Perpustakaan Digital ITB

Sistem tata udara atau Heating, Ventilation, and Air Conditioning (HVAC) merupakan penyumbang konsumsi energi terbesar pada bangunan komersial, namun sering kali dioperasikan dengan strategi kontrol konvensional yang tidak efisien. Penelitian ini mengusulkan sistem kontrol prediktif berbasis Reinforcement Learning (RL) menggunakan algoritma Deep Q-Network (DQN) untuk mengoptimalkan keseimbangan antara kenyamanan termal dan efisiensi energi. Lingkungan simulasi virtual dibangun menggunakan pendekatan hibrida berbasis algoritma XGBoost dengan strategi Next-Temperature (NT), yang menghasilkan akurasi prediksi temperatur ruangan cukup tinggi dengan nilai R^2 mencapai 0,9685 dan RMSE 0,3166°C. Berdasarkan evaluasi terhadap 50 ruangan uji dengan karakteristik termal variatif, model DQN terpilih mampu menghasilkan rata-rata penghematan energi global sebesar 49,44% serta peningkatan kenyamanan termal sebesar 31,56% dibandingkan kontrol historis pada asumsi Coefficient of Performance (COP) konstan. Guna memastikan validitas hasil terhadap realitas fisik, dilakukan uji validasi pada salah satu sampel ruang kelas di lantai 3 gedung Labtek XIX ITB menggunakan parameter efisiensi eksergi sistem dengan COP dinamis. Hasil pengujian menunjukkan bahwa strategi agen tetap menghasilkan penghematan energi riil yang signifikan sebesar 28,13%. Hal ini membuktikan bahwa kemampuan agen dalam mengeksploitasi inersia termal bangunan melalui manipulasi setpoint dinamis tidak hanya unggul secara matematis, namun juga valid secara fisis menurut Hukum Termodinamika II.