Setiap hari gedung perkantoran, pusat perbelanjaan, kampus, dan apartemen menghabiskan listrik dalam jumlah besar untuk menyalakan lampu, pendingin ruangan, lift, komputer, dan berbagai sistem lainnya. Banyak dari energi ini sebenarnya terbuang sia sia karena sistem gedung tidak selalu tahu kapan ruangan dipakai, kapan suhu harus diturunkan, atau kapan perangkat dapat dimatikan. Di sinilah teknologi bangunan pintar atau smart building memainkan peran penting.

Smart building adalah gedung yang dilengkapi dengan sensor dan sistem digital yang memantau dan mengatur penggunaan energi secara otomatis. Sensor dapat membaca suhu, kelembapan, jumlah orang di ruangan, kondisi cuaca di luar, serta penggunaan listrik di setiap bagian gedung. Semua informasi ini dikirim ke komputer pusat yang mencoba mengatur sistem gedung agar tetap nyaman bagi manusia namun tidak boros energi.

Baca juga artikel tentang: Teknologi Pintar Yang Mengubah Cara Gedung Menggunakan Listrik

Masalahnya, penggunaan energi dalam gedung tidak pernah benar benar stabil. Pada pagi hari gedung mulai ramai, siang hari konsumsi listrik melonjak, sore hari turun kembali, dan malam hari menjadi sangat rendah. Selain itu, cuaca, acara khusus, atau perubahan kebiasaan penghuni dapat membuat pola pemakaian energi berubah secara tiba tiba. Pola yang berubah ubah ini sulit diprediksi oleh sistem komputer biasa.

Para peneliti kemudian menggunakan kecerdasan buatan untuk mengatasi masalah ini. Mereka mengembangkan sebuah model yang menggabungkan dua jenis teknologi AI yang kuat, yaitu LSTM dan GAN. Model gabungan ini disebut LSTM GAN.

Sistem rumah dan gedung pintar yang memakai kecerdasan buatan untuk memprediksi konsumsi dan produksi listrik lalu mengatur penggunaan setiap perangkat agar energi menjadi lebih hemat dan efisien (Zhu & Zhang, 2026).

Untuk memahami kegunaannya, kita bisa membayangkan bagaimana manusia mengingat dan membayangkan masa depan. Otak manusia mengingat kejadian masa lalu lalu menggunakannya untuk memprediksi apa yang mungkin terjadi. LSTM atau Long Short Term Memory bekerja dengan cara yang mirip. Ini adalah jenis kecerdasan buatan yang dirancang untuk mempelajari urutan waktu. Ia tidak hanya melihat data hari ini, tetapi juga mengingat pola dari hari hari sebelumnya.

Sementara itu, GAN atau Generative Adversarial Network adalah sistem yang terdiri dari dua AI yang saling beradu. Yang satu mencoba membuat prediksi atau data palsu yang mirip dengan data asli, sedangkan yang lain mencoba membedakan mana yang asli dan mana yang buatan. Dari persaingan ini, sistem menjadi semakin pintar dalam menghasilkan prediksi yang realistis.

Dalam riset ini, para ilmuwan menggabungkan LSTM dan GAN untuk memprediksi penggunaan energi gedung dengan lebih akurat. Mereka memasukkan data jam demi jam tentang konsumsi listrik, suhu, cuaca, dan karakteristik gedung. Data yang tidak lengkap dibersihkan dan disempurnakan agar sistem bisa mempelajarinya dengan baik.

Setelah itu, data diproses menggunakan teknik matematika yang disebut Wavelet Transform. Teknik ini membantu memisahkan pola utama dari gangguan atau noise, sehingga komputer dapat lebih fokus pada tren yang benar benar penting. Hasilnya adalah data yang lebih rapi dan lebih mudah dipelajari oleh kecerdasan buatan.

Model LSTM kemudian mempelajari bagaimana konsumsi energi berubah dari waktu ke waktu. Ia mengingat bahwa misalnya, jika pagi hari hujan dan gedung penuh, maka penggunaan listrik biasanya meningkat. GAN membantu membuat prediksi menjadi lebih realistis dengan terus menantang hasil LSTM agar semakin mendekati kenyataan.

Hasil dari penelitian ini sangat mengesankan. Model LSTM GAN mampu memprediksi penggunaan energi dengan tingkat ketepatan lebih dari 95 persen. Ini berarti sistem hampir selalu bisa menebak dengan benar berapa banyak listrik yang akan digunakan gedung pada jam jam berikutnya.

Mengapa ini penting bagi kehidupan sehari hari? Karena jika sistem gedung tahu lebih awal bahwa dalam dua jam ke depan konsumsi listrik akan meningkat, maka ia bisa menyesuaikan sistemnya. Misalnya, pendingin ruangan dapat dinyalakan secara bertahap, baterai cadangan bisa disiapkan, atau penggunaan energi terbarukan seperti panel surya dapat dioptimalkan.

Dengan prediksi yang akurat, gedung tidak perlu lagi menyalakan semua sistem pada kapasitas penuh sepanjang waktu. Mereka hanya menggunakan energi sesuai kebutuhan nyata. Ini mengurangi pemborosan dan menurunkan tagihan listrik, sekaligus mengurangi emisi karbon yang merusak lingkungan.

Teknologi ini juga membuat gedung lebih nyaman bagi penghuninya. Jika sistem tahu kapan ruangan akan dipenuhi orang, ia bisa menyesuaikan suhu dan ventilasi lebih awal sehingga ruangan tetap sejuk dan segar ketika orang masuk. Jika sistem tahu ruangan akan kosong, ia bisa mematikan lampu dan pendingin ruangan secara otomatis.

Dalam skala kota, teknologi ini memiliki dampak yang jauh lebih besar. Kota modern memiliki ribuan gedung yang masing masing mengonsumsi energi dalam jumlah besar. Jika semua gedung menggunakan sistem prediksi cerdas seperti LSTM GAN, kota dapat mengelola listrik dengan jauh lebih efisien. Pemadaman bisa dikurangi, beban jaringan listrik menjadi lebih stabil, dan energi terbarukan dapat dimanfaatkan dengan lebih optimal.

Riset ini juga menunjukkan bagaimana kecerdasan buatan tidak hanya membantu di dunia digital, tetapi juga di dunia fisik yang kita tinggali. Gedung yang tampak biasa dari luar sebenarnya dapat menjadi sistem cerdas yang terus belajar dan menyesuaikan diri.

Teknologi seperti LSTM GAN membawa kita lebih dekat ke masa depan di mana gedung tidak hanya menjadi tempat tinggal dan bekerja, tetapi juga mitra cerdas yang membantu manusia hidup lebih nyaman dan ramah lingkungan. Dengan memadukan sensor, data, dan kecerdasan buatan, kita dapat mengubah cara kita menggunakan energi dan menjaga bumi tetap lestari untuk generasi mendatang.

Baca juga artikel tentang: Bagaimana Machine Learning Mengubah Cara Gedung Menggunakan Energi?

REFERENSI:

Zhu, Cunhua & Zhang, Shuyuan. 2026. Enhanced learning model of LSTM-GAN hybrid network in the dynamic prediction of building energy consumption. International Journal of High Speed Electronics and Systems 35 (02), 2550008.