Para peneliti terus mencari cara agar gedung modern bisa menggunakan energi dengan lebih efisien tanpa mengorbankan kenyamanan penghuninya. Gedung, terutama yang besar dan canggih seperti perkantoran atau fasilitas publik, menghabiskan energi yang sangat besar untuk kebutuhan pemanasan, pendinginan, ventilasi, serta pengaturan kualitas udara. Sistem HVAC atau heating ventilation and air conditioning biasanya menjadi penyumbang konsumsi energi terbesar. Karena itu, memprediksi bagaimana suhu dan energi dalam gedung akan berubah dari waktu ke waktu sangat penting untuk membantu pengelola gedung mengambil keputusan yang tepat.

Disinilah kecerdasan buatan memainkan peran penting. Banyak peneliti mulai menggunakan jaringan saraf tiruan atau deep neural networks untuk mempelajari pola perubahan suhu, aliran udara, dan konsumsi energi dalam gedung. Teknologi ini bekerja dengan cara mempelajari data operasional dari waktu sebelumnya, lalu memprediksi apa yang akan terjadi di masa depan. Namun ada satu tantangan besar. Untuk melatih model kecerdasan buatan agar benar benar akurat, dibutuhkan data yang sangat banyak dari setiap gedung. Proses pengumpulan data ini bisa memakan waktu lama dan biaya besar, terutama untuk gedung baru yang belum beroperasi cukup lama.

Baca juga artikel tentang: Mengintip Teknologi Bangunan Hijau Tercanggih di Dunia Tahun 2025

Karena itu, penelitian terbaru menawarkan solusi yang menarik. Alih alih selalu melatih model dari awal untuk setiap gedung, para peneliti mencoba menggunakan pendekatan yang disebut transfer learning. Konsepnya sederhana tetapi sangat kuat. Model kecerdasan buatan dilatih terlebih dahulu menggunakan data dari suatu gedung yang sudah berjalan dalam kondisi iklim yang mirip. Setelah model tersebut memiliki pemahaman dasar tentang pola energi dan suhu di gedung, barulah model itu disesuaikan sedikit demi sedikit untuk gedung baru yang datanya masih terbatas.

Bayangkan seorang guru yang sudah sangat berpengalaman mengajar matematika di sebuah sekolah. Ketika guru ini pindah ke sekolah lain yang kurikulumnya mirip, ia tidak perlu belajar semuanya dari nol. Ia hanya perlu menyesuaikan beberapa hal kecil. Pendekatan transfer learning bekerja dengan logika yang sama. Model kecerdasan buatan membawa bekal pengetahuan dari gedung lama untuk membantu memahami gedung baru.

Penelitian ini memanfaatkan data simulasi dari perangkat lunak yang biasa digunakan untuk memodelkan energi bangunan. Data tersebut mencakup berbagai kondisi iklim, termasuk daerah beriklim dingin. Model kemudian dilatih untuk memahami hubungan yang kompleks antara suhu luar ruangan, material bangunan, sistem HVAC, serta perilaku penghuni gedung. Setelah itu, model diuji pada gedung baru dengan sedikit penyesuaian.

Hasilnya sangat menjanjikan. Model yang menggunakan transfer learning terbukti mampu memprediksi dinamika energi gedung dengan lebih cepat dan tetap akurat dibandingkan model yang dilatih sepenuhnya dari nol. Bahkan, peneliti juga menemukan bahwa beberapa bagian tertentu dari model memberikan pengaruh lebih besar saat dilakukan penyesuaian. Misalnya, lapisan decoder dan lapisan tambahan pada model memainkan peran penting dalam meningkatkan akurasi prediksi.

Hasil transfer learning untuk berbagai model prediksi konsumsi energi gedung target dengan menggunakan gedung M-0_Oslo sebagai sumber, yang dibandingkan berdasarkan nilai error (MAE) tiap model (Chaudhary, dkk. 2025).

Menariknya lagi, penelitian ini menunjukkan bahwa memperkenalkan data kondisi cuaca yang lebih dingin dalam proses pelatihan dapat meningkatkan kualitas prediksi untuk gedung di daerah beriklim dingin. Hal ini terjadi karena sistem HVAC di wilayah dingin bekerja dengan cara yang sangat berbeda dibandingkan wilayah hangat. Dengan kata lain, model perlu belajar dari kondisi yang lebih beragam untuk memahami cara kerja energi pada berbagai iklim.

Bangunan yang berada di wilayah dengan iklim sedang ternyata menunjukkan peningkatan performa model yang stabil setelah proses transfer learning. Hal ini masuk akal karena perbedaan kondisi suhu luar tidak terlalu ekstrem, sehingga sistem HVAC bekerja lebih konsisten. Sebaliknya, pada wilayah dingin, penambahan data yang relevan menjadi sangat penting.

Lalu, apa manfaatnya bagi masyarakat luas? Dengan kemampuan memprediksi perubahan suhu dan kebutuhan energi secara lebih akurat, pengelola gedung dapat mengatur sistem HVAC dengan lebih cerdas. Misalnya, sistem dapat mengurangi penggunaan energi saat tidak terlalu dibutuhkan, atau bekerja lebih efisien ketika suhu luar berubah drastis. Hal ini tentu berdampak pada penghematan biaya energi sekaligus membantu mengurangi jejak karbon.

Selain itu, teknologi seperti ini membantu mempercepat penerapan gedung pintar. Gedung pintar bukan hanya gedung yang penuh sensor dan sistem otomatis, tetapi gedung yang mampu belajar dari data dan menyesuaikan diri dengan kebutuhan penghuninya. Transfer learning membuka peluang besar agar teknologi ini bisa diterapkan lebih luas dan lebih cepat tanpa selalu memerlukan biaya besar.

Namun, para peneliti juga mengakui bahwa setiap gedung memiliki karakteristik unik. Perbedaan bahan bangunan, tata ruang, jumlah penghuni, serta tujuan penggunaan gedung akan mempengaruhi dinamika energinya. Karena itu, proses penyesuaian tetap diperlukan agar model benar benar sesuai dengan kondisi di lapangan. Tantangan lainnya terletak pada kualitas data. Model kecerdasan buatan hanya akan sebaik data yang diberikan. Jika sensor salah membaca atau data tidak lengkap, prediksi bisa ikut terpengaruh.

Meskipun begitu, pendekatan transfer learning tetap dinilai sebagai langkah maju yang signifikan. Metode ini menghemat waktu, biaya, serta sumber daya komputasi. Para pengembang sistem kontrol gedung bisa memanfaatkan hasil penelitian ini untuk membuat sistem pengatur energi yang lebih adaptif. Pemerintah dan pengembang kota juga bisa melihat teknologi ini sebagai bagian penting dari upaya menuju kota yang lebih ramah lingkungan.

Penelitian ini menunjukkan bahwa kecerdasan buatan tidak hanya berfungsi dalam dunia digital, tetapi juga memberikan dampak nyata pada lingkungan binaan. Dengan memprediksi perubahan suhu dan energi gedung secara lebih akurat, kita bisa menciptakan bangunan yang lebih efisien, nyaman, dan berkelanjutan. Masa depan kota yang pintar semakin dekat, dan teknologi seperti transfer learning akan menjadi salah satu fondasi utamanya.

Baca juga artikel tentang: Focus Group Discussion Lintas Sektor Bahas Teknologi Prefabrikasi untuk Percepatan Hunian Layak dan Hijau di Indonesia

REFERENSI:

Chaudhary, Gaurav dkk. 2025. Transfer learning in building dynamics prediction. Energy and Buildings 330, 115384.