<![CDATA[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.]]>
Copyrights © 2026
