genetic algorithm untuk mengoptimasi return of investment pada

Seediscussions,stats,andauthorprofilesforthispublicationat:http://www.researchgate.net/publication/271831879
GENETICALGORITHMUNTUKMENGOPTIMASI
RETURNOFINVESTMENTPADAGREEN
BUILDING
CONFERENCEPAPER·JULY2014
READS
96
1AUTHOR:
TotokR.Biyanto
InstitutTeknologiSepuluhNopember
26PUBLICATIONS12CITATIONS
SEEPROFILE
Availablefrom:TotokR.Biyanto
Retrievedon:05November2015
Totok R. Biyanto, GA untuk Mengoptimasi ROI pada Green Building, Seminar Nasional CITIES 2014
GENETIC ALGORITHM UNTUK MENGOPTIMASI RETURN OF
INVESTMENT PADA GREEN BUILDING
Totok R. Biyanto
Institut Teknologi Sepuluh Nopember Surabaya
[email protected]
Jurusan Teknik Fisika
Abstrak
Perkembangan green building dari tahun ke tahun semakin berkembang pesat baik
dari segi desain maupun kualitas bangunan tersebut. Hanya saja, perkembangan green
building terkendala atas biaya investasi yang mahal. Hal ini dikarenakan dalam
mengembangkan green building diperlukan biaya investasi terhadap kategori-kategori pada
green building. Kategori-kategori yang mampu memberikan perubahan biaya investasi
ataupun cost saving yaitu kategori konservasi energi atau energy efficiency and conservation
(EEC) dan konservasi air atau water conservation (WAC). Dari kedua kategori tersebut,
kategori konservasi energi memiliki pengaruh terpenting dalam penilaian green building.
Besarnya pengaruh tersebut terletak pada penggunaan energi pada gedung tersebut.
Penggunaan energi pada gedung banyak disebabkan oleh penggunaan sistem pendingin
untuk mendinginkan beban panas dalam gedung. Komponen beban panas yang berperan
besar dalam membebani penggunaan sistem pendingin adalah beban eksternal. Beban
eksternal dipengaruhi oleh jenis selubung baik dinding, kaca maupun atap. Dengan jenis
dinding yang sama, penggunaan jenis kaca dan atap yang memiliki spesifikasi baik mampu
mengurangi beban panas yang dihasilkan. Hanya saja jenis kaca dan atap memiliki sifat
mixed integer non-linier programming terhadap harga investasi dan perhitungan beban
panas tersebut. Oleh karena itu, dalam penelitian ini perlu dilakukan optimasi terhadap jenis
kaca dan atap menggunakan metode genetic algorithm sehingga didapatkan penggunaan
energi yang optimal dengan mempertimbangkan biaya investasi yang minimal. Dari hasil
penelitian menunjukkan bahwa hasil optimasi EEC, nilai poin EEC optimal sebesar 16
dengan jenis kaca single glass Planibel G dengan tebal kaca 3.2 mm dan menggunakan
insulasi glasswool dengan nilai return of investment maksimal sebesar 36.8486%. Pada nilai
EEC optimal tersebut, terlihat bahwa nilai IKE dan emisi CO2 pada baseline gedung jauh
lebih besar daripada nilai IKE pada hasil optimasi desain terpilih dengan penurunan IKE dan
emisi CO2 berturut-turut sebesar 54 kWh/m2tahun dan 486.8971 ton/tahun. Biaya investasi
pada kategori EEC yang dibutuhkan oleh hasil optimasi desain terpilih lebih rendah daripada
biaya investasi kategori EEC pada baseline gedung sebesar Rp. 4.078.905.465,-.
Kata kunci : Green building, Optimasi, Genetic algorithm, Energy efficiency and conservation
1. PENDAHULUAN
Pembangunan dalam bidang konstruksi
bangunan atau properti dari tahun ke
tahun semakin berkembang baik dari segi
desain
maupun
kualitas
bangunan
tersebut.
Saat
ini
perkembangan
konstruksi bangunan banyak mengarah ke
bangunan hijau atau green building. Di
Amerika Serikat, para investor mulai
melirik peluang green building sebagai
investasi jangka panjang dikarenakan
biaya operasional green building yang
lebih
hemat
daripada
bangunan
konvensional (Bradshaw, 2006).
Di Indonesia, perkembangan green
building dipantau oleh suatu lembaga
konsil bangunan hijau Indonesia yang
bernama
Green
Building
Council
Indonesia (GBCI). GBCI memiliki standar
penilaian yaitu GREENSHIP rating (GBCI,
1
Totok R. Biyanto, GA untuk Mengoptimasi ROI pada Green Building, Seminar Nasional CITIES 2014
2013). Kategori utama yang memiliki poin
tertinggi dalam GREENSHIP rating adalah
efisiensi dan konservasi energi atau
Energy Efficiency and Conservation
(EEC).
Karena
dengan
melakukan
efisiensi energi pada gedung, maka
diharapkan mampu mengurangi polusi
yang dihasilkan oleh suatu gedung dimana
polusi yang dihasilkan oleh gedung
merupakan perhatian serius dalam
membangun green building (Zigenfus,
2008).
Salah satu jenis gedung yang diaudit
oleh GBCI yaitu gedung perkantoran.
Menurut Bhatt (2005) gedung perkantoran
saat ini banyak menggunakan energi
dibandingkan dengan jenis gedung yang
lain. Besarnya penggunaan energi pada
gedung perkantoran banyak disebabkan
oleh besarnya beban panas yang
didinginkan oleh sistem pendingin gedung
tersebut. Menurut Gulati (2012) komponen
beban panas yang berperan besar dalam
penurunan daya sistem pendingin yaitu
beban panas eksternal. Beban panas
eksternal dipengaruhi oleh besarnya
Overall Thermal Transfer Value (OTTV)
dan jenis atap.
Besarnya OTTV dipengaruhi oleh jenis
kaca dan dinding. Dengan jenis dinding
yang sama, besarnya nilai OTTV pada
gedung tersebut dipengaruhi oleh jenis
kaca yang digunakan. Spesifikasi jenis
kaca yang mempengaruhi besarnya beban
panas yaitu Shading Coefficient (SC) dan
Light Transmittance (LT) pada kaca. Nilai
SC berpengaruh terhadap perolehan
radiasi panas sinar matahari pada
perhitungan OTTV. Semakin kecil nilai SC,
maka nilai OTTV menjadi lebih kecil. Hal
ini membuat konsumsi energi sistem
pendingin pada gedung akan berkurang
(Yik, 2005). Spesifikasi jenis kaca yang
lain yaitu Light Transmittance (LT),
berperan dalam pencahayaan alami
(daylight) dalam gedung. Semakin besar
nilai LT, maka daylight dalam gedung
yang dihasilkan akan semakin besar. Hal
ini
menyebabkan
penggunaan
pencahayaan buatan akan semakin kecil
(Sandanasamy, 2013).
Selain itu juga, besarnya nilai LT pada
spesifikasi kaca berbanding lurus terhadap
besarnya nilai SC. Semakin besar nilai LT,
maka nilai SC akan semakin besar. Ini
mengakibatkan beban panas eksternal
akan semakin besar walaupun beban
pencahayaan semakin kecil. Hal ini
menunjukkan
bahwa
beban
panas
eksternal dan beban panas pencahayaan
yang disebabkan oleh nilai SC dan LT
pada kaca bersifat non-linier. Selain itu,
pada spesifikasi kaca tersebut, biaya
investasi kaca yang dibutuhkan sangat
beragam. Sehingga, besarnya biaya
investasi kaca terhadap spesifikasi kaca
bersifat non-linier.
Selain besarnya nilai OTTV, besarnya
beban eksternal juga dipengaruhi oleh
jenis atap yang digunakan. Dalam
menurunkan beban eksternal pada
gedung, bisa juga dilakukan penambahan
insulasi pada atap gedung. Menurut Bojic
(2014) penambahan insulasi pada atap
dapat menurunkan beban panas eksternal
sehingga penggunaan energi yang
disebabkan oleh beban panas eksternal
akan semakin berkurang. Hanya saja,
dengan melakukan penambahan insulasi
pada atap, maka perlu dibutuhkan biaya
investasi yang cukup banyak disamping
biaya
investasi
kaca.
Hal
ini
mempengaruhi besarnya nilai return of
investment
(ROI)
dimana
ROI
menunjukkan
besarnya
biaya
penghematan atau cost saving yang
dihasilkan terhadap biaya investasi yang
dibutuhkan.
Oleh karena itu, diperlukan suatu
optimasi terhadap penggunaan dua
variabel tersebut yakni jenis kaca dan
penggunaan insulasi untuk mencapai nilai
poin EEC yang optimal. Karena variabel
yang dioptimasi yaitu jenis kaca bersifat
non-linier dan penggunaan insulasi pada
atap bersifat integer, maka variabel
optimasi
tersebut
termasuk
dalam
permasalahan mixed integer non-linier
programming (MINLP). Salah satu metode
yang
digunakan
untuk
mengatasi
permasalahan MINLP yaitu metode
Genetic
Algorithm
(GA)
sehingga
didapatkan
solusi
global
optimum
(Venkataraman,
2002).
Dengan
menggunakan metode GA, diharapkan
akan didapatkan nilai EEC yang optimal
dengan mencari nilai return of investment
(ROI) yang maksimal.
2
Totok R. Biyanto, GA untuk Mengoptimasi ROI pada Green Building, Seminar Nasional CITIES 2014
2. TINJAUAN PUSTAKA
2.1 Green Building
Gedung merupakan suatu bangunan
tembok yang berukuran besar yang
digunakan sebagai tempat kegiatan
manusia. Selama daur hidupnya, gedung
membutuhkan energi, air, dan material
serta menghasilkan limbah baik padat, cair
maupun gas. Tentu saja, hal ini dapat
memberikan dampak buruk terhadap
lingkungan. Bangunan hijau atau green
building adalah gedung yang dapat
meminimalkan dampak negatif tersebut.
Menurut GBCI bangunan hijau juga
mengarah pada struktur dan pemakaian
proses yang bertanggung jawab terhadap
lingkungan dan penggunaan sumber daya
yang hemat sepanjang siklus hidup
bangunan tersebut.
Bangunan ramah lingkungan ini punya
kontribusi menahan laju pemanasan
global dimana mampu menghemat
penggunaan energi dalam bangunan dan
memiliki efek terhadap biaya operasional
yang
kecil
dibandingkan
dengan
bangunan konvensional lainnya. Menurut
Ng Ban (2011) hal ini dipengaruhi oleh
desain bangunan, ventilasi udara, dan
penggunaan energi terbarukan.
Prerequisite
OTTV Calculation
Prerequisite
Energy Efficiency Calculation
20
Natural Lighting
4
Ventilation
1
Climate Change Impact
1
On Site Renewable Energy (Bonus)
5
Sumber: GBCI, 2013
Di dalam kategori EEC, terdapat tiga
perhitungan utama yaitu perhitungan
OTTV,
simulasi
atau
perhitungan
pencahayaan alami dan pencahayaan
buatan, dan perhitungan penggunaan
energi. Perhitungan OTTV setiap arah
menurut SNI 03-6389-2011 tentang
Konservasi Energi Selubung Bangunan
pada Bangunan Gedung dirumuskan
dalam persamaan sebagai berikut:
(1)
dengan:
adalah selubung bangunan satu
arah (W/m2)
adalah absorbtansi panas
adalah transmitansi termal dinding
tak tembus cahaya (W/m2. °K)
adalah perbandingan luas jendela
dan luas seluruh dinding
adalah beda temperatur ekivalen
(°K)
adalah transmitansi termal pada
kaca (W/m2.K)
adalah perbedaan suhu (°K)
adalah koefisien peneduh kaca
adalah koefisien peneduh gedung
adalah faktor radiasi matahari
2
(W/m )
2.2 GREENSHIP Rating
Greenship rating merupakan sistem
penilaian standar GBCI yang digunakan
sebagai alat bantu bagi para pelaku
industri bangunan maupun pelaku lainnya
dalam menerapkan sertifikasi suatu
gedung menjadi green building. Sistem
penilaiannya dikelompokkan berdasarkan
enam kategori, yaitu Appropriate Site
Development (17 poin), Energy Efficiency
and Conservation (26 poin), Water
Conservation
(21
poin),
Material
Resources and Cycle (14 poin), Indoor
Health and Comfort (10 poin), dan Building
and Environment Management (13 poin).
Dari 6 kategori tersebut, Energy Efficiency
and Conservation (EEC) memiliki poin
tertinggi di Greenship rating. Di dalam
kategori EEC, terdapat kategori poin
seperti ditunjukkan pada Tabel 1. berikut
ini.
Perhitungan pencahayaan alami dan
buatan dilakukan dengan menggunakan
software DIALux. Dengan menggunakan
software, maka akan didapatkan poin
perhitungan pencahayaan alami sebesar 2
poin. Perhitungan efisiensi energi pada
gedung memakai standar GBCI yaitu
menggunakan
worksheet
dengan
menggunakan perbandingan data baseline
dan data desain, yaitu:
Tabel 1. Nilai Pada Kategori EEC
Kategori
Electrical Sub Metering
Poin
3
Totok R. Biyanto, GA untuk Mengoptimasi ROI pada Green Building, Seminar Nasional CITIES 2014
a. Data baseline adalah data acuan
gedung
dengan
nilai
standar
SNI/ASHRAE/ ketentuan dari GBCI.
b. Data desain adalah data yang
digunakan
oleh
arsitek
dalam
merencakan gedung yang sesuai
dengan yang diinginkan.
dimana:
adalah biaya investasi kategori
EEC desain gedung (Rupiah)
adalah biaya investasi kaca
jendela (Rupiah)
adalah biaya investasi sistem
pendingin (Rupiah)
adalah biaya investasi lampu
(Rupiah)
adalah biaya investasi electrical
sub metering (Rupiah)
adalah biaya investasi lux
sensor (Rupiah)
2.3 Biaya Investasi
Salah satu tujuan perhitungan
penggunaan energi pada green building
selain mendapatkan poin maksimal dalam
penilaian GREENSHIP yaitu menentukan
besarnya biaya investasi yang dibutuhkan
untuk mendesain suatu bangunan menjadi
bangunan berstandar green building.
Analisa biaya investasi pada green
building dilakukan dengan melakukan
perhitungan besarnya biaya investasi
bangunan baseline dan bangunan desain
dimana biaya investasi baseline yaitu
biaya investasi yang dihasilkan pada
bangunan yang dihitung menggunakan
data acuan gedung dengan nilai standar
SNI/ASHRAE/ ketentuan dari GBCI.
Sedangkan
biaya
investasi
desain
didapatkan dari biaya investasi yang
dihasilkan menggunakan data yang
digunakan
oleh
arsitek
dalam
merencanakan gedung yang sesuai
dengan yang diinginkan untuk mencapai
target sebagai green building. Secara
umum, perhitungan biaya investasi EEC
pada
baseline
ditunjukkan
pada
perhitungan berikut ini.
Selain menentukan besarnya biaya
investasi, perlu juga dilakukan perhitungan
untuk menentukan biaya tambahan
investasi total yang didapat dari biaya
investasi desain dikurangi biaya investasi
baseline seperti persamaan berikut ini.
(4)
dimana
adalah
biaya
investasi tambahan kategori lain (Rupiah).
Biaya tambahan investasi pada kategorikategori green building yang lain yaitu:
(5)
dimana:
adalah
biaya
tambahan
investasi kategori ASD (Rupiah)
adalah
biaya
tambahan
investasi kategori MRC (Rupiah)
adalah
biaya
tambahan
investasi kategori WAC (Rupiah)
adalah
biaya
tambahan
investasi kategori IHC (Rupiah)
adalah
biaya
tambahan
investasi kategori BEM (Rupiah)
(2)
dimana:
adalah biaya investasi kategori
EEC baseline gedung (Rupiah)
adalah biaya investasi kaca
jendela (Rupiah)
adalah biaya investasi sistem
pendingin (Rupiah)
adalah biaya investasi lampu
(Rupiah)
Selain
itu
juga,
dengan
diterapkannnya konsep green building
tersebut, akan terlihat konsumsi energi
listrik dan air setiap tahunnya pada
gedung
desain
akan
berkurang
dibandingkan gedung baseline. Hal ini
berdampak pada penghematan dari biaya
operasional yang didapatkan oleh gedung
berstandar green building tersebut setiap
Sedangkan perhitungan biaya investasi
EEC pada desain green building
ditunjukkan pada perhitungan berikut ini.
(3)
4
Totok R. Biyanto, GA untuk Mengoptimasi ROI pada Green Building, Seminar Nasional CITIES 2014
tahunnya. Biaya penghematan ini nantinya
dapat menutupi biaya tambahan investasi
pada pembangunan bangunan berstandar
green building tersebut yang dinamakan
sebagai return of investment (ROI).
Adapun persamaan perhitungan ROI
ditunjukkan pada persamaan berikut ini.
pada gedung perkantoran Waskita Karya
Jakarta menggunakan standar penilaian
GBCI yaitu Greenship rating. Dalam
perhitungan kategori EEC, dilakukan
perbandingan
perhitungan
konsumsi
energi pada baseline dan variasi desain
gedung. Variasi desain tersebut akan
dijadikan variabel optimasi. Variabel yang
akan dioptimasi dalam penelitian ini
adalah variasi jenis kaca dan variasi
penggunaan insulasi pada atap bangunan.
Variasi jenis kaca terdiri atas 154 jenis
kaca dengan spesifikasi yang berbedabeda yang diproduksi oleh PT. Asahimas
Flat Glass Tbk. Sedangkan variasi
penggunaan insulasi pada atap terdiri atas
3 jenis yaitu dengan ketentuan jenis
insulasi dengan nilai 1 menunjukkan tanpa
memakai insulasi, nilai 2 menunjukkan
memakai insulasi rockwool, dan nilai 3
menunjukkan memakai insulasi glasswool.
Karena variasi jenis kaca yang digunakan
sebanyak 154 dan penggunaan insulasi
sebanyak 3, maka jumlah bit yang
digunakan sebanyak 10 bit dimana 8 bit
awal menunjukkan jumlah variasi kaca
dan 2 bit akhir menunjukkan penggunaan
insulasi. Dari 2 variabel tersebut, akan
dihasilkan nilai poin EEC dan presentase
return of investment ROI yang tergantung
pada variasi jenis kaca dan insulasi yang
digunakan seperti ditunjukkan pada Figure
1. berikut ini.
(6)
2.4 Genetic Algorithm
Genetic algorithm (GA) merupakan
bagian terpenting
dalam
kelompok
Evolutionary Computation. GA didasarkan
pada proses genetika dan secara ilmiah
digunakan untuk menemukan solusi
optimal. Elemen GA secara umum terdiri
atas seleksi dan rekombinasi pada
kromosom di dalam suatu populasi. GA
banyak
digunakan
pada
berbagai
permasalahan diantaranya yaitu desain
teknik,
kecocokan
parameter,
permasalahan transportasi, pengolahan
citra, traveling salesman problem (TSP),
scheduling, dan lain sebagainya.
GA termasuk pelopor dalam
bidang konsep metaheuristik dikarenakan
banyak algoritma komputasi muncul dan
menggunakan beberapa langkah dari GA.
Yang membedakan GA dengan metode
optimasi lainnya yaitu, prosedur pencarian
dalam GA hanya didasarkan pada nilai
fungsi tujuan tanpa ada pemakaian
gradient atau teknik kalkulus. Dengan
prosedur inilah, akhirnya akan didapatkan
solusi akhir dari permasalahan optimasi
yang dihadapi (Vekataraman, 2002).
Untuk
dapat
menyelesaikan
permasalahan optimasi, secara garis
besar algoritma GA dasar dapat dijelaskan
sebagai berikut, diantaranya yaitu:
 Inisialisasi populasi
 Pengkodean kromosom
 Fungsi fitness
 Proses seleksi
 Proses crossover
 Proses mutasi
 Proses elitisme
 Pergantian Populasi
Gambar 1. Variabel optimasi
Setelah mengetahui perhitungan poin
EEC, maka dapat dilakukan penyusunan
fitness function. Karena fitness function
yang digunakan yakni Pers. (6) dengan
mencari nilai investasi tambahan yang
minimal dan biaya penghematan yang
besar, maka objective function sama
dengan fitness function yaitu:
(7)
3. METODOLOGI PENELITIAN
Penelitian ini dilakukan dengan cara
melakukan perhitungan kategori EEC
dengan n menunjukkan desain yang
digunakan dengan mempertimbangkan
nilai OTTV dan pencahayaan alami sesuai
5
Totok R. Biyanto, GA untuk Mengoptimasi ROI pada Green Building, Seminar Nasional CITIES 2014
standar GBCI. Objective function ini
nantinya akan digunakan sebagai fungsi
tujuan dalam optimasi yang dilakukan.
Pada Pers. (7) besarnya biaya tambahan
investasi didapatkan dari Pers. (4). Selain
itu, data-data pada baseline dan desain
terdapat beberapa perbedaan yang
mengacu pada standar GBCI.
Secara umum, diagram alir metode
penelitian yang dilakukan ditunjukkan
pada Gambar 1.
spesifikasi kaca yang mempengaruhi
besarnya daylight yaitu LT.
Kemudian
dilakukan
simulasi
pencahayaan buatan pada desain gedung.
Hal yang pertama dilakukan dalam
simulasi pencahayaan buatan yaitu
menentukan jenis lampu yang cocok untuk
bangunan tersebut. Karena tujuan dari
desain gedung Waskita Karya yaitu
menjadikan gendung Waskita Karya
sebagai green building, maka jenis lampu
yang digunakan yaitu lampu Philips
CoreLine Batten LED Module 40 W.
Penggunaan jenis lampu ini sebagai
penerangan buatan dikarenakan lifetime
lampu LED lebih lama daripada jenis
lampu lainnya dan biaya operasional akan
jauh lebih sedikit daripada jenis lampu
lainnya. Secara umum, data teknis lampu
tersebut yaitu:
 Tipe : BN120CL12001Xled38S/830
 Total Lamp Flux : 3800 lm
 Light Output Ratio : 1.00
 System Flux
: 3800 lm
 System Power
: 40 W
 LxBxH
: 1.13x0.06x0.06 m
Adapun hasil simulasi dibagi menjadi
beberapa lantai gedung yaitu lantai dasar
dan mezzanine, lantai 2 hingga lantai 7,
dan lantai 8. Lantai 9 hingga lantai 16
memiliki kesamaan terhadap lantai 8, jadi
hasil output lantai 8 dapat mewakili lantai
9 hingga lantai 16. Adapun hasil output
setiap lantai ditunjukkan pada Gambar 3.
Dari Gambar 3., terlihat bahwa
pencahayaan buatan mayoritas berada di
atas 350 lux walaupun terdapat nilai di
bawahnya di setiap sisi ruangan. Hal ini
menunjukkan bahwa pencahayaan pada
setiap lantainya merata dan mampu
menghasilkan penerangan optimal yang
sesuai dengan standar SNI 03-6575-2001
untuk pencahayaan buatan dimana untuk
gedung perkantoran harus memiliki
pencahayaan minimal 350 lux. Adapun
specific connected load rata-rata semua
lantai bernilai 5.80 W /m2.
Selanjutnya dilakukan perhitungan
OTTV
pada
baseline
gedung
menggunakan standar SNI.
Gambar 2. Diagram alir GA
4. Hasil dan Pembahasan
Hal pertama yang perlu dilakukan
simulasi pencahayaan alami dengan
menggunakan DIALux. Dari hasil simulasi
untuk mengetahui daylight pada setiap
variasi kaca, maka dapat dihasilkan
persebaran
data
daylight
terhadap
6
Totok R. Biyanto, GA untuk Mengoptimasi ROI pada Green Building, Seminar Nasional CITIES 2014
Gambar 3. Pencahayaan buatan pada (a) lantai dasar dan mezzanine, (b) lantai 2, (c) lantai
3, (d) lantai 4, (e) lantai 5, (f) lantai 6, (g) lantai 7, dan (h) lantai 8 hingga 16






Setelah
itu,
maka
dilakukan
perhitungan penggunaan energi pada
baseline
gedung.
Perhitungan
penggunaan energi pada baseline gedung
menggunakan standar yang ditentukan
oleh GBCI.
Kemudian, dilanjutkan perhitungan
biaya investasi kategori EEC pada
baseline gedung terdiri atas investasi kaca
jendela atau fasad, investasi lampu, dan
investasi sistem pendingin.
Sedangkan untuk biaya investasi yang
dibutuhkan oleh setiap variasi jenis kaca
dan insulasi pada atap sama dengan
perhitungan biaya investasi pada baseline
gedung, dengan terdapat perbedaan
seperti adanya perbedaan jenis lampu,
penambahan sensor lux, electrical sub
metering, dan penggunaan insulasi atap.
Setelah
itu,
dapat
dilakukan
perhitungan biaya tambahan investasi
pada setiap variasi jenis kaca dan insulasi
seperti ditunjukkan pada Pers. (4). Setelah
melakukan
perhitungan
penggunaan
energi pada baseline gedung dan simulasi
daylight pada setiap variasi desain
gedung, maka dapat dilakukan optimasi
variasi desain gedung.
Optimasi
dilakukan
menggunakan
software komputasi dan mendefinisikan
parameter GA sebagai berikut.
Variabel desain
=2
Jumlah bit
= 10
Populasi
= 100
Generasi
= 200
Probabilitas kawin silang = 0.8
Probabilitas mutasi
= 0.001
Dalam running program tersebut,
dilakukan pencarian fitness ROI terbaik
pada setiap nilai poin EEC untuk melihat
nilai fitness ROI terbaik di setiap nilai poin
EEC. Hasilnya dalam beberapa kali
running dengan nilai poin EEC antara poin
14 hingga poin 20 didapatkan grafik ROI
maksimal seperti ditunjukkan pada
Gambar 4.
Gambar 4. Fitness ROI terhadap generasi
7
Totok R. Biyanto, GA untuk Mengoptimasi ROI pada Green Building, Seminar Nasional CITIES 2014
double glass. Dari Tabel 2. diatas, terlihat
bahwa pada poin EEC sebesar 16
memiliki nilai fitness ROI maksimal
sebesar 36.8486%. Semakin besar nilai
ROI, maka keuntungan yang didapat akan
semakin besar pula. Pada nilai poin EEC
terbesar yaitu sebesar 20 didapat ROI
yang lebih sedikit yaitu 15.1297%. Ini
menunjukkan bahwa keuntungan yang
didapat pada poin EEC 20 lebih rendah
daripada keuntungan yang didapat pada
poin EEC 16.
Besarnya penghematan desain gedung
menunjukkan besarnya pengurangan
konsumsi energi yang dihasilkan oleh
setiap variasi jenis kaca. Hal ini juga
mempengaruhi besarnya poin EEC yang
dihasilkan. Indeks Konsumsi Energi (IKE)
optimal yang dihasilkan pada setiap poin
EEC ditunjukkan pada Gambar 5.
Dari hasil optimasi tersebut, dapat
diketahui kombinasi jenis kaca dan
penggunaan insulasi seperti ditunjukkan
pada Tabel 2.
Tabel 2. Kombinasi Desain Terpilih
Poin
EEC
ROI
Kombinasi Desain
14
Tipe Kaca
Panasap Dark Grey
(3mm)
15
16
Insulasi
%
Glasswool
30.2424
Panasap Green (5mm)
Tanpa
31.9647
Planibel G (3.2mm)
Glasswool
36.8486
17
Panasap Green (8mm)
Glasswool
29.5671
18
Sunergy Green (6mm)
Stopsol Blue Green
(6mm) + Air + Clear
(6mm)
Stopsol Green (8mm) +
Air + Planibel G (6mm)
Glasswool
20.6389
Glasswool
18.7667
Glasswool
15.1297
19
20
Pada Tabel 2. terlihat bahwa besarnya
fitness ROI pada masing-masing poin
EEC sangat bervariasi. Pada dasarnya,
fitness ROI yang dihasilkan menunjukkan
solusi ROI paling maksimum yang
dihasilkan dari setiap poin EEC karena
setelah optimasi, fitness yang dihasilkan
selalu sama sepanjang generasi atau
iterasi dan running berulang-ulang tetap
akan menghasilkan nilai fitness maksimum
yang sama. Hanya saja, dalam GA, solusisolusi pada awal generasi belum tentu
sama dikarenakan pembangkitan populasi
untuk mencari solusi dilakukan secara
random atau acak.
Pada penelitian ini, nilai fitness ROI
ditentukan
oleh
seberapa
besar
penghematan energi yang dihasilkan oleh
variasi jenis kaca dan penggunaan
insulasi atap terhadap biaya tambahan
investasi yang dibutuhkan oleh setiap
variasi tersebut. Besarnya penghematan
yang dihasilkan terhadap besarnya biaya
investasi menunjukkan besarnya laba atau
keuntungan yang didapat atas biaya
investasi
tambahan.
Besarnya
penghematan energi sendiri dipengaruhi
oleh jenis kaca dan insulasi yang
digunakan. Hal ini terlihat bahwa dengan
penambahan kaca dari sebelumnya single
glass menjadi double glass, maka poin
EEC yang dihasilkan bisa bertambah. Hal
ini dikarenakan spesifikasi nilai Uf pada
single glass lebih besar besar daripada
Gambar 5. Nilai IKE dan Investasi
Pada Gambar 5. diatas, terlihat bahwa
IKE yang dihasilkan pada poin EEC 16
sebesar 107 kWh/m2Tahun. Besarnya IKE
menunjukkan besarnya konsumsi energi
yang dihasilkan pada suatu gedung setiap
meter persegi. Semakin kecil konsumsi
energi pada gedung tersebut, maka
semakin hemat pula penggunaan energi
pada gedung tersebut dan tentu saja biaya
operasional untuk biaya listrik akan jauh
lebih kecil. Pada Gambar 6. diatas, terlihat
bahwa IKE yang dihasilkan pada poin
EEC 20 lebih kecil daripada IKE yang
dihasilkan pada poin EEC 16 yakni
sebesar 96 kWh/m2 Tahun. Hal ini
menunjukkan bahwa biaya operasional
poin EEC 20 lebih hemat daripada poin
EEC 16. Namun, hal ini tidak menjamin
keuntungan yang didapatkan dalam
8
Totok R. Biyanto, GA untuk Mengoptimasi ROI pada Green Building, Seminar Nasional CITIES 2014
kWh/m2Tahun. Besarnya penurunan nilai
IKE menunjukkan efisiensi penggunaan
energy pada desain terpilih terhadap
baseline sebesar 33.44%. Besarnya
efisiensi
penghematan
ini
memiliki
pengaruh besar dalam penilain EEC pada
green building. Dari efisiensi tersebut, nilai
poin EEC yang dihasilkan sebesar 11
poin. Besarnya IKE juga mempengaruhi
besarnya emisi CO2 yang dihasilkan oleh
suatu gedung. Pada Tabel 3. terlihat
bahwa emisi CO2 yang dihasilkan oleh
hasil optimasi desain terpilih lebih kecil
486.8971 ton/tahun daripada emisi CO2
yang dihasilkan oleh baseline gedung.
Dari sisi ekonomi, terlihat bahwa biaya
investasi pada kategori EEC yang
dibutuhkan oleh hasil optimasi desain
terpilih lebih sedikit dikarenakan adanya
penurunan harga sistem pendingin dan
harga kaca yang digunakan. Besarnya
biaya investasi yang dibutuhkan pada
desain
bangunan
sebesar
Rp.
4.078.905.465,atau
selisih
Rp.
735.969.969,- lebih rendah daripada
baseline bangunan.
Selain
itu,
dikarenakan
dalam
perhitungan juga menggunakan software
dalam penentuan besarnya lighting dan
daylight serta menunjukkan besarnya
emisi CO2, maka besarnya poin EEC
ditambahkan 5 poin menjadi 16 poin.
mengembangkan suatu gedung menjadi
green building semakin besar mengingat
ROI yang dihasilkan jauh lebih rendah
daripada poin EEC 16 serta kendala
dalam mengembangkan green building
terletak pada biaya investasi yang
terlampau besar. Hal ini menunjukkan
biaya investasi pada kategori EEC untuk
mengembangkan suatu gedung menjadi
gedung berstandar green building dengan
poin EEC sebesar 20 lebih besar daripada
poin EEC 16 seperti ditunjukkan pada
Gambar 5.
Dari hasil optimasi desain gedung
tersebut, dapat dibandingkan dengan
baseline
gedung
tersebut
seperti
ditunjukkan pada Tabel 3.
Tabel 3. Perbandingan Hasil Optimasi dan
Baseline
Deskripsi
Cooling System
Capacity
IKE
CO2 emission
Cost of Investment
Cooling System
Cost of Investment
CHWP
Cost of Investment
CWP
Cost of Investment
AHU
Cost of Investment
Kaca
Cost of Investment
Insulasi
Cost of Investment
Lamp
Cost of Investment
ESM
Cost of Investment
Lux Sensor
Perbandingan
Baseline
Hasil Optimasi
242.84 TR
200.11 TR
161
kWh/m2.Tahun
1456.195
ton/tahun
107
kWh/m2.Tahun
Rp. 1457069420
Rp. 1200675063
Rp. 118110930
Rp. 66088490
Rp. 73819331
Rp. 41305307
Rp. 188443896
Rp. 93751561
Rp. 1455111856
Rp. 335795044
Rp. 1522320000
969.298 ton/tahun
5. Kesimpulan
Berdasarkan hasil penelitian yang telah
dilakukan, maka dapat disimpulkan bahwa
hasil optimasi EEC, nilai poin EEC optimal
sebesar 16 dengan jenis kaca yang
digunakan yaitu single glass tipe Planibel
G dengan tebal kaca 3.2 mm dan
menggunakan insulasi glasswool dengan
nilai ROI maksimal sebesar 36.8486%.
Besarnya nilai
poin
EEC sangat
tergantung pada variasi pergantian jenis
kaca dan insulasi atap. Selain itu,
pergantian jenis kaca dan insulasi atap
juga berpengaruh terhadap besarnya
biaya investasi EEC. Semakin baik
spesifikasi jenis kaca dengan ditambahkan
insulasi atap, maka sistem pendingin yang
dibutuhkan akan semakin kecil. Hal ini
berdampak
pada
penurunan
biaya
investasi sistem pendingin dan biaya
investasi EEC total.
Rp. 27750000
Rp. 2218500000
-
Rp. 24000000
-
Rp. 71040000
Pada Tabel 3. terlihat bahwa hasil
optimasi desain terpilih memiliki kapasitas
sistem pendingin yang lebih kecil daripada
kapasitas
sistem
pendingin
yang
dibutuhkan oleh baseline gedung. Hal ini
menunjukkan bahwa beban panas yang
dihasilkan pada hasil optimasi desain
terpilih lebih kecil daripada beban panas
yang dihasilkan oleh baseline gedung. Hal
ini juga menyebabkan nilai IKE pada
baseline gedung jauh lebih besar daripada
nilai IKE pada hasil optimasi desain terpilih
dengan penurunan IKE sebesar 54
9
Totok R. Biyanto, GA untuk Mengoptimasi ROI pada Green Building, Seminar Nasional CITIES 2014
DAFTAR PUSTAKA
Bhatt, M. S., Rajkumar, N., Jothibasu, S.,
Sudirkumar, R., Pandian, G., Nair,
K. R. C., Commercial and
residential building energy labeling,
Journal of Scientific & Industrial
Research 64(1), pp. 30-34, 2005.
Bojic, M., Miletic, M., Bojic, L.,
Optimization of thermal insulation
to achieve energy savings in low
energy house (refurbishment),
Elsevier Ltd: Energy Conversion
and Management, 84, pp. 681-690,
2014.
Bradshaw, W. B., Buying Green,
Cambridge,
Massachusetts:
Massachusetts
Institute
of
Technology, 2006.
Divisi Rating dan Teknologi, GREENSHIP
untuk BANGUNAN BARU Versi
1.2, Jakarta: Green Building
Council Indonesia, 2013.
Gulati, N., Cost Effectiveness in HVAC by
Building Envelope Optimization,
Nottingham:
University
of
Nottingham, 2012.
Ng Ban H., Zainal Abidin., An Overview of
Malaysia
Green
Technology
Corporation Office Building: A
Showcase
Energy-Efficient
Building Project in Malaysia,
Journal
of
Sustainable
Development 4(5), pp. 212-228,
2011.
Sandanasamy, D., Govindarajane, S.,
Sundararajan, T., Natural Lighting
In Green Buildings-An Overview
and A Case Study, International
Journal of Engineering Science
and Technology 5(1), pp. 119-122,
2013
Venkataraman, P., Applied optimization
with MATLAB Programming, New
York: John Wiley & Sons, 2002.
Yik, F. W. H., Wan, K. S. Y., An evaluation
of the appropriateness of using
overall thermal transfer value
(OTTV) to regulate envelope
energy
performance
of
airconditioned buildings, Elsevier Ltd:
Energy, 30, pp. 41-71, 2005.
Zigenfus, Richard E., Element Analysis of
the Green Building Process, New
York:
Rochester
Institute
of
Technology, 2008.
10