Banyak gedung modern sekarang sudah masuk kategori “gedung pintar”. Artinya, sistem di dalamnya tidak hanya menyalakan lampu atau AC, tetapi juga mengumpulkan data, menganalisis kebutuhan energi, dan menyesuaikan penggunaan listrik secara otomatis. Namun, penggunaan teknologi canggih ini membawa tantangan baru. Pengelola gedung ingin sistem yang hemat energi dan cepat mengambil keputusan, tetapi penghuni dan pemilik gedung juga ingin privasi data tetap aman serta keputusan kecerdasan buatan atau AI dapat dipahami. Sebuah penelitian yang terbit pada tahun 2025 di jurnal Energy Reports membahas cara menjawab semua tantangan ini dengan pendekatan baru berbasis Federated Learning dan Explainable Artificial Intelligence atau XAI.

Sistem manajemen energi di gedung pintar biasanya bekerja dengan mengumpulkan data dari berbagai sumber, seperti panel surya, baterai penyimpanan, jaringan listrik utama, serta peralatan di dalam gedung. Data ini membantu sistem memutuskan kapan harus menggunakan listrik dari jaringan, kapan lebih baik memakai energi matahari, atau kapan harus menyimpan energi untuk nanti. Keputusan seperti ini perlu berjalan secara real time dan sangat akurat, terutama bila gedung memiliki sumber energi terdistribusi atau Distributed Energy Resources.

Baca juga artikel tentang: Paradigma Thermodynamic Dalam Desain Bangunan Hijau: Kajian Eksploratif

Selama ini, banyak sistem manajemen energi menjalankan semua proses ini secara terpusat. Semua data dikirim ke satu server, lalu AI menganalisis dan membuat keputusan. Pendekatan ini memang praktis, tetapi juga menimbulkan pertanyaan mengenai keamanan dan privasi. Data konsumsi energi ternyata dapat memberikan gambaran mengenai aktivitas manusia di dalam gedung. Misalnya, kapan penghuni datang, kapan ruangan padat, atau kapan peralatan tertentu digunakan. Jika data ini jatuh ke tangan yang salah, privasi penghuni dapat terganggu. Selain itu, sistem terpusat memiliki risiko keamanan siber yang lebih besar karena menjadi target tunggal serangan.

Masalah berikutnya muncul dari sifat AI itu sendiri. AI sering bekerja seperti “kotak hitam”. Sistem memberikan keputusan, tetapi pengguna tidak selalu tahu mengapa keputusan itu keluar. Kurangnya penjelasan ini dapat menurunkan rasa percaya, terutama ketika keputusan AI menyangkut hal penting seperti distribusi energi. Pengguna ingin tahu dasar pertimbangan sistem, bukan hanya menerima hasil akhir.

Model manajemen energi berbasis Federated Learning (FL) di cloud, di mana tiap rumah melatih model lokal dari data IoT, mengirimkannya untuk digabungkan menjadi model global yang kemudian dijelaskan dengan XAI sebelum digunakan untuk prediksi dan pengambilan keputusan energi (Khan, dkk. 2025).

Penelitian ini menawarkan solusi dengan memadukan dua konsep penting. Yang pertama adalah Federated Learning. Ini adalah metode pelatihan AI yang tidak lagi mengumpulkan semua data ke satu tempat. Sebaliknya, setiap perangkat atau sistem lokal melatih model AI di tempatnya masing masing menggunakan data yang hanya berada di lingkungan itu. Setelah selesai, hanya parameter model yang dikirim ke server pusat, bukan datanya. Server pusat kemudian menggabungkan parameter dari banyak lokasi untuk membentuk model global yang lebih pintar. Dengan cara ini, data sensitif tetap berada di sumbernya dan tidak berpindah pindah.

Konsep kedua adalah Explainable Artificial Intelligence atau XAI. Teknologi ini membuat keputusan AI menjadi transparan dan mudah dijelaskan. Pengguna dapat melihat alasan mengapa sistem memilih suatu tindakan, misalnya mengapa sistem memutuskan menggunakan energi dari baterai pada jam tertentu atau mengurangi beban listrik di satu area tertentu. Transparansi seperti ini membantu membangun kepercayaan antara manusia dan teknologi.

Gabungan Federated Learning dan XAI menciptakan kerangka kerja manajemen energi yang aman, transparan, dan tetap cerdas. Federated Learning menjaga privasi dan keamanan data, sementara XAI memastikan keputusan AI tidak menjadi misteri. Penelitian ini merancang model yang mampu memproses data energi secara terdistribusi, mengambil keputusan cepat, serta menjelaskan prosesnya secara jelas.

Bayangkan sebuah gedung besar dengan berbagai sumber energi. Panel surya di atap menghasilkan listrik di siang hari. Baterai menyimpan sebagian energi ini. Gedung juga tetap terhubung ke jaringan listrik kota sebagai cadangan. Sistem AI perlu memutuskan kapan harus menggunakan panel surya, kapan menyimpan energi di baterai, dan kapan mengambil energi dari jaringan. Semua itu terjadi sambil tetap mempertimbangkan harga listrik, kebutuhan pengguna, dan kondisi alat. Dengan dukungan Federated Learning, data dari setiap bagian sistem tetap berada di tempatnya, tetapi model AI tetap belajar dari keseluruhan pola penggunaan energi. Dengan dukungan XAI, pengelola gedung dapat melihat penjelasan yang mudah dipahami mengenai keputusan yang diambil.

Penelitian ini juga menekankan bahwa pendekatan ini lebih unggul dibandingkan model sebelumnya ketika diuji secara simulasi. Sistem yang diusulkan mampu meningkatkan transparansi, mempercepat pengambilan keputusan, meningkatkan efisiensi energi, serta memperkuat perlindungan privasi. Transparansi tidak hanya menjadi fitur tambahan, tetapi menjadi fondasi penting agar pengguna yakin bahwa teknologi bekerja dengan etis dan bertanggung jawab.

Manfaat pendekatan ini terasa semakin penting ketika kota kota mulai beralih ke sistem energi yang lebih cerdas dan terdesentralisasi. Energi tidak lagi hanya mengalir dari pembangkit besar ke konsumen. Sekarang, banyak gedung yang juga memproduksi energi sendiri melalui panel surya. Aliran energi menjadi dua arah dan jauh lebih dinamis. Sistem cerdas seperti yang dijelaskan dalam penelitian ini membantu memastikan semua itu berlangsung dengan aman, efisien, dan dapat dipertanggungjawabkan.

Distribusi residual (selisih prediksi dengan nilai aktual) untuk data training dan testing pada model LightGBM, yang sebagian besar terpusat di sekitar nol sehingga menunjukkan akurasi prediksi yang cukup baik (Khan, dkk. 2025).

Selain itu, kejelasan keputusan AI melalui XAI juga memiliki nilai edukatif. Pengelola gedung dapat belajar memahami pola konsumsi energi yang sebelumnya tersembunyi. Mereka tidak hanya mengikuti rekomendasi sistem, tetapi juga memahami mengapa langkah itu terbaik. Pada akhirnya, manusia tetap memegang kendali, sementara AI berperan sebagai asisten yang cerdas.

Tentu saja, masih ada tantangan dalam penerapan nyata, seperti kebutuhan infrastruktur digital yang andal dan standar keamanan yang kuat. Namun penelitian ini memberikan arah yang jelas bahwa masa depan gedung pintar tidak hanya mengandalkan kecerdasan teknis, tetapi juga menjunjung tinggi privasi dan kepercayaan pengguna.

Dengan memadukan Federated Learning dan Explainable AI, para peneliti menunjukkan bahwa teknologi cerdas dapat berjalan seiring dengan etika, keamanan, dan transparansi. Gedung pintar masa depan bukan hanya hemat energi, tetapi juga melindungi data penghuninya serta menjelaskan setiap keputusan secara terbuka. Ini adalah langkah penting menuju ekosistem energi yang lebih manusiawi, berkelanjutan, dan dapat dipercaya.

Baca juga artikel tentang: Lebih Sehat dengan Bangunan Hijau: Mengapa Desain Ramah Lingkungan Dapat Meningkatkan Kualitas Hidup

REFERENSI:

Khan, Muhammad Adnan dkk. 2025. Smart buildings: Federated learning-driven secure, transparent and smart energy management system using XAI. Energy Reports 13, 2066-2081.