[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-seo-128206-113":3,"detail-sidebar-cat-0-id-113":81,"doc-detail-128206-id":128},{"code":4,"msg":5,"data":6},0,"ok",{"site_id":7,"language":8,"slug":9,"title":10,"keywords":11,"description":12,"schema_data":13,"social_meta":74,"head_meta":76,"extra_data":78,"updated_unix":80},113,"id","analisis-keefektifan-pencahayaan-buatan-dalam-ruangan-menggunakan-machine-learning-studi-kasus-data-sensor-lingkungan-dan-konsumsi-listrik-smart-building","ANALISIS KEEFEKTIFAN PENCAHAYAAN BUATAN DALAM RUANGAN MENGGUNAKAN MACHINE LEARNING - Studi Kasus Data Sensor Lingkungan Dan Konsumsi Listrik Smart Building","","Pencahayaan pada kantor berperan penting bagi performa penggunaan ruang, terutama pencahayaan buatan yang sering tidak selaras dengan pencahayaan alami siang sehingga berpotensi menurunkan efektivitas dan menimbulkan kerugian berkala. Penelitian ini menilai keefektifan pencahayaan buatan menggunakan pendekatan machine learning berbasis data CU-BEMS dari sensor lingkungan dan konsumsi listrik pada tiap ruangan selama 18 bulan. Model XGBoost menghasilkan akurasi tinggi dengan R-Squared sekitar 0,99 serta RMSE rendah, lalu diuji melalui prediksi dengan input tertentu beserta tingkat kepercayaan tiap hasil.",{"@graph":14,"@context":73},[15,34,56],{"@type":16,"itemListElement":17},"BreadcrumbList",[18,23,27,31],{"item":19,"name":20,"@type":21,"position":22},"https://docshare.wps.com","Home","ListItem",1,{"item":24,"name":25,"@type":21,"position":26},"https://docshare.wps.com/id/document/","Document",2,{"item":28,"name":29,"@type":21,"position":30},"https://docshare.wps.com/id/document/penelitian-laporan/","Penelitian & Laporan",3,{"item":32,"name":10,"@type":21,"position":33},"https://docshare.wps.com/id/document/analisis-keefektifan-pencahayaan-buatan-dalam-ruangan-menggunakan-machine-learning-studi-kasus-data-sensor-lingkungan-dan-konsumsi-listrik-smart-building/128206/",4,{"url":32,"name":10,"@type":35,"image":36,"author":41,"headline":10,"publisher":44,"fileFormat":47,"inLanguage":8,"description":12,"dateModified":48,"datePublished":49,"encodingFormat":47,"isAccessibleForFree":50,"interactionStatistic":51},"DigitalDocument",{"url":37,"@type":38,"width":39,"height":40},"https://docshare.wps.com/thumbnails/analisis-keefektifan-pencahayaan-buatan-dalam-ruangan-menggunakan-machine-learning-studi-kasus-data-sensor-lingkungan-dan-konsumsi-listrik-smart-building/128206.png","ImageObject",300,407,{"name":42,"@type":43},"Eden","Person",{"url":19,"name":45,"@type":46},"DocShare","Organization","application/pdf","2026-09-20","2026-08-05",true,{"@type":52,"interactionType":53,"userInteractionCount":55},"InteractionCounter",{"@type":54},"ViewAction",8,{"@type":57,"mainEntity":58},"FAQPage",[59,65,69],{"name":60,"@type":61,"acceptedAnswer":62},"Mengapa keefektifan pencahayaan buatan perlu dianalisis pada ruang kantor?","Question",{"text":63,"@type":64},"Karena sistem pencahayaan buatan sering tidak menyesuaikan dengan pencahayaan alami siang hari, sehingga dapat tidak efektif dan berdampak pada kerugian berkala serta menurunkan performa penggunaan ruang.","Answer",{"name":66,"@type":61,"acceptedAnswer":67},"Data apa yang digunakan untuk membangun model keefektifan pencahayaan buatan?",{"text":68,"@type":64},"Data berbasis CU-BEMS yang bersumber dari sensor lingkungan dan konsumsi listrik, dengan pengamatan selama 18 bulan dari perangkat yang terpasang di tiap ruangan.",{"name":70,"@type":61,"acceptedAnswer":71},"Seberapa baik performa model XGBoost berdasarkan evaluasi yang dilaporkan?",{"text":72,"@type":64},"Model menunjukkan akurasi sangat baik, ditunjukkan oleh R-Squared sekitar 0,99 serta RMSE yang rendah pada proses pendekatan dan juga pada pengujian data.","https://schema.org",{"og:url":32,"og:type":75,"og:title":10,"og:site_name":45,"og:description":12},"article",{"robots":77,"canonical":32},"index,follow",{"doc_id":79,"site_id":7},128206,1785945570,{"code":4,"msg":82,"data":83},"success",[84,89,93,97,101,105,108,112,116,120,124],{"id":85,"doc_module":4,"doc_module_name":25,"category_name":86,"show_sort_weight":87,"slug":88},55,"Agama & Spiritualitas",60,"religion-spirituality",{"id":90,"doc_module":4,"doc_module_name":25,"category_name":91,"show_sort_weight":87,"slug":92},48,"Cerita & Novel","story-novel",{"id":94,"doc_module":4,"doc_module_name":25,"category_name":95,"show_sort_weight":87,"slug":96},56,"Gaya Hidup","lifestyle",{"id":98,"doc_module":4,"doc_module_name":25,"category_name":99,"show_sort_weight":87,"slug":100},51,"Komik","comic",{"id":102,"doc_module":4,"doc_module_name":25,"category_name":103,"show_sort_weight":87,"slug":104},53,"Layanan Kesehatan","healthcare",{"id":106,"doc_module":4,"doc_module_name":25,"category_name":29,"show_sort_weight":87,"slug":107},54,"research-report",{"id":109,"doc_module":4,"doc_module_name":25,"category_name":110,"show_sort_weight":87,"slug":111},49,"Sastra","literature",{"id":113,"doc_module":4,"doc_module_name":25,"category_name":114,"show_sort_weight":87,"slug":115},52,"Teknologi","technology",{"id":117,"doc_module":4,"doc_module_name":25,"category_name":118,"show_sort_weight":87,"slug":119},50,"Ujian","exam",{"id":121,"doc_module":4,"doc_module_name":25,"category_name":122,"show_sort_weight":87,"slug":123},57,"Umum","general",{"id":125,"doc_module":4,"doc_module_name":25,"category_name":126,"show_sort_weight":4,"slug":127},181,"Formulir","formulir",{"code":4,"msg":82,"data":129},{"doc_id":79,"user_id":130,"nickname":42,"user_avatar":131,"doc_module":4,"category_id":106,"category_name":29,"doc_title":10,"doc_description":12,"doc_content":132,"file_id":133,"file_url":134,"file_type":135,"file_size":136,"view_count":55,"is_deleted":4,"is_public":22,"is_downloadable":22,"audit_status":22,"page_count":137,"language":138,"language_code":8,"site_id":7,"html_lang":8,"table_of_contents":139,"faqs":140,"seo_title":141,"seo_description":12,"update_tm":80,"read_time":142},2336475104362,"https://ap-avatar.wpscdn.com/avatar/22000c4c46a41b752dd?x-image-process=image/resize,m_fixed,w_180,h_180&k=1786595829695023868","ANALISIS KEEFEKTIFAN PENCAHAYAAN BUATAN DALAM RUANGAN MENGGUNAKAN MACHINE LEARNING (Studi Kasus Data Sensor Lingkungan Dan Konsumsi Listrik Smart Building)  \nSusanto1, Ari Wibowo 2)  \n1Prodi Arsitektur-Universitas Subang, 2)Prodi Arsitektur-Universitas Subang.  \nE-mail: [1susanto.ar2011@unsub.ac.id](1susanto.ar2011@unsub.ac.id) , *)[ariwibowo@unsub.co.id](ariwibowo@unsub.co.id)  \nInformasi Naskah: Diterima:  \n17 Januari 2024 Direvisi:  \n20 Februari 2024 Disetujui terbit:  \n10 Maret 2024 Diterbitkan:  \nCetak:  \n29 Maret 2024  \nOnline  \n29 Maret 2024  \nAbstract: Lighting in an office is an important aspect which can certainly support the performance of its use. Especially in artificial lighting, it is not uncommon if the design system does not adapt to natural daylight, of course it is not effective, and has a negative impact and causes losses periodically. Therefore, it is important to know the effectiveness of using artificial lighting in a room. In this analysis process, one method that can be used is machine learning. By using CU-BEMS based data, which is obtained from environmental sensor data and electricity consumption. This data was taken over a period of 18 months, consisting of several readings from equipment installed in each room. And from this data it is used to select the required quantities so that they can suit your needs. After that, the XGBoost algorithm can be applied and the approach process carried out produces very good accuracy. This can be proven from the results of the resulting evaluation matrix, such as the R-Squared value of 0. 99, the RMSE (Root Mean Square Error) is 0.028. Then, in the data testing process, high accuracy was also obtained, for R-Squared of 0.99 and RMSE (Root Mean Square Error) of 0.092. After the training and testing process has obtained very good results, we proceed to the process of analyzing the effectiveness of artificial lighting by entering certain input values, to produce information about the effectiveness of artificial lighting in certain rooms, accompanied by the level of confidence or accuracy of each prediction result.  \nKeyword: Artificial Lighting, Sensor data and electricity consumption, Machine Learning, XGBoo  \nAbstrak: Pencahayaan pada kantor merupakan salah satu aspek penting yang tentu dapat menunjang kinerja penggunaannya. Khususnya dalam pencahayaan buatan, tidak jarang jika sistem perancangannya tidak menyesuaikan akan pencahayaan alami siang hari, tentulahtidak efektif, dan berdampak negative dan memberikan kerugian secara berkala. Oleh karenaitu, penting untuk mengetahui keefektifan dari penggunaan pencahayaan buatan pada suaturuangan. Dalam proses analisis ini salah satu metode yang dapat digunakan adalah dengan menggunakan machine learning. Dengan menggunakan data berbasis CU-BEMS, yang diperoleh dari data sensor lingkungan dan konsumsi listrik. Data ini diambil dalam kurunwaktu selama 18 bulan, yang terdiri beberapa hasil pembacaan alat yang terpasang di tiapruangan. Dan dari data tersebut digunakan untuk menyeleksi besaran yang diperlukansehingga dapat sesuai dengan kebutuhan. Setelah itu, maka penerapan algoritma XGBoost dapat dilakukan dan dari proses pendekatan yang dilakukan, menghasilkan akurasi yang sangat baik. Hal ini dapat dibuktikan dari hasil matrik evaluasi yang dihasilkan seperti nilai RSquared sebesar 0.99, besar RMSE (Root Mean Square Error) yaitu 0.028. Kemudian padaproses pengujian data juga diperoleh akurasi yang tinggi, untuk R-Squared sebesar 0.99 dan RMSE (Root Mean Square Error) 0.092. Setelah proses pelatihan dan pengujian didapatkan hasil yang sangat baik, maka dilanjutkan ke proses analisis keefektifan pencahayaan buatandengan mengisikan nilai inputan tertentu, untuk menghasilkan informasi mengenai keefektifan dari pencahayaan buatan pada ruangan tertentu dengan disertai tingkat kepercayaan atau keakurasian dari setiap hasil prediksinya.  \nKata Kunci: Pencahayaan Buatan , Data sensor dan konsumsi listrik , Machine Learning , XGB","cbCaid7S9kUgvP7d","https://ap.wps.com/l/cbCaid7S9kUgvP7d","pdf",1123581,12,"Indonesian","# Pendahuluan\n## Latar belakang peran pencahayaan\n## Dampak ketidaksesuaian standar iluminasi\n## Kebutuhan pencahayaan untuk produktivitas dan kenyamanan\n# Metodologi Analisis\n## Data CU-BEMS: sensor lingkungan dan konsumsi listrik\n## Proses pemodelan menggunakan XGBoost\n## Evaluasi kinerja model (R-Squared, RMSE)\n# Analisis Keefektifan Pencahayaan Buatan\n## Prediksi berdasarkan input tertentu\n## Tingkat kepercayaan hasil prediksi","[{\"question\":\"Mengapa keefektifan pencahayaan buatan perlu dianalisis pada ruang kantor?\",\"answer\":\"Karena sistem pencahayaan buatan sering tidak menyesuaikan dengan pencahayaan alami siang hari, sehingga dapat tidak efektif dan berdampak pada kerugian berkala serta menurunkan performa penggunaan ruang.\"},{\"question\":\"Data apa yang digunakan untuk membangun model keefektifan pencahayaan buatan?\",\"answer\":\"Data berbasis CU-BEMS yang bersumber dari sensor lingkungan dan konsumsi listrik, dengan pengamatan selama 18 bulan dari perangkat yang terpasang di tiap ruangan.\"},{\"question\":\"Seberapa baik performa model XGBoost berdasarkan evaluasi yang dilaporkan?\",\"answer\":\"Model menunjukkan akurasi sangat baik, ditunjukkan oleh R-Squared sekitar 0,99 serta RMSE yang rendah pada proses pendekatan dan juga pada pengujian data.\"}]","ANALISIS KEEFEKTIFAN PENCAHAYAAN BUATAN DALAM RUANGAN MENGGUNAKAN MACHINE LEARNING - Studi Kasus Data Sensor Lingkungan Dan Konsumsi Listrik Smart Building | PDF",18]