Pengembangan Arsitektur Jaringan Saraf Tiruan (ANN) Optimal untuk Sistem Manajemen Energi di Bangunan (BEMS) dengan Lingkungan Dinamis

Abdul Ibrahim

doi:10.31004/riggs.v4i4.5258

Authors

Abdul Ibrahim Universitas Dipa Makassar

DOI:

https://doi.org/10.31004/riggs.v4i4.5258

Keywords:

Jaringan Saraf Tiruan (ANN), Building Energy Management System (BEMS), Prediksi Konsumsi Energi, Lingkungan Dinamis, Optimasi Model, Gradient Descent, Simulated Annealing

Abstract

Peningkatan efisiensi energi pada bangunan menuntut sistem manajemen energi (BEMS) yang mampu beradaptasi terhadap lingkungan dinamis, seperti fluktuasi suhu, cuaca, jumlah penghuni, dan pola penggunaan peralatan. Penelitian ini bertujuan mengembangkan arsitektur Jaringan Saraf Tiruan (Artificial Neural Network/ANN) yang optimal untuk memodelkan serta memprediksi konsumsi energi bangunan secara lebih akurat dalam kondisi operasional yang berubah-ubah. Pendekatan yang digunakan adalah kuantitatif berbasis simulasi dengan data dummy yang merepresentasikan variabel-variabel kunci BEMS (konsumsi energi, suhu, kelembaban, okupansi, dan cuaca) sebagai data latih dan uji. Model dirancang menggunakan arsitektur Feedforward Neural Network (FNN), kemudian dioptimalkan melalui algoritma Gradient Descent dan Simulated Annealing untuk meminimalkan galat prediksi. Evaluasi dilakukan dengan membandingkan keluaran prediksi terhadap data aktual (bila tersedia) dan menggunakan metrik kesalahan seperti Mean Absolute Error (MAE) dan Root Mean Squared Error (RMSE). Hasil simulasi menunjukkan model ANN teroptimasi mampu memprediksi kebutuhan energi dengan mempertimbangkan faktor dinamis (misalnya suhu eksternal, kelembaban, dan okupansi). Pada contoh perhitungan yang disajikan, diperoleh MAE sebesar 800 Wh dan RMSE sebesar 899,94 Wh. Temuan ini menegaskan potensi ANN sebagai komponen prediktif untuk meningkatkan efektivitas pengendalian energi pada BEMS, dengan peluang pengembangan lanjutan melalui penggunaan data lapangan dan arsitektur time-series yang lebih kompleks.

Downloads

Download data is not yet available.

References

R. Rasyid and A. Ibrahim, “Implementation of machine learning using the convolution neural network method for Aglaonema interest classification,” J. E-Komtek, vol. 5, no. 1, pp. 21–30, 2021.

R. Rachmat and A. Ibrahim, “Decision Support System for Receiving Waste Retribution at the Housing and Sanitation Services Uses the Naïve Bayes Algorithm,” Bull. Comput. Sci. Electr. Eng., vol. 2, no. 2, pp. 84–92, 2021.

M. F. Basmar, R. Racchmat, and M. Yusuf, “Decision Support System On The Influence Of Leadership Style And Work Motivation Of Upri Makassar Employees Using Naive Bayes Algorithm,” INFOKUM, vol. 10, no. 5, pp. 544–549, 2022.

S. Suherwin, R. Rachmat, I. Said, and S. N. Asia, “Pembangunan Sistem AI Berdasarkan Analisis Aktivitas Digital Untuk Mengidentifikasi Gaya Belajar Siswa,” RIGGS J. Artif. Intell. Digit. Bus., vol. 4, no. 2, pp. 3117–3122, 2025.

R. Rachmat and R. D. Liklikwati, “OPTIMASI k-Nearst-Neighbor (k-NN) DENGAN PARTICLE SWARM OPTIMIZATION PADA KLASIFIKASI NASABAH KREDIT,” JTRISTE, vol. 6, no. 1, pp. 9–16, 2019.

R. Rachmat and S. Suhartono, “Comparative analysis of single exponential smoothing and holt’s method for quality of hospital services forecasting in general hospital,” Bull. Comput. Sci. Electr. Eng., vol. 1, no. 2, pp. 80–86, 2020.

R. Rachmat, S. B. Iskandar, K. Kasmawaru, and S. Suherwin, “Comparison of coronary heart disease prediction using basic model and ensemble learning,” J. Intell. Decis. Support Syst., vol. 8, no. 2, pp. 74–84, 2025.

R. Rachmat, “Waterfall Method In The Development Of Information Systems In Supporting Transactional In Small Businesses,” INFOKUM, vol. 10, no. 5, pp. 516–524, 2022.

S. Suherwin, S. N. Asia, and R. Rachmat, “Human-AI Interaction dengan Antarmuka Suara dalam Bahasa Lokal/Dialek Nusantara,” RIGGS J. Artif. Intell. Digit. Bus., vol. 4, no. 3, pp. 8618–8625, 2025.

A. Ibrahim and R. Rachmat, “’Pakarena’dance image classification using convolutional neural network algorithm,” Ilk. J. Ilm., vol. 13, no. 2, pp. 134–139, 2021.

R. Rachmat, M. Rafli, Faisal, Suherwin, S. N. Asia, and A. Karimi, “Deep Learning-Based Sentiment and Emotion Analysis of Social Media Data to Identify Factors Affecting Healthy Food Choices in Urban Communities,” J. Inf. Syst. Technol. Res., vol. 4, no. 3, pp. 145–154, 2025.

R. Rachmat, Kasmawaru, and M. Rafli, “Left vertical segmentation of 2-D heart MRI images using U-net network,” J. Mantik, vol. 7, no. 3, 2023.

Kasmawaru, I. Djafar, M. Rafli, and R. Rachmat, “Analysis of vegetable purchasing patterns in supermarkets using association rule,” Inst. Comput. Sci., vol. 7, no. 3, pp. 2296–2302, 2023.

S. Karbasforoushha, “A comprehensive review of building energy optimization using metaheuristic algorithms,” J. Build. Eng., vol. 98, p. 111377, 2024, doi: 10.1016/j.jobe.2024.111377.

R. Rachmat, M. Octavianus, and S. N. Asia, “Development of Accounting Information System at BUMDES to Enchance Financial Performance of the Village,” J. Intell. Decis. Support Syst., vol. 5, no. 4, pp. 132–139, 2022.

M. Zainuddin and R. Rachmat, “Studi Perbandingan Kepuasan Pelanggan pada Kedai Kopi Berdasarkan Ulasan Online dengan Pendekatan Analisis Sentimen Berbasis Aspek dan Pemodelan Topik Hybrid,” J. Informatics Educ., vol. 8, no. 2, pp. 218–227, 2025.