Sebuah sistem yang mengubah gedung dari reaktif menjadi prediktif, bahkan otonom.” “Setiap jam downtime pada sistem HVAC di gedung komersial bisa berarti puluhan hingga ratusan juta rupiah kerugian. Dan sebagian besar gedung masih bekerja secara manual.”
Studi Kasus: Gedung komersial 20 lantai, Sistem utama: HVAC (Chiller + AHU). Masalah umum: Konsumsi listrik tinggi, Chiller sering trip, Downtime mahal,
Downtime rata-rata: 14 jam/bulan. Biaya listrik: Rp 480 juta/bulan. Maintenance masih reaktif. Simulasikan narasi: “Jika chiller mati 3 jam saja, tenant komplain dan potensi kerugian Rp 150 juta.”
Manual monitoring
Teknisi trial-error
Tidak ada prediksi
Tampilan dashboard Panel: Health Score Chiller: 82% Anomaly Risk: 68% Energy Efficiency: 74% --> Lalu muncul alert: ⚠️ AI ALERT: Anomali terdeteksi pada Chiller #2, Probabilitas kegagalan dalam 9 hari: 79%. --> Kemungkinan penyebab: - Penurunan tekanan refrigerant - Kotor pada condenser coil 👉 Ini bukan alarm biasa 👉 Ini hasil Machine Learning + Pattern history
AI developers design algorithms to process data, recognize patterns, and make predictions.
Once trained, AI models are deployed in real-world applications to perform tasks.
AI systems require regular updates to improve their performance as new data becomes available.
Teknisi Bertanya. --> Simulasi teknisi chat: “Kenapa tekanan chiller turun?” --> AI menjawab berdasarkan: Manual mesin, Histori maintenance, Data sensor real-time. --> Output contoh: Diagnosis: Tekanan turun 18% dari baseline. Berdasarkan histori 2024, kasus serupa terjadi karena kebocoran valve expansion. --> Rekomendasi tindakan: 1. Cek valve expansion 2. Periksa refrigerant level 3. Bersihkan condenser coil --> Estimasi waktu perbaikan: 2 jam 👉 AI tidak halusinasi 👉 Jawaban berbasis dokumen internal (RAG)
Ai Otomatis:
Generate Work Order
Assign teknisi
Kirim WhatsApp
Update CMMS
Flow: Anomaly → AI Diagnosis → Work Order → Assign → Notification
AI menganalisis pola occupancy:
Insight:
Lantai 15–18 kosong setelah jam 18:00
Rekomendasi:
Turunkan setpoint AC 2°C
Hasil simulasi:
Penghematan listrik: 17%
Potensi saving: Rp 81 juta/bulan
| Metric | Before | After AI |
|---|---|---|
| Downtime | 14 jam | 5 jam |
| Biaya listrik | 480 jt | 399 jt |
| Response time | 3 jam | 45 menit |
| Maintenance cost | – | Turun 28% |
Highlight:
💰 ROI < 12 bulan
📉 Downtime turun 60%
⚡ Energy saving 15–25%
Interaksi cerdas dengan workflow otomasi Anda.