Penerapan Algoritma Heuristic Search pada Smart Thermostat Agent
Keywords:
A*, Heuristic Search, Smart ThermostatAbstract
Smart thermostat merupakan sistem pengendali suhu cerdas yang mampu mengatur temperatur ruangan secara otomatis berdasarkan kondisi lingkungan dan preferensi pengguna. Penggunaan sistem pendingin dan pemanas ruangan yang tidak efisien menyebabkan tingginya konsumsi energi pada bangunan modern sehingga diperlukan solusi berbasis kecerdasan buatan untuk meningkatkan efisiensi pengendalian HVAC (Heating, Ventilation, and Air Conditioning). Penelitian ini bertujuan untuk menerapkan dan membandingkan beberapa algoritma pencarian pada smart thermostat agent, yaitu Breadth-First Search (BFS), Depth-First Search (DFS), Generate and Test, Hill Climbing, Greedy Best-First Search, dan A* Algorithm. Metode penelitian dilakukan dengan memodelkan smart thermostat sebagai intelligent agent menggunakan task environment PEAS serta membangun state space graph dari kondisi suhu ruangan menuju suhu target 24°C. Hasil pengujian menunjukkan bahwa algoritma A* menghasilkan solusi paling optimal karena mampu menemukan jalur terpendek dengan mempertimbangkan fungsi biaya dan heuristik secara bersamaan. BFS juga menghasilkan solusi optimal namun membutuhkan penggunaan memori lebih besar. DFS memiliki proses pencarian lebih cepat tetapi tidak menjamin optimalitas solusi. Sementara itu, Hill Climbing dan Greedy Best-First Search lebih efisien dalam waktu pencarian namun rentan terhadap local optimum. Berdasarkan hasil penelitian, algoritma A* direkomendasikan sebagai metode terbaik untuk pengambilan keputusan pada smart thermostat agent.[1]–[5].
References
G. B. Balogun, D. Ibisagba, A. Bajeh, T. O. Debo, A. Muyideen, and O. J. Peter, “Comparative analysis of AI-based search algorithms in solving 8 puzzle problems,” Bull. Natl. Res. Cent., vol. 48, no. 1, Nov. 2024, doi: 10.1186/s42269-024-01274-3.
R. Adhikari, M. Pipattanasomporn, and S. Rahman, “Heuristic Algorithms for Aggregated HVAC Control via Smart Thermostats for Regulation Service,” IEEE Trans. Smart Grid, vol. 11, no. 3, pp. 2023–2032, 2020, doi: 10.1109/TSG.2019.2946170.
B. Elkari et al., “Exploring Maze Navigation: A Comparative Study of DFS, BFS, and A* Search Algorithms,” Statistics, Optimization and Information Computing, vol. 12, no. 3, pp. 761–781, 2024, doi: 10.19139/SOIC-2310-5070-1939.
A. Kherrour, M. Robol, M. Roveri, and P. Giorgini, “A multi-algorithm pathfinding method: Exploiting performance variations for enhanced efficiency,” Ann. Math. Artif. Intell., vol. 93, no. 4, pp. 569–588, Aug. 2025, doi: 10.1007/s10472-024-09957-3.
A. Yayla et al., “Artificial Intelligence (AI)-Based Occupant-Centric Heating Ventilation and Air Conditioning (HVAC) Control System for Multi-Zone Commercial Buildings,” Sustainability (Switzerland), vol. 14, no. 23, Dec. 2022, doi: 10.3390/su142316107.
