Di tengah tantangan krisis energi dan perubahan iklim, konsumsi energi bangunan menjadi sorotan penting. Bangunan, mulai dari rumah tinggal, perkantoran, hingga fasilitas pendidikan, menyumbang porsi terbesar konsumsi listrik global. Di Eropa dan Amerika Serikat, angka konsumsi energi bangunan bahkan mencapai sekitar 40% dari total energi nasional. Karena itu, mengetahui pola penggunaan listrik di bangunan bukan hanya soal penghematan biaya, tapi juga langkah nyata mendukung kebijakan energi berkelanjutan.

Gambar 1. Ilustrasi kerangka kerja prediksi konsumsi energi bangunan yang menggabungkan EEMD, transformasi wavelet, dan algoritma LSTM (Gambar dihasilkan oleh OpenAI, ChatGPT)

Namun, memprediksi kebutuhan energi sebuah bangunan bukan perkara sepele. Banyak faktor memengaruhi fluktuasi pemakaian listrik, mulai dari aktivitas manusia, variasi cuaca, hingga peralatan elektronik yang digunakan. Metode prediksi tradisional sering kali kesulitan menangkap pola data yang kompleks dan dinamis ini. Padahal, prediksi yang akurat dibutuhkan untuk merancang kebijakan operasional, penjadwalan beban listrik, dan mencegah risiko pemborosan atau bahkan pemadaman tak terduga.

Melihat tantangan tersebut, sekelompok peneliti mencoba menawarkan solusi baru. Mereka merancang kerangka kerja prediksi konsumsi energi bangunan dengan menggabungkan tiga pendekatan cerdas: Ensemble Empirical Mode Decomposition (EEMD), Wavelet Transformation (WT), dan algoritma Long Short-Term Memory (LSTM). Ketiganya saling melengkapi. EEMD dan Wavelet membantu memecah data yang rumit menjadi bagian-bagian kecil yang lebih mudah dianalisis. Sementara LSTM, yang merupakan pengembangan dari jaringan saraf tiruan (Recurrent Neural Network), mampu mengingat pola jangka panjang sehingga cocok menangani data time series seperti konsumsi listrik.

Dalam kerangka kerja ini, data dikumpulkan dari berbagai jenis bangunan—mulai dari kampus, laboratorium, kantor, hingga apartemen—yang tersebar di beberapa zona waktu berbeda. Data tersebut kemudian melalui tahap normalisasi dan analisis statistik untuk memastikan kualitasnya siap diproses. Setelah itu, data dipecah menggunakan EEMD atau Wavelet, agar pola frekuensi tinggi dan rendah dapat dipelajari secara terpisah. Proses ini memudahkan LSTM dalam mempelajari tren jangka pendek maupun panjang dengan lebih presisi.

Hasil pengujian kerangka kerja ini menunjukkan kinerja yang cukup menjanjikan. Dari 20 bangunan yang diuji, kombinasi EEMD-LSTM terbukti mampu menghasilkan prediksi dengan tingkat galat (error) yang lebih rendah dibanding metode standar. Ini berarti, pendekatan ini efektif mengurangi ‘kebisingan’ pada data dan meningkatkan akurasi prediksi. Dengan prediksi yang semakin mendekati kondisi nyata, pengelola bangunan bisa merancang strategi penghematan listrik harian hingga membuat kebijakan pengendalian beban yang lebih optimal.

Tak hanya berguna bagi manajer gedung atau teknisi fasilitas, kerangka kerja ini juga bermanfaat bagi pemerintah dan penyedia listrik. Dengan data prediksi yang akurat, pemerintah daerah dapat merancang distribusi listrik kota yang lebih efisien, sementara penyedia listrik dapat meminimalkan pemborosan produksi energi. Di era transisi energi terbarukan, inovasi semacam ini bisa mendukung target net zero emission yang digaungkan banyak negara.

Ke depan, pengembangan model prediksi semacam ini berpotensi diintegrasikan dengan sistem otomatisasi bangunan pintar (smart building). Bayangkan, sebuah gedung kampus yang secara otomatis menyesuaikan penggunaan pendingin ruangan, lampu, atau peralatan laboratorium sesuai pola konsumsi yang diprediksi. Selain efisien, juga ramah lingkungan. Tentu saja, tantangan masih ada, misalnya ketersediaan data real-time yang konsisten dan kualitas sensor di setiap bangunan.

Dengan kombinasi teknologi data mining, pembelajaran mesin, dan algoritma cerdas seperti EEMD-WT-LSTM, masa depan manajemen energi bangunan makin terbuka lebar. Perlahan tapi pasti, cara ini membantu menjawab pertanyaan besar: bagaimana memanfaatkan energi seefisien mungkin, tanpa mengorbankan kenyamanan dan produktivitas manusia di dalamnya.

 

 

Catatan: Artikel ini disadur dari makalah oleh Chou, S.-Y., Dewabharata, A., Zulvia, F.E., & Fadil, M. (2022). Forecasting Building Energy Consumption Using Ensemble Empirical Mode Decomposition, Wavelet Transformation, and Long Short-Term Memory Algorithms. Energies, 15(3), 1035. https://doi.org/10.3390/en15031035