Pemodelan Karakteristik Penggunaan Air Conditioner (Ac) Menggunakan Metode Reinforcement Learning Untuk Meningkatkan Efisiensi Penggunaan Listrik
Abstract
Penggunaan Air Conditioner (AC) yang tidak terkelola secara optimal menjadi salah satu penyebab utama tingginya konsumsi energi listrik pada gedung perkuliahan. Penelitian ini bertujuan untuk memodelkan karakteristik penggunaan AC serta mengevaluasi potensi peningkatan efisiensi energi melalui pendekatan simulasi berbasis Reinforcement Learning, khususnya algoritma Soft Actor-Critic (SAC). Penelitian difokuskan pada simulasi pengendalian suhu AC menggunakan data operasional historis, tanpa penerapan kontrol secara real-time pada perangkat fisik. Data suhu ruangan, suhu luar, setpoint AC, dan konsumsi daya diperoleh dari sistem berbasis Internet of Things (IoT) yang terdiri dari sensor DHT22, kWh meter DDS238-2 ZN/S, dan mikrokontroler ESP32. Data tersebut digunakan untuk membangun model dinamika AC sebagai lingkungan simulasi. Selanjutnya, algoritma Soft Actor-Critic dilatih secara offline untuk mempelajari kebijakan pengaturan setpoint suhu yang mampu menyeimbangkan antara kenyamanan termal dan efisiensi energi. Hasil simulasi menunjukkan bahwa algoritma Soft Actor-Critic mampu menghasilkan strategi pengendalian yang lebih stabil dibandingkan pengaturan manual. Rata-rata error kenyamanan suhu pada simulasi berbasis SAC tercatat sebesar 0,25°C, lebih rendah dibandingkan metode manual yang mencapai 1,46°C. Dari sisi konsumsi energi, simulasi menunjukkan potensi penghematan energi sebesar 10–17%, dengan penurunan konsumsi dari 1,606 kWh menjadi 1,326 kWh pada skenario pengujian selama 10 jam. Berdasarkan hasil tersebut, dapat disimpulkan bahwa pendekatan simulasi berbasis Reinforcement Learning dengan algoritma Soft Actor-Critic efektif untuk memodelkan karakteristik penggunaan AC dan mengevaluasi potensi efisiensi energi. Penelitian ini dapat menjadi dasar pengembangan sistem pengendalian AC yang lebih cerdas dan adaptif pada tahap implementasi selanjutnya.
Kata kunci: Air Conditioner, Simulasi, Reinforcement Learning, Soft Actor-Critic, Efisiensi Energi.
References
Kementerian Energi dan Sumber Daya Mineral, Statistik Ketenagalistrikan Indonesia 2023, Jakarta, Indonesia, 2023.
W. Yang et al.,“Thermal comfort and productivity in office buildings,” Energy and Buildings, vol. 49, pp. 15–22, 2012.
Kementerian ESDM RI, Handbook of Energy & Economic Statistics of Indonesia, 2023.
Z. Yu, B. Fung, F. Haghighat, H. Yoshino, and E. Morofsky, “A systematic procedure to study the influence of occupant behavior on building energy consumption,” Energy and Buildings, vol. 43, no. 6, pp. 1409–1417, 2011.
A. Kusiak, M. Li, and F. Tang, “Modeling and optimization of HVAC energy consumption,” Applied Energy, vol. 87, no. 10, pp. 3092–3102, 2010.
Y. Wei et al., “Deep reinforcement learning for building HVAC control: A review,” Applied Energy, vol. 268, 2020.
