Studi ini penting karena industri konstruksi menghadapi dua tuntutan besar sekaligus, yakni mempercepat transformasi digital dan mengurangi dampak lingkungan. Menurut artikel tersebut, sektor konstruksi secara global menyumbang hampir 40 persen emisi karbon terkait energi dan menggunakan lebih dari 30 persen sumber daya alam.
BIM selama ini telah membantu industri konstruksi mengelola informasi bangunan secara digital. Teknologi tersebut dapat digunakan untuk membuat model tiga dimensi, mengoordinasikan pekerjaan berbagai disiplin, mendeteksi potensi benturan desain, serta memperkirakan kebutuhan material sebelum pembangunan dimulai.
Namun, BIM konvensional memiliki keterbatasan. Model BIM pada dasarnya bersifat statis dan tidak secara otomatis menggambarkan kondisi bangunan yang berubah setelah bangunan digunakan. Akibatnya, informasi yang tersedia ketika tahap desain dan konstruksi tidak selalu mencerminkan kondisi operasional bangunan secara nyata.
Di sinilah Digital Twin memiliki peran berbeda. Teknologi ini membuat representasi virtual bangunan yang dapat terus diperbarui menggunakan data dari sensor Internet of Things (IoT). Data mengenai suhu, kelembapan, konsumsi energi, tingkat hunian, hingga kondisi komponen bangunan dapat dikirim secara berkala ke sistem digital.
Dengan menggabungkan BIM dan Digital Twin, model digital tidak lagi sekadar menjadi gambaran bangunan. Sistem tersebut dapat berkembang menjadi lingkungan pengelolaan bangunan yang aktif, karena data kondisi fisik bangunan dapat dianalisis dan digunakan untuk membantu menentukan tindakan operasional.
Tiga mekanisme utama meningkatkan efisiensi
Suharwanto menemukan tiga mekanisme utama yang membuat integrasi BIM dan Digital Twin berpotensi meningkatkan efisiensi dan keberlanjutan konstruksi.
Pertama, pengelolaan energi secara real time.
Data tata ruang dan zona HVAC dari BIM dapat dipadukan dengan data sensor mengenai tingkat hunian dan kondisi lingkungan. Dengan bantuan analisis berbasis pembelajaran mesin, sistem dapat menyesuaikan pengaturan pendingin udara, pencahayaan, dan ventilasi berdasarkan kondisi aktual ruangan.
Kajian tersebut melaporkan pengurangan konsumsi energi operasional sekitar 18–28 persen dalam berbagai studi yang disintesis. Beban energi untuk pencahayaan juga dilaporkan dapat berkurang hingga 15 persen.
Kedua, pemeliharaan bangunan secara prediktif.
Sensor akustik dan getaran dapat dihubungkan dengan identitas komponen dalam model BIM. Ketika sistem mendeteksi pola yang menunjukkan kemungkinan kerusakan, pengelola bangunan dapat memperoleh peringatan sebelum kerusakan menjadi lebih serius.
Pendekatan ini memungkinkan pengelola beralih dari pemeliharaan yang hanya dilakukan setelah masalah muncul menuju pemeliharaan yang lebih proaktif. Dalam sintesis literatur Suharwanto, pendekatan tersebut dikaitkan dengan pengurangan waktu henti peralatan hingga 30 persen. Sistem juga dapat memberikan informasi lokasi komponen, spesifikasi, serta data yang diperlukan untuk proses perbaikan.
Ketiga, pengelolaan material dan sumber daya sepanjang siklus hidup bangunan.
Ketika bangunan direnovasi atau dibongkar, data material yang tersimpan dalam BIM dan diperbarui melalui Digital Twin dapat berfungsi seperti digital material passport. Informasi mengenai material dan riwayat kondisinya dapat membantu menentukan komponen mana yang masih dapat digunakan kembali atau didaur ulang.
Kajian yang dirangkum Suharwanto menunjukkan bahwa pendekatan ini berpotensi memungkinkan lebih dari 85 persen material dipulihkan dalam proses renovasi atau pembongkaran pada studi yang dikaji.
Efisiensi biaya juga menjadi manfaat
Manfaat integrasi BIM dan Digital Twin tidak berhenti pada penghematan energi dan material. Pemeliharaan prediktif dapat membantu mengurangi kerusakan peralatan, menghindari penggantian komponen secara prematur, serta mengurangi kunjungan pemeriksaan yang tidak diperlukan.
Dalam sintesis penelitian yang dilakukan, pengeluaran operasional sepanjang siklus hidup bangunan (operational expenditure atau OpEx) dilaporkan dapat ditekan sekitar 15–20 persen melalui pengoptimalan jadwal pemeliharaan. Pengelolaan air berbasis sensor juga dilaporkan berpotensi mengurangi pemborosan air operasional hingga 35 persen pada fasilitas komersial.
Meski demikian, penerapan teknologi tersebut bukan tanpa hambatan. Salah satu masalah terbesar adalah interoperabilitas data. BIM umumnya menggunakan struktur data statis seperti Industry Foundation Classes (IFC), sementara Digital Twin membutuhkan protokol pertukaran data yang dinamis dan berfrekuensi tinggi.
Perbedaan sistem tersebut dapat menyebabkan kehilangan makna data, terputusnya hubungan antar-informasi, atau keterlambatan pemrosesan. Selain persoalan teknis, perusahaan juga menghadapi biaya investasi awal yang tinggi, persoalan kepemilikan data, keamanan siber, privasi, serta kekurangan tenaga kerja dengan keterampilan digital yang memadai.
Suharwanto tawarkan tiga pilar strategi
Untuk mengatasi hambatan tersebut, Suharwanto merumuskan kerangka strategis yang bertumpu pada tiga pilar.
Pertama adalah standardisasi infrastruktur data, termasuk penggunaan standar BIM terbuka dan teknologi semantik agar data geometris serta data sensor dapat dipertukarkan dengan lebih mudah.
Kedua adalah tata kelola sepanjang siklus hidup, yaitu mengubah pengelolaan proyek yang terfragmentasi berdasarkan tahapan menjadi pendekatan yang mempertimbangkan kinerja bangunan dalam jangka panjang.
Ketiga adalah penguatan kemampuan sosio-teknis, termasuk pelatihan dan kolaborasi antara tenaga teknologi informasi, insinyur perangkat lunak, insinyur sipil, serta pengelola fasilitas.
Menurut Suharwanto, penggabungan BIM dan Digital Twin sebaiknya tidak dipandang hanya sebagai integrasi dua perangkat lunak. Keduanya perlu ditempatkan sebagai bagian dari ekosistem informasi yang menghubungkan desain, pembangunan, operasi, pemeliharaan, hingga pembongkaran bangunan.
Pendekatan tersebut dapat membantu industri konstruksi bergerak dari pengelolaan yang reaktif menuju pengelolaan berbasis data. Dalam konteks keberlanjutan, integrasi ini juga dapat mendukung pengurangan konsumsi energi, emisi karbon, limbah material, serta biaya operasional.
Namun, penulis menegaskan bahwa hasil kajian ini masih perlu divalidasi melalui penelitian lapangan pada berbagai jenis bangunan. Penelitian berikutnya juga perlu menghitung secara lebih spesifik keuntungan investasi dari pemasangan sensor serta mengembangkan integrasi kecerdasan buatan dan edge computing untuk mendukung pengelolaan bangunan yang semakin otomatis dan rendah karbon.
0 Komentar