<![CDATA[Penerapan deep learning pada sistem bangunan pintar telah menunjukkan potensi besar dalam meningkatkan efisiensi energi melalui prediksi beban, deteksi okupansi, dan pengendalian sistem HVAC. Namun, pelatihan model dalam skala besar menghadapi tantangan serius terkait kebutuhan data besar dan beban komputasi tinggi. Penelitian ini bertujuan menganalisis efektivitas dan efisiensi pelatihan model deep learning pada skala besar bangunan, serta mengevaluasi peran transfer learning sebagai strategi pengurangan beban pelatihan. Penelitian menggunakan arsitektur MLP, LSTM, dan CNN, serta pendekatan feature extraction dan fine-tuning dalam transfer learning. Evaluasi dilakukan terhadap akurasi, F1-score, RMSE, serta metrik efisiensi seperti waktu pelatihan, penggunaan memori, dan jumlah parameter. Hasil menunjukkan bahwa MLP memberikan performa terbaik untuk klasifikasi okupansi, sementara LSTM unggul dalam prediksi energi. Transfer learning terbukti efektif dalam mempertahankan akurasi dengan efisiensi pelatihan yang lebih tinggi. Model ringan seperti MLP + Transfer Learning (FE) mengurangi konsumsi memori hingga 35% dibanding pelatihan penuh, tanpa penurunan akurasi signifikan. Penelitian ini menyimpulkan bahwa kombinasi pemilihan arsitektur yang tepat dan strategi pelatihan efisien sangat penting dalam implementasi praktis model deep learning pada bangunan pintar berskala besar.]]>
Copyrights © 2025
