Kota masa depan tidak hanya bicara soal gedung tinggi dan lampu terang di malam hari. Kota masa depan berbicara tentang bagaimana semua itu bisa berjalan dengan lebih hemat energi, lebih cerdas, dan tetap nyaman bagi siapa pun yang tinggal di dalamnya. Di sinilah konsep smart building atau gedung pintar memainkan peran penting. Gedung pintar tidak hanya menyediakan internet cepat atau sistem keamanan digital. Gedung pintar juga belajar mengelola energi listriknya sendiri agar lebih efisien.

Masalahnya, penggunaan listrik di gedung tidak pernah benar benar stabil. Penghuni menyalakan AC, lampu, atau peralatan elektronik pada waktu yang tidak selalu sama setiap hari. Di sisi lain, semakin banyak energi yang berasal dari sumber terbarukan seperti tenaga surya dan angin yang sifatnya tidak selalu konsisten. Terkadang produksi listrik dari panel surya tinggi, tetapi di waktu lain turun drastis karena cuaca.

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

Kondisi ini menimbulkan tantangan baru. Bagaimana gedung bisa tetap memastikan listrik tersedia, biaya tetap rendah, emisi karbon berkurang, dan penghuni tetap merasa nyaman. Para peneliti kemudian mulai melirik kecerdasan buatan tingkat lanjut untuk membantu menjawab pertanyaan ini.

Mengajari gedung agar bisa “belajar” sendiri

Riset dalam jurnal Journal of Building Engineering tahun 2025 memperkenalkan sebuah pendekatan baru bernama Transferable Reward Shaping Deep Reinforcement Learning, atau disingkat RSDRL. Walaupun terdengar rumit, konsep dasarnya cukup sederhana jika dijelaskan dengan analogi.

Bayangkan Anda mengajari seorang anak untuk mengatur pemakaian listrik di rumah. Setiap kali ia berhasil menurunkan tagihan listrik tanpa membuat anggota keluarga kepanasan atau gelap gulita, ia mendapat hadiah. Ketika pilihannya salah, hadiahnya berkurang. Lama kelamaan, anak tersebut belajar menentukan kapan AC sebaiknya dinyalakan, kapan dimatikan, dan bagaimana menyeimbangkan kenyamanan dengan penghematan.

RSDRL bekerja dengan cara yang mirip. Sistem ini menerima umpan balik dalam bentuk “reward” atau penghargaan digital setiap kali ia berhasil menurunkan konsumsi energi tanpa mengganggu kenyamanan penghuni gedung. Bedanya, “anak” yang belajar di sini bukan manusia, melainkan algoritma kecerdasan buatan yang sangat canggih.

Arsitektur deep reinforcement learning dengan reward shaping untuk penjadwalan energi pada smart building, di mana actor–critic network dilatih menggunakan data beban yang dapat dialihkan (shiftable load) dari lingkungan guna mengoptimalkan kebijakan pengoperasian energi secara bertahap (Kumaresan & Jeyaraj, 2025).

Data real time dari gedung pintar

Gedung pintar modern terhubung melalui Internet of Things atau IoT. Artinya, AC, sistem ventilasi, meter listrik, hingga berbagai sensor suhu dan kelembapan semuanya saling terhubung. Data ini dikumpulkan oleh sebuah pengelola energi digital yang menampung informasi real time mengenai:

• seberapa banyak energi yang sedang dipakai
• kapan pemakaian puncak terjadi
• kondisi kenyamanan ruangan
• pola kebiasaan penghuni

Dengan RSDRL, semua data tersebut tidak hanya disimpan, tetapi juga dipelajari. Sistem kemudian mengambil keputusan penjadwalan energi secara otomatis, misalnya kapan AC harus menurunkan beban, kapan sistem pemanas perlu dioptimalkan, atau kapan gedung perlu mengurangi konsumsi saat beban puncak.

Reward pada model reinforcement learning meningkat dan menstabil seiring bertambahnya jumlah episode, baik saat pelatihan offline maupun pengujian real-time, yang menandakan kebijakan penjadwalan energi semakin optimal (Kumaresan & Jeyaraj, 2025).

Tidak hanya hemat, tetapi tetap nyaman

Salah satu kekhawatiran utama tentang penghematan energi adalah risiko menurunkan kenyamanan penghuni. Bayangkan jika AC sering mati mendadak hanya demi menurunkan tagihan listrik. Gedung memang hemat, tetapi orang orang di dalamnya tidak lagi betah.

Karena itu, RSDRL dirancang untuk menjaga keseimbangan antara penghematan energi dan kepuasan penghuni. Riset ini menunjukkan bahwa model tersebut mampu mencapai indeks kepuasan 0,93 dalam skala penilaian yang digunakan, sambil tetap menghasilkan penghematan energi hingga 19,2 persen dalam skenario pengujian.

Sebagai pembanding, kelompok kontrol yang menggunakan metode lain mencatat indeks kepuasan 0,84 dengan penghematan 16,5 persen. Artinya, pendekatan baru ini bukan hanya lebih efisien, tetapi juga lebih disukai oleh penghuni.

Mengurangi beban listrik saat jam sibuk

Masalah lain dalam sistem energi modern adalah beban puncak. Pada jam jam tertentu, misalnya sore hari ketika banyak orang pulang kerja dan menyalakan AC, konsumsi listrik meningkat tajam. Kondisi ini bisa menekan jaringan listrik dan meningkatkan biaya operasional.

Model yang dikembangkan para peneliti mampu mengurangi beban puncak hingga 6,45 persen. Pengurangan sekecil ini ternyata sangat berarti bagi sistem energi skala besar karena bisa membantu menjaga kestabilan jaringan.

Mengapa pendekatan ini istimewa

Keunggulan utama RSDRL terletak pada kata transferable atau dapat dipindahkan. Artinya, model yang sudah dilatih di satu gedung tidak perlu belajar dari nol saat diterapkan di gedung lain. Proses pembelajaran sebelumnya bisa dibawa dan disesuaikan dengan kondisi baru.

Hal ini sangat penting karena tidak semua gedung memiliki kondisi yang sama. Ada gedung perkantoran, apartemen, rumah sakit, pusat perbelanjaan, dan masing masing punya kebiasaan konsumsi energi yang berbeda. Dengan kemampuan transfer ini, pengembangan sistem bisa menjadi lebih cepat dan efisien.

Masa depan gedung pintar

Riset ini memperlihatkan arah masa depan pengelolaan energi di gedung modern. Gedung tidak lagi hanya sebagai bangunan fisik, tetapi juga sistem cerdas yang mampu:

• menganalisis data
• mengambil keputusan sendiri
• beradaptasi dengan kondisi baru
• menjaga kenyamanan manusia
• sekaligus menekan biaya dan emisi

Jika teknologi seperti ini diterapkan secara luas, bukan hal yang mustahil bila kota kota di masa depan akan menjadi jauh lebih hemat energi tanpa memaksa warganya mengubah kebiasaan secara drastis.

Namun tetap ada tantangan

Walau hasilnya menjanjikan, penelitian ini tetap mengakui bahwa masih ada tantangan, seperti:

• kebutuhan data yang besar
• keamanan data IoT
• kesiapan infrastruktur gedung
• biaya awal penerapan sistem pintar

Tetapi jika melihat perkembangan teknologi kecerdasan buatan dan smart building yang terus melaju, tantangan ini perlahan bisa teratasi.

Gedung pintar bukan lagi sekadar konsep futuristik. Dengan bantuan kecerdasan buatan seperti RSDRL, gedung kini bisa belajar mengelola energi layaknya manusia yang sangat disiplin, hanya saja jauh lebih cepat dan lebih akurat. Energi bisa dihemat, kenyamanan tetap terjaga, dan kota masa depan bergerak menuju sistem yang lebih ramah lingkungan.

Dan siapa tahu, suatu hari nanti rumah kita sendiri mungkin akan menjadi bagian dari sistem cerdas ini.

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

REFERENSI:

Kumaresan, Siva Subramanian & Jeyaraj, Pandia Rajan. 2025. Smart building transferable energy scheduling employing reward shaping deep reinforcement learning with demand side energy management. Journal of Building Engineering 104, 112316.