1 Bab VI Kesimpulan dan Saran VI.1 Kesimpulan Pada penelitian ini telah dilakukan optimasi manajemen energi bangunan dengan menggunakan pengontrol Reinforcement Learning untuk meningkatkan swakonsumsi bangunan universitas. Adapun beberapa kesimpulan yang diambil dari penelitian ini adalah sebagai berikut: 1. Telah dibuat suatu agen RL dengan algoritma pembelajaran PPO yang menggunakan pendekatan fungsi aktor dan kritik yang mengoptimasi manajemen charge dan discharge SBPE, dimana hyperparameter dengan hasil pelatihan terbaik menggunakan nilai learning rate aktor sebesar 0,001 dan kritik sebesar 0,0001. 2. Peningkatan swakonsumsi yang dilakukan pengontrol berbasis aturan sudah cukup meningkatkan swakonsumsi dengan sangat baik dengan rentang peningkatan 4,03% - 41,78%, namun menangani permasalahan kesehatan SBPE dengan kurang baik karena mencapai DoDmax pada bulan September, Maret, dan Juni. Sementara itu, peningkatan swakonsumsi yang dilakukan oleh pengontrol RL PPO cukup baik dengan rentang 2,42% - 16,7% dan menangani permasalahan kesehatan SBPE dengan lebih baik dengan DoDmax hanya pada bulan September dan Juni. VI.2 Saran Terdapat beberapa saran untuk penelitian selanjutnya terkait dengan optimasi manajemen energi bangunan dengan pengontrol Reinforcement Learning, di antara lain: 1. Menggunakan Model-Based Reinforcement Learning untuk pembelajaran yang lebih terarah. 2. Menggabungkan pemakaian SBPE dan manajemen sisi permintaan dan menganalisanya terhadap peningkatan swakonsumsi, atau melihat dari dua parameter optimisasi yaitu swakonsumsi dan renewable fraction..