ABSTRAK Reyza Arif Mahendra Natawidjaj
PUBLIC Alice Diniarti COVER Reyza Arif Mahendra Natawidjaj
PUBLIC Alice Diniarti
BAB 1 Reyza Arif Mahendra Natawidjaj
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
BAB 2 Reyza Arif Mahendra Natawidjaj
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
BAB 3 Reyza Arif Mahendra Natawidjaj
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
BAB 4 Reyza Arif Mahendra Natawidjaj
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
BAB 5 Reyza Arif Mahendra Natawidjaj
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
PUSTAKA Reyza Arif Mahendra Natawidjaj
PUBLIC Alice Diniarti
Prediksi suhu ruangan merupakan salah satu tahap penting untuk mengontrol sistem
HVAC dalam upaya konservasi dan efisiensi energi. Dalam literatur, prediksi
tersebut dilakukan menggunakan pemodelan sistem termal bangunan berbasis
white-box, yang memerlukan pengetahuan lengkap dari ruang yang dimodelkan,
atau black-box, yang memerlukan sistem akusisi data yang lengkap untuk tiap ruang
yang dimodelkan. Dalam penelitian tugas akhir ini, dikembangkan model prediksi
suhu berdasarkan gabungan kedua pendekatan tersebut, yaitu model gray-box.
Komponen pemodelan white-box dibangun menggunakan model analogi listrik RCnetwork.
Model tersebut adalah lumped model dengan parameter yang
disederhanakan. Model tersebut menggunakan data iklim sebagai variabel
masukan. Algoritme perhitungan model RC-network dimodelkan berdasarkan
algoritme simulasi EnergyPlus. Komponen pemodelan black-box dibangun
menggunakan algoritme pembelajaran mesin model LSBoost. Pembelajaran mesin
ini dilatih dengan hasil simulasi RC-network dan data iklim untuk menghasilkan
prediksi suhu ruangan yang terkoreksi. Model gray-box diuji terhadap simulasi
acuan yang dilakukan menggunakan EnergyPlus.
Menggunakan pendekatan gray-box, model mampu memprediksi suhu ruang
dengan baik menggunakan parameter yang ringkas, robus dan fleksibel. Dalam
pengujian, model RC-network konstruksi UGI1_LM mampu memprediksi suhu
ruang dengan perbedaan suhu rata-rata -2,5°C dari acuan. Setelah dioptimisasi
algoritme LSBoost, akurasi prediksi bertambah baik. Untuk konstruksi UGI1_LM,
rata-rata CV(RMSE) 4,08%. Hasil tersebut adalah penurunan 9,44% dari model
RC-network saja. Perbedaan suhu rata-rata pun berkurang menjadi -0,1°C dari
acuan. Model dapat memprediksi suhu ruang untuk ruangan yang tidak memiliki
data latih selama karakteristik dan orientasi ruangan tersebut mirip dengan
konstruksi acuan.