Perpustakaan Digital ITB

Kenyamanan termal bangunan menjadi sangat penting dalam penerapan standar konservasi energi, karena pemanasan global dapat menurunkan indeks kenyamanan termal. Kenyamanan termal penting dalam desain dan pengelolaan bangunan, terutama di lingkungan universitas karena berpengaruh signifikan terhadap kesehatan, produktivitas, dan konsentrasi penghuni. Bangunan cerdas masa depan akan menggunakan kecerdasan buatan untuk menjaga kenyamanan termal melalui prediksi dan penyesuaian operasional pendingin ruang. Berbagai pendekatan telah dilakukan untuk memprediksi kenyamanan termal, namun variasi persepsi kenyamanan masih sulit diprediksi dari perspektif psikologis, fisiologis, atau eksperimen. Model prediksi kenyamanan termal berbasis data-driven merupakan pendekatan efektif untuk meningkatkan kenyamanan penghuni dan penghematan energi. Model berbasis data ini mengungkap hubungan antara berbagai faktor untuk memprediksi tingkat kenyamanan termal dan dapat dioptimalkan menggunakan neural network. Peluang baru untuk memprediksi kenyamanan termal dengan lebih akurat dan efisien muncul sebagai hasil dari kemajuan dalam teknologi kecerdasan buatan karena dapat memproses berbagai parameter lingkungan seperti suhu udara, kelembapan, kecepatan udara, dan radiasi termal serta juga dapat memproses faktor lain seperti tingkat aktivitas penghuni dan jenis pakaian yang di kenakan. Penelitian ini bertujuan untuk mengembangkan model prediksi kenyamanan termal ruang menggunakan metode Deep Neural Network dengan memanfaatkan data lingkungan yang tersedia pada bangunan universitas dengan output prediksi tingkat kenyamanan termal berdasarkan pola yang ditemukan. Metode pengumpulan data penelitian diperoleh dengan melakukan pengukuran langsung menggunakan alat ukur. Pengumpulan data termal ruangan melibatkan beberapa parameter penting termasuk suhu udara, kelembapan relatif, kecepatan udara, MRT, preferensi termal seperti aktivitas, insulasi pakaian, dan indeks PMV yang terukur untuk mendapatkan data lingkungan bersamaan dengan validasi Actual Mean vote. Parameter evaluasi yang digunakan adalah RMSE, MAE, dan R² untuk memprediksi PMV terukur. Model menunjukkan performa yang bervariasi dalam memprediksi nilai PMV yang sebenarnya dan memiliki performa yang sangat baik dalam memprediksi perhitungan nilai PMV dengan kurva prediksi yang selalu dekat dengan kurva aktual PMV Instrumen. Model DNN bisa belajar berdasarkan data untuk menghitung besaran PMV dari alat ukur instrumen. Hasil terbaik ada pada input parameter penting yaitu suhu udara, kelembapan, MRT, kecepatan udara, dan aktivitas, dengan nilai RMSE = 0,0445, MAE = 0,0329, dan R² = 0,9984. Adapun secara bersamaan data validasi PMV yang diprediksi oleh model sangat mendekati nilai PMV aktual. Grafik menunjukkan hubungan yang kuat antara model PMV instrumen (Thermal comfort meter) dan PMV Actual Mean Vote (Observasi) yang dibuktikan oleh R² score yang tinggi (0,9430). Evaluasi model ini menunjukkan bahwa PMV Actual Mean Vote adalah prediktor yang baik untuk model PMV Terukur (Thermal comfort meter). Hal ini juga dibuktikan oleh nilai MSE yang rendah yaitu 0,083, meskipun ada beberapa outliers, namun masih dapat diterima erornya. Uji statistik menunjukkan tidak ada perbedaan signifikan antara rata-rata kedua set data yang mengindikasikan bahwa metode pengukuran melalui Actual Mean Vote (Observasi) dapat dianggap valid untuk menggantikan pengukuran langsung PMV. Hasil penelitian ini diharapkan dapat mengoptimalkan pengaturan pendingin ruang (AC) berdasarkan analisa standar ASHRAE dan meningkatkan kenyamanan termal, menjadikan bangunan lebih efisien secara energi, serta membantu dalam pengembangan riset bangunan gedung cerdas di masa depan. Kata kunci: Kenyamanan Termal, Data Driven, Deep Neural Network, Smart Building, Actual Mean Vote ?