PERANCANGAN KENDALI PREDIKTIF SISTEM PENDINGINAN RUANGAN PADA BANGUNAN SMART AND GREEN LEARNING CENTER UNIVERSITAS GADJAH MADA MENGGUNAKAN JARINGAN SARAF TIRUAN

TAHTA WENERDA, Nazrul Effendy, ST., MT., Ph.D; Dr. Eng. M. Kholid Ridwan, ST., M.Sc

2018 | Skripsi | S1 TEKNIK FISIKA

Sektor bangunan di Indonesia bertanggung jawab terhadap 50% dari total pengeluaran energi dan 70% dari total konsumsi listrik. Bangunan Smart & Green Learning Center (SGLC) dituntut dapat meraih kenyamanan termal dari segi pendinginan ruangan yang baik dengan konsumsi energi yang optimal. Penelitian ini bertujuan untuk merancang kendali prediktif sistem pendinginan ruangan pada bangunan SGLC dengan memprediksikan hubungan suhu dalam ruang dan suhu luar ruang bangunan terhadap setpoint dengan metode neural network predictive controller. Hasil penelitian menunjukkan dengan masukan bilangan acak, nilai rerata Mean Square Error (MSE) terkecil zona 1 lantai 2 dan 3 untuk skenario 1 dengan jumlah neuron 9 sebesar 2x10-9, skenario 2 dengan jumlah neuron 6 sebesar 3,78x10-10, skenario 3 dengan jumlah neuron 6 sebesar 3,01x10-10, skenario 4 dan 5 dengan jumlah neuron 9 sebesar 0,001889. Pada zona 7 lantai 4 sampai 11 untuk skenario 1 dengan jumlah neuron 6 sebesar 3,01x10-11, skenario 2 dengan jumlah neuron 10 sebesar 2,8x10-11, skenario 3 dengan jumlah neuron 10 sebesar 3,24x10-9, skenario 4 dan 5 dengan jumlah neuron 9 sebesar 0,000817. Dengan masukan suhu cuaca per jam, nilai rerata MSE terkecil zona 1 lantai 2 dan 3 untuk skenario 1 dengan jumlah neuron 3 sebesar 0,010566, skenario 2 dengan jumlah neuron 3 sebesar 0,001254, skenario 3 dengan jumlah neuron 6 sebesar 0,001577, skenario 4 dan 5 dengan jumlah neuron 10 sebesar 0,09688. Pada zona 7 lantai 4 sampai 11 untuk skenario 1 dengan jumlah neuron 9 sebesar 0,0187, skenario 2 dengan jumlah neuron 6 sebesar 0,01582, dan skenario 3 dengan jumlah neuron 9 sebesar 0,018021, skenario 4 dan 5 dengan jumlah neuron 10 sebesar 0,008096.

Building sector in Indonesia is responsible for 50% of the total energy expenditure, and over 70% of the overall electricity consumption. Smart & Green Learning Center (SGLC) building require thermal comfort of cooling room with energy consumption optimization. This research aims to design a predictive control of indoor cooling system on Smart & Green Learning Center (SGLC) building, to predict relation of indoor temperature and outdoor temperature against a setpoint with neural network predictive controller method. The results showed with random numbers input, the number of neurons in the hidden layer shows smallest of average value of the Mean Square Error (MSE) for scenario 1 is 9 neurons of 2x10-9, scenario 2 is 6 neurons of 3,78x10-10, scenario 3 is 6 neurons of 3,01x10-10, scenario 4 and 5 is 9 neurons of 0,001889 on the zone 1 of 2nd and 3rd floor. Scenario 1 is 6 neurons of 3,01x10-11, scenario 2 is 10 neurons of 2,8x10-11, scenario 3 is 10 neurons of 3,24x10-9, scenario 4 and 5 is 9 neurons of 0,000817 on the zone 7 of 4-11th 7th floor. As for the temperature weather perhour input, the number of neurons in the hidden layer shows smallest of average value of the Mean Square Error (MSE) for scenario 1 is 3 neurons of 0,010566, scenario 2 is 3 neurons of 0,001254, scenario 3 is 6 neurons of 0,001577, scenario 4 and 5 is 10 neurons of 0,09688 on the zone 1 of 2nd and 3rd floor. Scenario 1 is 9 neurons of 0,0187, scenario 2 is 6 neurons of 0,015824, scenario 3 is 9 neurons of 0,018021, scenario 4 and 5 is 10 neurons of 0,008096 on the zone 7 of 4-11th 7th floor.

Kata Kunci : Smart and Green Learning Center, green building, sistem pendinginan ruangan, neural network predictive controller, mean square error.