagi masyarakat awam, mungkin terasa bahwa ini adalah teknologi masa depan. Namun kenyataannya, langkah menuju gedung yang benar benar pintar sudah terjadi sekarang. Prediksi suhu berbasis machine learning hanyalah salah satu bagiannya. Jika diterapkan secara luas, manfaatnya bisa besar. Biaya energi turun, emisi gas rumah kaca berkurang, dan kualitas hidup penghuni meningkat.

Penelitian ini menunjukkan bahwa data dan kecerdasan buatan dapat membantu kita mengelola bangunan dengan cara yang jauh lebih cerdas dibanding sebelumnya. Gedung tidak lagi hanya sekadar struktur fisik, tetapi berubah menjadi sistem hidup yang mampu belajar, beradaptasi, dan mengambil keputusan. Masa depan smart infrastructure tampak semakin dekat, dan kita semua akan menjadi penggunanya.

Baca juga artikel tentang: Analisis dan Evaluasi Penggunaan Energi Bangunan Berbasis Data: Pelajaran Penting dari Inggris dan Strategi Penerapannya di Indonesia

REFERENSI:

Shakhovska, Nataliya dkk. 2025. Innovative machine learning approaches for indoor air temperature forecasting in smart infrastructure. Scientific Reports 15 (1), 47.