Lift adalah bagian tak terpisahkan dari gedung-gedung tinggi modern. Setiap hari, lift membawa ribuan orang naik dan turun lantai dengan cepat. Namun di balik kenyamanannya, lift menyimpan fakta yang sering luput dari perhatian: sistem elevator mengonsumsi energi yang sangat besar, bahkan bisa menjadi penyumbang konsumsi energi terbesar di gedung. Sayangnya, sistem pengendalian lift yang umum digunakan saat ini belum dirancang secara optimal untuk mempertimbangkan efisiensi energi. Lift biasanya bergerak hanya berdasarkan tombol panggilan pengguna tanpa mempertimbangkan berapa banyak orang yang menunggu atau seberapa besar kebutuhan aktualnya. Hal inilah yang menjadi latar belakang penelitian ini, yaitu bagaimana caranya mengatur pergerakan lift secara dinamis dengan memanfaatkan informasi jumlah permintaan (jumlah orang) dan konsumsi energi, agar lift tidak hanya responsif terhadap penumpang, tetapi juga lebih hemat energi.

Gambar 1. Ilustrasi sistem kendali lift berdasarkan jumlah antrian penumpang yang dipantau oleh kamera. Gambar ini dibuat oleh ChatGPT (OpenAI) menggunakan teknologi AI sebagai ilustrasi dari isi artikel ilmiah terkait.

Peneliti dalam studi ini mengembangkan sebuah sistem pintar yang menggabungkan teknologi penglihatan komputer (computer vision) dengan kebijakan kendali lift berbasis penghematan energi. Mereka memasang kamera pengawas di depan pintu lift untuk menangkap gambar antrean orang yang sedang menunggu. Gambar-gambar ini kemudian diproses menggunakan algoritma deep learning bernama Faster R-CNN, yaitu sebuah model deteksi objek yang populer karena akurasi dan kecepatannya. Model ini dilatih dengan ribuan gambar yang menunjukkan manusia dalam berbagai posisi dan pencahayaan. Tujuannya adalah agar sistem dapat secara otomatis menghitung jumlah orang yang menunggu lift di setiap lantai, bahkan ketika kualitas gambar menurun akibat cahaya rendah atau sudut kamera yang sempit. Sistem deteksi ini kemudian dikombinasikan dengan modul pengendali lift yang dapat mengambil keputusan berdasarkan dua parameter utama: konsumsi energi dan jumlah permintaan dari tiap lantai.

Proses pengambilan keputusan dalam sistem ini bekerja dalam beberapa skenario. Saat ada panggilan dari lantai tertentu, sistem mengevaluasi beberapa kemungkinan pilihan: apakah akan mengirimkan lift terdekat (seperti metode tradisional “nearest car”), atau memilih lift yang akan meminimalkan total konsumsi energi, atau menggabungkan kedua pertimbangan tersebut. Kebijakan ini menjadi semakin cerdas ketika sistem mengetahui berapa banyak orang yang sedang menunggu. Jika hanya satu orang, maka sistem dapat menunda pergerakan lift untuk menunggu permintaan dari lantai lain, demi efisiensi energi. Tapi jika ada banyak orang yang mengantri, sistem akan segera merespon demi kenyamanan. Dengan logika ini, pengambilan keputusan lift menjadi lebih adaptif, tidak hanya berdasarkan aturan tetap, tetapi juga berdasarkan kondisi nyata.

Untuk menguji efektivitas pendekatan ini, peneliti melakukan simulasi dalam berbagai situasi khas gedung perkantoran, seperti jam sibuk pagi (up-peak), jam pulang kerja (down-peak), dan waktu makan siang (inter-peak). Mereka membandingkan beberapa model pengendalian lift: model tradisional berbasis kedekatan lift, model yang fokus pada penghematan energi, dan model hibrida yang mempertimbangkan permintaan pengguna berdasarkan deteksi visual. Hasilnya menunjukkan bahwa model penghematan energi memang secara signifikan mengurangi konsumsi daya—bahkan lebih dari 50% dalam beberapa skenario—namun memiliki kelemahan berupa peningkatan waktu tunggu penumpang. Akan tetapi, ketika model tersebut dilengkapi dengan sistem deteksi jumlah manusia (demand visibility), waktu tunggu dapat ditekan kembali tanpa kehilangan efisiensi energi secara signifikan. Artinya, sistem gabungan ini berhasil menjaga keseimbangan antara efisiensi dan kenyamanan pengguna.

Pemanfaatan lebih lanjut dari sistem ini sangat relevan, terutama untuk diterapkan di gedung-gedung modern seperti perkantoran, universitas, rumah sakit, maupun fasilitas publik lainnya. Konsep dasar dari sistem ini mendukung gagasan kota pintar (smart city), di mana infrastruktur dikendalikan secara cerdas untuk mencapai efisiensi operasional dan energi. Dengan adanya informasi visual tentang jumlah permintaan lift di setiap lantai, sistem manajemen gedung dapat membuat keputusan yang lebih tepat dan adaptif terhadap kondisi nyata. Namun demikian, implementasi teknologi ini masih memerlukan kajian teknis yang mendalam, terutama terkait dengan integrasi sistem penglihatan komputer ke dalam infrastruktur lift yang sudah ada, serta penyesuaian terhadap perangkat keras dan lunak yang mendukungnya. Dengan pendekatan yang tepat, sistem ini berpotensi menjadi bagian penting dalam transformasi menuju gedung ramah energi dan berkelanjutan.

Sebagai penutup, penelitian ini berhasil menunjukkan bahwa integrasi antara teknologi visi komputer dan pengendalian dinamis berbasis energi mampu memberikan solusi nyata bagi efisiensi operasional gedung. Tidak hanya mengurangi konsumsi energi yang signifikan, tetapi juga tetap mempertahankan kenyamanan pengguna sebagai prioritas. Ke depan, sistem ini masih bisa dikembangkan lebih lanjut dengan menambahkan fitur prediksi lonjakan permintaan (misalnya saat jam istirahat atau pergantian shift), adaptasi terhadap pola aktivitas harian, serta peningkatan akurasi deteksi pada kondisi ekstrem. Dengan begitu, lift bukan hanya sekadar alat transportasi vertikal, tetapi juga bagian dari sistem cerdas yang mendukung keberlanjutan dan efisiensi dalam kehidupan modern.

 

 

Catatan:
Tulisan ini disarikan dari artikel ilmiah berjudul Improving Elevator Dynamic Control Policies Based on Energy and Demand Visibility yang ditulis oleh Shuo-Yan Chou, D. Aditya Budhi, Anindhita Dewabharata, dan Ferani Eva Zulvia. Artikel ini dipresentasikan dalam 2018 International Conference on Intelligent Green Building and Smart Grid (IGBSG) dan dipublikasikan oleh IEEE. Artikel lengkap dapat diakses melalui: https://ieeexplore.ieee.org/document/8393578