Di seluruh dunia, konsumsi listrik terus meningkat seiring berkembangnya kota dan bertambahnya gedung-gedung modern. Namun, tantangan besar muncul: bagaimana kita bisa memprediksi pemakaian listrik sebuah bangunan dengan tepat sehingga pengelolaan energi menjadi lebih efisien, biaya bisa ditekan, dan risiko pemborosan listrik berkurang. Jawabannya semakin mengarah pada pemanfaatan kecerdasan buatan, khususnya Artificial Neural Networks atau jaringan saraf tiruan.
Kecerdasan buatan kini mampu mempelajari pola pemakaian energi dari waktu ke waktu dan memprediksi konsumsi listrik di masa depan. Dengan informasi tersebut, sistem manajemen gedung dapat bekerja lebih pintar, seperti menyesuaikan pendingin atau pemanas ruangan secara otomatis sesuai kebutuhan. Namun, ada satu hal krusial yang sering tidak disadari: kualitas prediksi kecerdasan buatan sangat bergantung pada teknik pengolahan data sebelum ia dilatih.
Sebuah penelitian terbaru yang diterbitkan dalam jurnal Sustainable Cities and Society pada tahun 2025 menyoroti hal ini secara mendalam. Studi tersebut meneliti bagaimana metode normalisasi data dapat mempengaruhi kemampuan kecerdasan buatan dalam memprediksi konsumsi listrik gedung. Normalisasi adalah proses menyesuaikan data agar model kecerdasan buatan lebih mudah mengenali pola di dalamnya. Meskipun terdengar teknis, pemahaman ini penting karena berpengaruh langsung pada efisiensi energi di bangunan tempat kita tinggal dan bekerja.
Baca juga artikel tentang: Kendaraan Listrik: Seberapa Besar Dampaknya Bagi Lingkungan?
Para peneliti menggunakan empat jenis model kecerdasan buatan yang berbeda, yaitu Long Short-Term Memory Networks (LSTM), Levenberg-Marquardt Backpropagation (LMBP), Recurrent Neural Networks (RNN), dan General Regression Neural Network (GRNN). Keempat model ini dipilih karena dikenal unggul dalam membaca pola data waktu, yaitu data yang berubah secara bertahap berdasarkan jam, hari, hingga musim.
Lalu, empat metode normalisasi diterapkan pada data konsumsi listrik eksperimen: Min-Max Scaling, Mean Normalization, Z-Score, serta fungsi Gaussian. Tujuan utama penelitian ini adalah menemukan kombinasi terbaik yang dapat menghasilkan prediksi paling akurat.
Hasilnya cukup mengejutkan. Model LSTM, yang merupakan salah satu jenis jaringan saraf paling canggih dalam memahami urutan data waktu, tampil sebagai yang terbaik. Namun, keunggulan itu hanya tampak jelas ketika data dinormalisasi menggunakan metode Min-Max. Kombinasi ini menghasilkan kesalahan prediksi yang paling kecil, sehingga memberikan perkiraan pemakaian listrik yang mendekati kenyataan.
Sementara itu, metode Z-Score memberikan kinerja terbaik ketika digunakan pada model LMBP, meskipun tingkat ketelitiannya masih sedikit di bawah kombinasi LSTM dan Min-Max. Model RNN, saat dipasangkan dengan normalisasi Gaussian, juga memberikan hasil baik meskipun tidak setinggi LSTM.
Yang paling menarik adalah temuan pada model GRNN. Berbeda dari model lainnya, GRNN mampu bekerja cukup baik bahkan tanpa normalisasi data. Artinya, dalam kondisi tertentu, model ini memiliki fleksibilitas lebih tinggi, namun masih kalah akurat dibanding LSTM dalam studi ini.
Melalui kombinasi pengujian metode, penelitian ini menemukan bahwa perbedaan teknik persiapan data saja dapat memberikan hasil yang sangat berbeda. Dengan kata lain, jika data tidak diolah dengan tepat sebelum masuk ke model kecerdasan buatan, hasil prediksi dapat menyimpang jauh dari kenyataan.
Mengapa pemodelan prediksi listrik ini begitu penting bagi masa depan? Ada beberapa alasan kuat.
Pertama, gedung merupakan salah satu penyumbang terbesar konsumsi energi dunia. Organisasi internasional memperkirakan bahwa lebih dari 30 persen energi global dihabiskan untuk menjalankan bangunan. Dengan prediksi konsumsi listrik yang akurat, pengelola gedung dapat mengatur operasional peralatan seperti lampu, AC, elevator, hingga komputer, sehingga hanya digunakan saat diperlukan.
Kedua, kemampuan meramalkan kebutuhan listrik membantu menjaga stabilitas jaringan listrik. Jika suatu gedung bisa memprediksi lonjakan pemakaian, penyedia energi dapat menyesuaikan pasokan lebih cepat, mengurangi risiko pemadaman listrik.
Ketiga, dampaknya bersifat lingkungan. Lebih efisien dalam mengonsumsi listrik berarti lebih sedikit energi terbuang, emisi karbon pun turun. Dalam era transisi energi, hal ini menjadi faktor penting untuk mencapai target iklim dunia.
Penelitian seperti ini membuka pintu menuju kota cerdas yang benar-benar efisien. Bayangkan sebuah gedung yang mengetahui jadwal aktivitas penghuninya, mempelajari perilaku penggunaan AC saat siang terik, atau memahami kapan lift dipakai lebih banyak. Semua itu dapat dianalisis untuk mengurangi energi yang terpakai tanpa mengorbankan kenyamanan.
Namun, perjalanan menuju penerapan luas masih panjang. Tantangan lain perlu dipecahkan, seperti ketersediaan data yang baik dan lengkap, keamanan data penghuni, hingga kebutuhan komputasi besar untuk pelatihan model. Meski begitu, penelitian ini memberikan satu pesan penting bagi ilmuwan dan insinyur: keberhasilan kecerdasan buatan dalam mengelola energi bukan hanya soal memilih model, tetapi juga mempersiapkan data dengan benar.
Dalam era digital dan elektrifikasi seperti sekarang, listrik tidak lagi sekadar energi yang dinyalakan dan dipadamkan. Ia menjadi bagian dari ekosistem data dan kecerdasan. Gedung masa depan akan menjadi organisme digital yang belajar, menyesuaikan diri, dan berkembang demi efisiensi dan keberlanjutan.
Dengan memahami cara kerja dan dukungan penelitian semacam ini, kita semakin dekat pada realisasi kota yang tidak hanya modern, tetapi juga cerdas dan ramah lingkungan. Masa depan pengelolaan listrik mungkin terletak pada kecerdasan buatan, dan langkah awal yang terlihat sederhana seperti normalisasi data, rupanya bisa membawa dampak besar pada dunia energi global.
Baca juga artikel tentang: Teknologi Propulsi Listrik: Kunci Masa Depan Eksplorasi Luar Angkasa
REFERENSI:
Kim, Yang-Seon dkk. 2025. Investigating the impact of data normalization methods on predicting electricity consumption in a building using different artificial neural network models. Sustainable Cities and Society 118, 105570.
