Perpustakaan Digital ITB

Penggunaan energi listrik pada sektor bangunan terus mengalami peningkatan dari waktu ke waktu. Hal tersebut bertentangan dengan target konservasi energi, emisi nol bersih, dan keberlanjutan. Oleh karena itu, implementasi Building Energy Management System (BEMS) pada bangunan konvensional mulai digencarkan untuk meningkatkan efisiensi dan otomatisasi respons bangunan terhadap kebutuhan energi penghuninya. Dalam pelaksanaannya, manajemen energi pada bangunan membutuhkan informasi okupansi untuk meningkatkan efisiensi sistem Heating, Ventilation, and Air Conditioning (HVAC) maupun pencahayaan. Salah satu cara untuk memenuhi kebutuhan tersebut adalah dengan memanfaatkan Machine Learning (ML) dalam memprediksi tingkat okupansi ruangan. Penelitian ini bertujuan untuk mengembangkan model prediksi okupansi berdasarkan konsumsi listrik dengan algoritma Long-Short Term Memory (LSTM). Akuisisi data okupansi ruangan didapat melalui pemantauan CCTV secara manual sedangkan data konsumsi listrik didapat dari hasil pengukuran smart meter. Kedua data diolah melalui pra-pemrosesan data dan rekayasa fitur, kemudian dilakukan seleksi fitur menggunakan dua metode: Extreme Gradient Boosting-Recursive Feature Elimination with Cross Validation (XGBoost-RFECV) + feature importance dan Pearson Correlation Coefficient (PCC). Selanjutnya dilakukan perbandingan performa model antara fitur tanpa rekayasa dan fitur hasil rekayasa. Performa model diukur berdasarkan dua metrik statistik: Root Mean Square Error (RMSE) dan Mean Absolute Error (MAE). Hasil penelitian menunjukkan adanya korelasi antara okupansi dan konsumsi listrik untuk interval 15 menit, yaitu melalui nilai korelasi Pearson sebesar 0,569. Model dengan fitur hasil rekayasa menunjukkan penurunan galat hingga 19%, dengan model terbaik mencapai MAE sebesar 0,0960 dan RMSE sebesar 0,1345. Temuan ini menunjukkan bahwa rekayasa fitur pada data konsumsi listrik dan waktu berhasil meningkatkan relevansi informasi yang digunakan dalam model sehingga akurasi prediksi LSTM meningkat. Hasil ini memperkuat potensi pemanfaatan prediksi okupansi sebagai langkah awal menuju implementasi BEMS berbasis data.