Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

com

Energi Terapan 88 (2011) 1470–1479

Daftar isi tersedia diSains Langsung

Energi Terapan

j beranda utama kami: www. itu yang terbaik. com/ l oca te / apene rgy

Tinjauan membangun metodologi tolok ukur kinerja penggunaan energi

William Chung
Departemen Ilmu Manajemen, City University of Hong Kong, Hong Kong

info artikel abstrak

Sejarah artikel: Tulisan ini mengulas metode matematika apa saja yang digunakan dalam mengembangkan sistem benchmarking,
Diterima 10 Agustus 2010 membahas sifat-sifat metode, dan mengklasifikasikan dua jenis sistem benchmarking berdasarkan sifat-sifatnya.
Diterima dalam bentuk revisi 19 Oktober 2010
Kami menemukan bahwa meskipun sistem benchmarking dikembangkan dengan menggunakan kinerja
Diterima 17 November 2010
penggunaan energi dari sejumlah besar bangunan referensi, hasil benchmarking dapat digunakan untuk
Tersedia online 28 Desember 2010
mendorong referensi yang berkinerja buruk (dalam efisiensi energi) untuk meningkatkan kinerjanya. Di sisi lain,
karena sistem benchmarking juga berfungsi sebagai tolok ukur publik mengenai kinerja penggunaan energi di
Kata kunci:
gedung-gedung, beberapa regulator merilis informasi benchmarking ke media. Hal ini terbukti menguntungkan
Metode pembandingan
karena memberikan tekanan publik terhadap pemilik/pengembang bangunan non-referensi yang berkinerja buruk.
Membangun OLS yang hemat
energi
Namun, tidak semua sistem benchmarking dapat digunakan oleh pengguna publik (yaitu pemilik gedung non-
SFA referensi lainnya). Tergantung pada apakah sistem benchmarking yang dihasilkan dapat digunakan secara publik,
Dea kami mencatat bahwa ada dua jenis sistem benchmarking: benchmarking publik dan benchmarking internal. Kedua
jenis sistem benchmarking ini dikembangkan dengan metode yang berbeda.
- 2010 Elsevier Ltd. Semua hak dilindungi undang-undang.

Isi

1. Perkenalan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1471
2. Metode pengembangan sistem benchmarking . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1471
2.1. Normalisasi sederhana (sederhana). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1471
2.2. Kuadrat terkecil biasa (OLS). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1471
2.2.1. Model regresi. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1472
2.2.2. Varian metode OLS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1472
2.2.3. Kuadrat Terkecil Biasa yang Terkoreksi (COLS). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1472
2.3. Analisis Perbatasan Stokastik (SFA). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1473
2.4. Analisis Amplop Data (DEA). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1473
2.4.1. Pembandingan di DEA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1473
2.4.2. Kembali ke skala . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1474
2.4.3. Varian Analisis Amplop Data. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1474
2.5. Sebuah ilustrasi. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1474
2.6. Metode lain. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1474
3. Sifat-sifat metode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1475
3.1. OLS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1475
3.1.1. Kekuatan utama OLS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1475
3.1.2. Komponen acak terdiri dari efisiensi relatif. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1475
3.1.3. Fungsi OLS ''rata-rata''. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1475
3.1.4. Pencilan di COLS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1475
3.2. SFA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1475
3.2.1. Pemisahan komponen acak dari efisiensi relatif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1475
3.2.2. Pencilan di SFA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1475
3.2.3. Kemiringan distribusi residu. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1475
3.2.4. Ukuran sampel yang besar. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1475
3.3. DEA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1475

Alamat email:william.chung@cityu.edu.hk

0306-2619/$ - lihat bagian depan - 2010 Elsevier Ltd. Semua hak dilindungi undang-undang.
doi:10.1016/j.aenergi.2010.11.022
 W. Chung / Energi Terapan 88 (2011) 1470–1479 1471

3.3.1. Tidak adanya bentuk fungsional dari frontier. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1475

3.3.2. Jumlah faktor dan skor efisiensi. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1475
3.3.3. Pencilan di DEA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1475
3.3.4. Penggunaan skor efisiensi. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1475
3.3.5. Validasi model yang dihasilkan. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1476
4. Sistem benchmarking publik atau internal. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1476
4.1. Klasifikasi metode yang khas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1476
5. Survei sistem benchmarking dari literatur. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1476
6. Kesimpulan dan perspektif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Ucapan Terima 1478
Kasih. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1478
Referensi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1478

1. Perkenalan 2. Metode pengembangan sistem benchmarking

Meningkatkan efisiensi energi merupakan strategi penting dalam Regulator, setelah melakukan pengumpulan data mengenai kinerja
memastikan penggunaan berkelanjutan dari entitas pengguna akhir energi, penggunaan energi di sejumlah besar bangunan referensi,
seperti gedung perkantoran. Dampak terhadap lingkungan juga menjadi menggunakan serangkaian metode untuk membangun sistem (atau
pertimbangan penting. Sehubungan dengan hal ini, benchmarking efisiensi model) benchmarking, mulai dari pengukuran faktor tunggal yang
energi digunakan untuk mendorong efisiensi penggunaan energi. Contoh sangat mendasar hingga teknik ekonometrik yang rumit dan
proses benchmarking adalah untuk menentukan apakah suatu gedung pemrograman matematis. pendekatan. Sejumlah penelitian
perkantoran menggunakan energi lebih efisien dibandingkan gedung menggunakan pendekatan bangunan virtual untuk mengembangkan
sejenis lainnya. Untuk mencapai hal ini, kita perlu mengembangkan sistem sistem benchmarking. Dalam pendekatan ini, model simulasi bangunan
benchmarking (atau model simulasi) dari sampel bangunan referensi untuk virtual dibangun dan efisiensi energi bangunan virtual diperkirakan
mendapatkan ''bangunan serupa''. Sistem benchmarking harus menggunakan berbagai kondisi operasi.
mempertimbangkan beberapa faktor karena perbedaan kinerja efisiensi Dari literatur sistem benchmarking, kita dapat menemukan metode
energi suatu bangunan. mungkin dipengaruhi oleh: (1) faktor acak seperti matematika berikut: Normalisasi sederhana (Sederhana), Ordinary
kondisi cuaca yang tidak biasa; (2) ciri-ciri fisik seperti umur, jumlah lantai, Least Square (OLS) (disebut juga analisis regresi sederhana), Data
dll. ; (3) insentif yang dihadapi pengelola atau pemilik bangunan; Dan Envelopment Analysis (DEA), Stochastic Frontier Analysis (SFA), model
(4) perbedaan cara penghuni gedung memanfaatkan perangkat pengguna metode berbasis (Simulasi), dan Jaringan Syaraf Tiruan (JST).
akhir. Kinerja penggunaan energi aktual dari bangunan referensi harus
dinormalisasi dengan mempertimbangkan faktor-faktor di atas. Kami
kemudian dapat mengurutkan bangunan referensi berdasarkan kinerja
2.1. Normalisasi sederhana (sederhana)
penggunaan energinya menggunakan hasil yang dinormalisasi.
Sistem benchmarking berfungsi sebagai tolok ukur umum mengenai kinerja
Pendekatan normalisasi sederhana umumnya mengandalkan indikator
penggunaan energi pada bangunan. Beberapa regulator merilis informasi
kinerja relatif sederhana, serta rasio input dan output tunggal. Indikator
benchmarking kepada media. Hal ini terbukti menguntungkan karena
efisiensi energi biasanya digunakan dan diperoleh hanya dengan melakukan
memberikan tekanan publik terhadap pemilik/pengembang bangunan yang
normalisasi penggunaan energi berdasarkan luas lantai dan/atau jam
kinerjanya buruk. Hasil benchmarking kemudian dapat digunakan untuk
operasional. Data penyesuaian iklim penggunaan energi dilakukan ketika
mendorong perusahaan yang berkinerja buruk (dalam hal efisiensi energi) untuk
informasi derajat-hari tersedia. Misalnya, Filippín[1]menggunakan sampel
meningkatkan kinerjanya. Indikator kinerja, seperti kW · h/ft2
data konsumsi energi dan luas lantai untuk menghitung Intensitas
atau MJ/m2, memberikan informasi yang menjadikan pengguna gedung,
Penggunaan Energi (EUI), yaitu kW · h/ft2atau MJ/m2, untuk gedung sekolah
pemilik, tim manajemen, atau siapa pun yang membayar tagihan utilitas,
di Argentina tengah. EUI yang dihitung kemudian diberi peringkat sebagai
bertanggung jawab atas kinerja penggunaan energi mereka. Selain itu,
tabel patokan. EUI sederhana yang dinormalisasi luas lantai ini sering
sistem benchmarking yang komprehensif dapat mendorong persaingan
digunakan untuk menilai kinerja penggunaan energi pada bangunan
dalam efisiensi energi dengan memberikan informasi kepada pengguna
komersial. Birtle dan Grigg[2]menggunakan metode serupa. Namun,
atau pemilik gedung tentang alasan buruknya kinerja. Kinerja penggunaan
meskipun normalisasi sederhana semacam ini relatif murah dan mudah
energi suatu bangunan dapat dinilai relatif terhadap bangunan referensi
diterapkan, cakupannya sangat terbatas. Tentu saja, masuk akal jika faktor
atau kinerja masa lalunya.
lain (seperti sistem HVAC) dapat menyebabkan penggunaan energi pada
Namun, tidak semua sistem benchmarking dapat digunakan oleh
bangunan tertentu menjadi lebih tinggi (atau lebih rendah). Singkatnya,
pengguna publik (yaitu pemilik gedung non-referensi lainnya). Tergantung
metode ini tidak dapat menormalkan faktor-faktor yang disebutkan dalam
pada apakah sistem benchmarking yang dihasilkan dapat digunakan secara
Bagian1.
publik, kami menemukan bahwa ada dua jenis sistem benchmarking:
benchmarking publik dan benchmarking internal. Dari literatur, kedua jenis
sistem benchmarking ini dikembangkan dengan metode yang berbeda. Oleh 2.2. Kuadrat terkecil biasa (OLS)
karena itu, makalah ini bertujuan untuk meninjau jenis metode matematika
apa yang telah digunakan untuk mengembangkan sistem benchmarking Monts dan Blissett[3]membahas keterbatasan yang disebutkan di atas
dalam membangun kinerja penggunaan energi. Bagian2memberikan dalam penggunaan EUI sederhana yang dinormalisasi untuk bangunan
tinjauan metode yang digunakan dalam mengembangkan sistem komersial dan menggunakan model regresi linier sederhana untuk menilai
benchmarking. Bagian3membahas sifat-sifat metode. Bagian4 kinerja penggunaan energi bangunan komersial. Kami menerapkan metode
mengklasifikasikan dua jenis sistem benchmarking berdasarkan regresi sederhana melalui OLS karena merupakan metode solusi yang
propertinya. Bagian5menyajikan tinjauan sistem benchmarking dan menentukan model regresi linier. OLS dapat membantu memperkirakan
membangun kinerja penggunaan energi dari literatur. Bagian6menyajikan garis regresi, yang mewakili tingkat efisiensi energi rata-rata. Jelasnya,
kesimpulannya. penerapan sederhana dapat menunjukkan hasil dari OLS
1472 W. Chung / Energi Terapan 88 (2011) 1470–1479
Tata nama
AC sistem pengkondisian udara Metode
JST Jaringan Syaraf Tiruan Metode Corrected
KOL Ordinary Least Square Metode Analisis
Dea Envelopment Data
Metode Analisis Envelopment Data DEA_CCR yang dikembangkan oleh Char-
nes, Cooper dan Rhodes unit pengambil
DMU keputusan di DEA Intensitas Penggunaan
EUI Energi, misalnya kW h/ft2
bahwa semua bangunan dengan peringkat di atas rata-rata dapat dianggap tidak efisien,
sedangkan bangunan dengan peringkat di bawah dianggap efisien.
Di sisi lain, sistem benchmarking dapat dikembangkan berdasarkan
sebaran residu model regresi. Sisanya adalah selisih antara EUI aktual
dan EUI prediksi. Oleh karena itu, residu diperlakukan sebagai ukuran
inefisiensi. Jika EUI sebenarnya untuk bangunan tertentu yang akan
dijadikan tolok ukur lebih kecil dari prediksi EUI (sisa negatif), hal ini
berarti bangunan tersebut menggunakan lebih sedikit energi
dibandingkan bangunan serupa. Selain itu, distribusi residu sampel
dari model regresi dapat digunakan untuk membuat tabel benchmark
yang sesuai. Lovell-Smith dan Baldwin[4]menggunakan pendekatan
serupa dimana residu tidak diperoleh dari model regresi.
2.2.1. Model regresi
Jika fungsi EUI merupakan fungsi linier faktorX1. . .XPdimana faktor-faktor tersebut
antara lain umur bangunan, sistem energi, luas lantai, dan lain-lain, maka permasalahan
OLS dapat dinyatakan sebagai:
( )
XN
menit e2
Saya JEUISaya¼AthB1X1Sayaþ---þBPXpitheSaya8Saya¼1; . . . ;N
a;b;eSaya
Saya¼1
di mana koefisiena, b1; . . . ;BPmewakili koefisien intersep dan
kemiringan fungsi linier;Nadalah jumlah observasi; EUISaya;X1Saya. . . Xpi
adalah nilai EUI dan faktor individuSayaobservasi; DaneSayaadalah
kesalahan acak dariSayaobservasi ke-. Perhatikan bahwa EUI biasanya
disesuaikan dengan iklim danX1---XPdistandarisasi. Pendekatan regresi
bertahap digunakan untuk mencari faktor-faktor yang signifikan.
2.2.2. Varian metode OLS
Tajam[5]berpendapat bahwa rata-rata EUI dapat menjadi tolok ukur
yang buruk karena distribusi indikator pada umumnya tidak seimbang.
Oleh karena itu, Sharp menggunakan kesalahan standar dari model
regresi yang dihasilkan untuk membuat tabel patokan distribusi. Hal ini
dianggap lebih dapat diandalkan karena menutupi efek outlier. Proses
pembandingan bangunan tertentu menggunakan model regresi ''yang
paling sesuai'' untuk menghitung prediksi EUI. Dengan prediksi EUI ini,
tabel benchmark distribusi (tabel persentil) dihitung melalui nilai rata-
rata distribusi kesalahan standar. EUI sebenarnya dapat dibandingkan
dengan tabel benchmark untuk skor benchmark. Metode Sharp,
meskipun sedikit dimodifikasi, telah digunakan sebagai dasar Energy
Star-
tolok ukur[6]. Selanjutnya kita dapat menghitung aSEuntuk memperkirakan tabel
patokan distribusi (tabel persentil) EUIsebenarnyadengan menggunakan
EUIsebenarnya-EUIdiprediksi t SE;
Di manaSEadalah kesalahan standar estimasi; DanTadalah nilai dari T-
tabel untuk setiap pengamatan. EUI sebenarnya kemudian dapat
diukur menggunakan tabel.
Chung dkk.[7]mengembangkan metode benchmarking EUI untuk
bangunan komersial. Tabel benchmark yang dihasilkan terdiri dari EUI
FDA DEA kabur
HK-BEAM Metode penilaian lingkungan gedung Hong Kong
OLS Metode Ordinary Least Square
SDEA DEA stokastik
SFA Metode Stochastic Frontier Analysis
Sederhana metode normalisasi sederhana
Simulasi metode simulasi energi bangunan
Pengukuran. Proses benchmarking tidak melibatkan penghitungan
ulang distribusi EUI seperti yang dilakukan pada metode Sharp.
Memanfaatkan faktor standar signifikan model regresiX1; . . . ;XP;
EUI¼AthB1X1þ---þBPXPthe: D3TH
Chung dkk.[7]memperoleh EUI yang dinormalisasi sebagai
EUInorma¼EUI0-B1X1- . . . -BPXP: D4TH
Perlu dicatat bahwa EUInorma= sebuahdalam Persamaan. (3) ketika {X1; . . . ;XP
} ditetapkan pada tingkat rata-rata (dasar).X1; . . . ;XP. Oleh karena itu, EUI
normadapat dianggap sebagai indikator efisiensi energi yang dinormalisasi
dengan menghilangkan pengaruh penyimpangan pada faktor-faktor
penting (seperti karakteristik bangunan). Pengaruh faktor signifikan diukur
dengan koefisien regresiBs dalam Persamaan. (3) dan penyimpangan dari
tingkat dasarnya. {EUInormaD1TH;EUInormaD2TH; . . .EUInormaDNTH} dapat dianggap
sebagai sampel acak EUInormadari populasi. Kumpulan EUI ininorma
pengukuran tersebut merupakan dasar acuan pembentukan tabel persentil
pembandingan. Kita dapat menghitung EUInormadari Persamaan. (4) untuk
; D1TH
suatu bangunan tertentu perlu dilakukan benchmarking menggunakan EUI.
EUI yang dihitungnormakemudian dibandingkan dengan tabel persentil
benchmark untuk mendapatkan peringkat yang sesuai.
Kritik utama dari pendekatan OLS adalah bahwa residu tidak hanya mengukur
inefisiensi tetapi juga faktor-faktor yang tidak dapat dijelaskan dan kesalahan
data. Akibatnya, residu apa pun tidak dapat diasumsikan ada hubungannya
dengan tingkat efisiensi relatif.
2.2.3. Kuadrat Terkecil Biasa yang Terkoreksi (COLS)
Perpanjangan OLS adalah Corrected Ordinary Least Squares (COLS).
Hal ini pertama kali dikemukakan oleh Winsten[8]dalam komentarnya
kepada Farrell[9]. Konsistensi penduga COLS kemudian secara resmi
ditunjukkan pada[10]. Metode ini merupakan prosedur dua tahap.
Garis regresi pada tahap pertama diperkirakan melalui OLS. Garis
regresi pada tahap kedua digeser ke bawah sehingga garis regresi
yang dihasilkan (disebut COLS frontier) menyelubungi seluruh data.
Artinya, semua residu (selisih antara EUI aktual dan prediksi) adalah
positif, kecuali bangunan yang dianggap efisien (yang residunya nol).
Memang COLS berasumsi bahwa semua penyimpangan (sisa)
disebabkan oleh inefisiensi.
Kami mendapatkan solusi optimal dari Persamaan. (1), dilambangkan sebagaieOLSSaya ,AOLS,
DanBOLS
1; . . . ;BOLS
P . Kami berasumsi demikianeOLS menitadalah minimum dari semuanyaeOLS Saya .
Estimasi kesalahan disesuaikan sebagaieSaya KOL¼eOLSSaya-eOLS menit8Saya¼1; . . . ;N
untuk COLS frontier karena istilah kesalahan ini disebabkan oleh inefisiensi.
Demikian pula, kami menggunakanAKOL¼AOLStheOLS DanBKOLJ ¼
BOLS menit
J 8J¼1; . . .P.
D2TH
Kami kemudian dapat mengembangkan tabel persentil patokan
berdasarkan distribusi semua residu baru,eKOLSaya
.
Sangat mudah untuk dicatat bahwa COLS dianggap sebagai versi ekstrim
dari teknik OLS, berdasarkan anggapan bahwa ''titik terendah''
mendefinisikan EUI (batas depan) yang efisien, dan dengan asumsi bahwa
perkiraan gradien OLS masih valid di perbatasan.
 W. Chung / Energi Terapan 88 (2011) 1470–1479 1473

Karena COLS berasumsi bahwa semua penyimpangan disebabkan oleh unit pengambilan keputusan (DMU). Bangunan adalah DMU dalam konteks
inefisiensi, maka hasilnya sangat sensitif terhadap observasi (atau outlier) makalah ini. Skor efisiensi dengan adanya beberapa faktor masukan dan
yang paling efisien. keluaran didefinisikan sebagai:

2.3. Analisis Perbatasan Stokastik (SFA) jumlah tertimbang dari keluaran

Efisiensi¼ :
jumlah tertimbang dari masukan
SFA memisahkan komponen kesalahan ini dari komponen inefisiensi
sementara COLS mengasumsikan bahwa semua kesalahan acak,eSaya, Dengan asumsi adaNDMU, masing-masing denganMmasukan danK
disebabkan oleh inefisiensi. SFA khususnya memerlukan asumsi terpisah keluaran; skor efisiensi relatif dari tes DMUPdiperoleh dengan
mengenai distribusi komponen inefisiensi dan kesalahan, yang berpotensi menyelesaikan model berikut yang diusulkan oleh Charnes et al. di dalam
menghasilkan pengukuran efisiensi relatif yang lebih akurat. Regresi dalam [16] Dan[17]:
bentuk SFA yang paling sederhana diperkirakan menggunakan dua [DEA]
komponen kesalahan yang independen satu sama lain. Jarak antara data
dan batas efisiensi umumnya lebih pendek bila dihitung menggunakan SFA 1 1P
aykamu ay 2Pþ---þay
th2kamu
maks
KkamuKp

dibandingkan COLS. kamu1X1Pthkamu2X2Pþ---þkamuMXMp

Dengan model fungsi produksi stochastic frontier yang diusulkan aykamu 1Nthay
s:t
1
2kamu2Nþ---þayKkamubuku61N¼1; . . .Tidak1X
pada[11]Dan[12]sebagai basis independen, model frontier efisiensi 1N thkamu2X2Nþ---þkamuMXM N
energi stokastik dapat ditulis sebagai ay
k;kamuMPek¼1; . . .K; M¼1; . . . ;M

di EUISaya¼XT SayaBth MSayathkamuSaya D5TH

dimana EUISayamewakili penggunaan energi per kaki persegi (efisiensi Di manakamubuku=jumlah keluarankdiproduksi oleh DMUN;ay k=itu

energi) diSayabangunan sampel (saya =1, 2,. . .,N);XSayaadalah (P1) bobot yang diberikan pada outputk; XM N=jumlah masukanMdiproduksi oleh DMU
vektor masukan yang memuat masukan-masukan yang mewakili N; kamuM=bobot yang diberikan pada masukanM;Dane=nilai non-negatif yang
pengelolaan dan karakteristik fisik suatuSayabangunan contoh;B dirancang untuk menerapkan kepositifan yang ketat pada variabel.
mewakili (P1) vektor parameter yang akan diestimasi; ituaySayas Program pecahan di atas dapat diubah menjadi program linier
diasumsikan terdistribusi secara independen dan identikND0;R2 ayTH sebagai berikut:
kesalahan acak dua sisi yang tidak bergantung padakamuSayaS; dan itu kamu [DEA_CCR]
Sayas adalah variabel acak non-negatif yang terkait dengan inefisiensi teknis.

ItukamuSayas diasumsikan independen dan teridentifikasi maksay 1kamu1Pthay kamu2Pþ---þay

2
KkamuKp

terdistribusi secara merata dan pemotongannya berada pada titik nolNDaku;R2 kamuTH.
s:t:kamu1X1Pthkamu2X2Pþ---þkamuMXMp¼1
Sebagian besar Analisis Stochastic Frontier diarahkan pada prediksi
Day
kamu 1 1Nth ay 2kamu2Nþ---þayKkamubukuÞ-ðkamu1X1Nthkamu2X2N
efek inefisiensi, yang dapat dihitung sebagai rasio output yang diamati
terhadap output stochastic frontier yang bersangkutan. Artinya, þ---þkamuMXM NTH60N¼1; . . .N
efisiensi teknisSayabangunan sampel ke-th, dilambangkan denganTE ay
k;kamuMPek¼1; . . .K; M¼1; . . . ;M

Saya,adalah sama dengan:

Masalah di atas [DEA_CCR] harus diselesaikanNwaktu (p = 1,. . .,N)

EUISaya pengalamanDXTBthay thkamuSayaTH
Saya
¼ D6TH untuk mendapatkan skor efisiensi relatif dari semua DMU. Setiap DMU
Saya

TESaya¼
T Bth ay T Bth ay
pengalamanDX
Saya SayaTH pengalamanDX
Saya
Saya
Ukuran efisiensi teknis ini mempunyai nilai antara nol dan satu. Ini
mengukur efisiensi energi dariSayapembangunan sampel relatif terhadap
efisiensi energi dari perusahaan yang sepenuhnya efisien menggunakan
vektor input yang sama.
Selanjutnya Reifschneider dan Stevenson[13]mengusulkan model
stochastic frontier di mana efek inefisiensi (kamuSaya) dinyatakan sebagai
fungsi eksplisit dari vektor variabel spesifik perusahaan dan kesalahan acak.
Kami kemudian memperolehkamuSaya¼zSayaAthGSaya, Di manazSayaadalah
vektor karakteristik dan insentif pemilik bangunan, seperti yang dibahas
dalam[14]. Diasumsikan bahwa sebagian dari inefisiensi energi dapat
disebabkan oleh serangkaian karakteristik yang dapat diamati dari pemilik
dan penghuni bangunan,zSaya, dengan sisa inefisiensi yang tersisa
tidak dapat dijelaskan. Ini diasumsikan bahwaGSayadidistribusikanND0;R2 kamuTH,terpotong
SayaTH
¼pengalamanDkamu :
TH
memilih bobot input dan output yang memaksimalkan skor
efisiensinya. Suatu DMU umumnya dianggap efisien jika memperoleh
skor 1. Skor yang kurang dari 1 menunjukkan inefisiensi.
Charnes dkk.[16]hanya membatasi variabelnyaayk;kamuMmenjadi
non-negatif (e=0), dan penerapan batas bawah yang sangat positif (eP
0) diperkenalkan dalam makalah tindak lanjut[17].
2.4.1. Pembandingan di DEA
Untuk setiap DMU yang tidak efisien, DEA mengidentifikasi
serangkaian unit efisien yang dapat digunakan sebagai tolok ukur
perbaikan. Skor efisiensi DMUPumumnya dihitung berdasarkan
masalah gandanya meskipun [DEA_CCR] berbentuk linier:

padazSayaAseperti yangGSayaP -zSayaA.Secara keseluruhan,

parameternyaAvektor mengukur dampak perilaku pemilik dan
penghuni bangunan terhadap seberapa dekat bangunan tersebut
dengan batas efisiensi, sedangkan parameternya adalahBvektor
mengukur dampak karakteristik bangunan terhadap bentuk dan lokasi
batas efisiensi energi.
Estimasi kemungkinan maksimum dari parameter stochastic
frontier dapat diperoleh dengan menggunakan program FRONTIER 4.1
[15]. Perlu dicatat bahwa varians parameter
diperkirakan dalam halR2¼R2 aythR2kamuDanC¼R2 =R . kamu 2

2.4. Analisis Amplop Data (DEA)

DEA adalah model analisis produktivitas multi-faktor yang digunakan

untuk mengukur efisiensi relatif dari sekumpulan produk yang homogen Gambar 1.Ilustrasi sederhana OLS, COLS, SFA, dan DEA.
1474 W. Chung / Energi Terapan 88 (2011) 1470–1479

[DEA_CCR-ganda] dibatasi DEA oleh Cooper et al.[24]; dan perbatasan DEA yang kuat oleh
! Daraio dan Simar[25].
X X
maksHP-e S- Sth Namun, Kuosmanen dan Johnson[26]menganggap bahwa pendekatan
Mth k
M k ''stokastik'' ini masih bersifat nonstatistik berdasarkan kritik Schmidt. Selain
itu, pendekatan ini tidak memungkinkan adanya perlakuan probabilistik
s:t:k1XM1thk2XM2þ---þkNXM NthS- M -HPXmp¼08M
sejati terhadap gangguan stokastik dalam data yang diamati. Yang paling
k1kamuk1thay 2kamuk2þ---þkNkamubuku- Sthk- kamukpP08k
penting, masih terdapat kesenjangan konseptual dan filosofis yang besar
kN;S-M;SthkP08k; M; N; antara DEA berbasis pemrograman matematika dan pendekatan
ekonometrik berbasis regresi. Kuosmanen dan Johnson[26], untuk mengisi
Di manaHP=skor efisiensi DMUP (variabel ganda kesetaraan di
kesenjangan ini, mengembangkan metode dan mengoreksi kuadrat terkecil
[DEA_CCR]), dankN=variabel ganda dari ketidaksetaraan di [DEA_CCR].
nonparametrik cekung yang dengannya DEA dapat disusun kembali menjadi
regresi kuadrat terkecil.
[DEA_CCR-dual] dikenal sebagai [DEA_CCR] berorientasi input dalam
Pembaca yang tertarik dapat merujuk pada karya Cook dan Seiford
bentuk amplop. Ia mencoba untuk mengontrak DMU secara proporsionalP's
[27]untuk tinjauan dan diskusi yang lebih komprehensif. Subbagian ini
memasukkan sebanyak mungkin sambil mencegah penurunan tingkat
hanya berfungsi sebagai pengenalan DEA bagi orang yang belum terbiasa
keluarannya saat ini.
dengan teknik ini.
DMU yang terlibat dalam konstruksi DMU komposit dapat digunakan
sebagai tolok ukur dalam meningkatkan efisiensi pengujian DMU. DEA juga
2.5. Sebuah ilustrasi
memungkinkan penghitungan perbaikan yang diperlukan dalam input dan
output unit yang tidak efisien untuk menjadikannya efisien. Memang benar,
Gambar 1menunjukkan ilustrasi sederhana dari OLS, COLS, SFA, dan DEA. Ada
DEA pada dasarnya adalah alat diagnostik dan tidak menentukan strategi
enam bangunan, A sampai F. Versi ekstrim dari OLS adalah COLS, yang
perbaikan apa pun untuk membuat unit yang tidak efisien menjadi efisien.
mempertahankan gradien yang sama dengan garis OLS tetapi mengubah titik
Strategi perbaikan seperti itu harus dipelajari dan diterapkan oleh para
potong OLS hingga tidak ada bangunan yang mengamati EUI di bawah garis.
manajer melalui pemahaman yang lebih baik tentang operasi unit-unit yang
Meskipun SFA mempertimbangkan kesalahan acak yang terdiri dari noise dan
efisien.
inefisiensi, garis SFA berada di antara OLS dan COLS. Terakhir, garis yang
menghubungkan gedung D, E, dan F menghasilkan selubung untuk analisis
2.4.2. Kembali ke skala
efisiensi (DEA). Kita dapat menggunakan hasil di atas untuk mengembangkan
Skala pengembalian mengacu pada peningkatan atau penurunan
sistem benchmarking.
efisiensi berdasarkan ukuran. Misalnya, produsen PC dapat mencapai
Tabel 1memberikan hasil pemeringkatan untuk menggambarkan
skala ekonomi tertentu dengan memproduksi ribuan notebook
metode OLS, COLS, dan DEA dengan observasi sederhana. Perlu dicatat
sekaligus, bukan satu per satu. Namun, produksi satu kali mungkin
bahwa hasil pemeringkatan dari SFA mungkin tidak mudah diamati
hanya seratus kali lebih sulit dibandingkan dengan produksi satu kali.
karena komponen acak terdiri dari ukuran inefisiensi dan kesalahan
Di sisi lain, produsen PC mungkin mendapati bahwa memproduksi satu
data. Inefisiensi Gedung E lebih besar dibandingkan jarak teramati dari
juta notebook sekaligus lebih sulit satu juta kali lipat karena masalah
garis depan SFA.
penyimpanan terkait pasokan CPU. Kisaran produksi ini
menggambarkan penurunan skala hasil. Menggabungkan dua rentang
2.6. Metode lain
ekstrem ini memerlukan skala pengembalian variabel.

Beberapa penelitian menggunakan metode berbeda untuk

Model [DEA_CCR] memberikan skala hasil yang konstan. Artinya,
mengembangkan sistem benchmarking energi. Misalnya, Federspiel
produsen dapat menskalakan input dan output secara linier tanpa
dkk.[28]menggunakan metode berbasis model (Simulasi). Metode
menambah atau mengurangi efisiensi. Ini memang merupakan asumsi
berbasis model, berdasarkan parameter masukan yang realistis,
yang signifikan dan mungkin berlaku secara terbatas
mensimulasikan, mengevaluasi, dan membandingkan konsumsi energi
berkisar, namun penggunaannya harus dibenarkan. Bankir dkk.[18]diperpanjang
P tahunan dan strategi pengendalian sistem untuk berbagai sistem
karya Charnes dkk.[17]dengan menambahkan NkN¼1 ke
ventilasi di kantor ber-AC. Misalnya, model benchmarking untuk
Model [DEA_CCR-dual] untuk memberikan skala pengembalian variabel
konsumsi energi sistem ventilasi dikembangkan dari analisis
meskipun asumsi ini membatasi.
psikrometri fundamental di bawah kondisi desain khusus yang dapat
diterima oleh penghuni gedung perkantoran di Hong Kong.[29].
2.4.3. Varian Analisis Envelopment Data
Hasilnya menunjukkan bahwa konsumsi energi tahunan sistem
DEA adalah pendekatan nonparametrik dan mengandalkan
ventilasi per satuan luas lantai dapat berkorelasi erat dengan CO2
pemrograman matematika, bukan teknik ekonometrik (berbasis
konsentrasi di dalam ruangan, namun korelasinya dengan titik setel suhu udara
regresi) seperti OSL, COSL, dan SFA. Oleh karena itu, keunggulan
akan kurang signifikan. Tentunya metode ini dapat digunakan untuk
utamanya dibandingkan teknik ekonometrik adalah perlakuan
mengembangkan sistem benchmarking efisiensi energi bangunan. Namun,
nonparametriknya terhadap garis depan. Mengandalkan aksioma
meskipun simulasi adalah salah satu metode paling populer untuk menganalisis
umum teori produksi (misalnya monotonisitas, konveksitas, dan
penggunaan energi dalam bangunan, simulasi tidak sering digunakan untuk
homogenitas), DEA tidak mengambil bentuk fungsional tertentu.
mengembangkan sistem benchmarking. Memang, kami menemukan bahwa
Namun DEA sering dikritik karena sifatnya yang deterministik dan
metode berorientasi simulasi terutama digunakan untuk tujuan tersebut
nonstatistik. Kritik serupa ditemukan dalam karya Schmidt[19].
Bankir[20]berpendapat bahwa penduga DEA konsisten secara Tabel 1
statistik dan mampu melakukan interpretasi kemungkinan maksimum Hasil pemeringkatan ilustrasi.

dalam kondisi tertentu. Simar dan Wilson[21]baru-baru ini memberikan Peringkat OLS/COLS Dea
survei komprehensif terkait dengan landasan statistik penduga DEA 1 (efisiensi paling tinggi) E D, E, F
seperti teori asimtotik dan tingkat konvergensi serta metode inferensi 2 D C
statistik. Literatur menunjukkan bahwa ada beberapa ekstensi 3 F A
''stochastic'' pada DEA yang dapat meningkatkan ketahanannya 4 C B
5 A
terhadap kesalahan data dan outlier. Mereka termasuk DEA stokastik
6 (efisiensi paling kecil) B
oleh Banker dkk.[22]; DEA + oleh Gstach[23]; peluang-
 W. Chung / Energi Terapan 88 (2011) 1470–1479
menganalisis bagaimana desain dan faktor-faktor lain, seperti orientasi dan
sifat lingkungan sekitar, mempengaruhi penggunaan energi bangunan.
Misalnya Liu dan Harris[30]mempelajari pengaruh pohon yang ditanam
sebagai shelterbelt, menggunakan simulasi komputer untuk memodelkan
variasi konsumsi energi sebuah bangunan dengan atau tanpa pohon
shelterbelt. Contoh simulasi yang lebih baru dapat ditemukan di[31]untuk
pengaruh perangkat peneduh kisi-kisi terhadap kebutuhan energi
bangunan, dan dalam[32]untuk membangun penggunaan energi di iklim
sub-tropis.
Di sisi lain, Yalcintas dan Ozturk[33]menggunakan Artificial Neural Network
(ANN) untuk mengembangkan model benchmarking energi dengan
menggunakan database yang sudah ada dengan observasi dalam jumlah besar
sebagai basis pelatihannya, lihat[34]untuk aplikasi terbaru.
3. Sifat-sifat metode
Bagian ini membahas sifat-sifat (kekuatan dan kelemahan) metode.
Diasumsikan bahwa beberapa kekuatan dan kelemahan umum metode
ini dapat ditemukan dengan mudah di buku teks terkait. Oleh karena
itu, kami hanya fokus pada properti yang mempengaruhi hasil sistem
benchmarking. Untuk memperjelas, misalnya, makalah ini tidak akan
membahas bagaimana model yang dihasilkan dipengaruhi oleh
kurangnya ''derajat kebebasan'' atau spesifikasi model saat
menggunakan metode basis regresi. Di sisi lain, karena ANN perlu
dilatih dengan sejumlah besar data dan simulasi harus digunakan
untuk mengukur efisiensi energi pada jenis bangunan tertentu seperti
gedung laboratorium, sifat-sifatnya tidak dibahas di sini.
3.1. OLS
3.1.1. Kekuatan utama OLS
Menjadi bagian dari paket statistik dan sebagian besar perangkat
lunak spreadsheet, komputasinya mudah dan lugas.
3.1.2. Komponen acak terdiri dari efisiensi relatif
OLS dan COLS memiliki kelemahan besar karena residu dalam
estimasi mencerminkan kombinasi efisiensi relatif, kesalahan
pengukuran pada variabel dependen, dan gangguan statistik, bukan
hanya inefisiensi. Oleh karena itu, perkiraan akhir mengenai ''efisiensi''
harus diabaikan sebelum digunakan dalam merumuskan kebijakan
harga untuk tujuan regulasi.
3.1.3. Fungsi OLS ''rata-rata''
Keterbatasan lain dari OLS adalah bahwa metode ini menghitung
fungsi ''rata-rata'' yang tidak memberikan informasi kuantitatif
langsung mengenai inefisiensi energi dalam sampel. Hal ini tidak
menghitung batas efisien yang sesuai dengan gagasan teoretis tentang
fungsi efisiensi energi.
3.1.4. Pencilan di COLS
Dengan pergeseran fungsi efisiensi ke bawah hingga semua
komponen acak lebih besar dari nol, COLS hadir dengan versi OLS yang
lebih maju. Namun, karena komponen acak terdiri dari faktor-faktor
seperti efisiensi relatif, maka batas yang dihasilkan dianggap sensitif
terhadap keberadaan outlier.
3.2. SFA
3.2.1. Pemisahan komponen acak dari efisiensi relatif SFA memisahkan
komponen kesalahan acak,eSaya, dari komponen inefisiensi,
sedangkan COLS mengasumsikan bahwa semua kesalahan acak
disebabkan oleh inefisiensi.
1475
3.2.2. Pencilan di SFA
Inilah kelemahan utama. Pemisahan komponen acak dari efisiensi
relatif tidak selalu berhasil karena, biasanya, estimasi komponen
inefisiensi mewakili sebagian kecil dari keseluruhan variasi sisa.
Khususnya, keberadaan outlier (yaitu sampel dengan variasi residu
yang besar) dapat menyebabkan model stochastic frontier
menganggap bahwa terdapat terlalu banyak noise dalam data.
Akibatnya, kita mungkin menemukan sedikit atau tidak ada inefisiensi
dalam sampel meskipun ada dan semua bangunan mungkin berada
pada atau mendekati garis batas (efisiensi energi 100%). Memisahkan
komponen kesalahan acak menjadi kebisingan dan inefisiensi menjadi
kerugian yang signifikan karena dapat menyebabkan kegagalan dalam
membedakan efisiensi energi bangunan.
3.2.3. Kemiringan distribusi residu
ItuaySayas di SFA diasumsikan independen dan identik
didistribusikanND0;R2ayTHkesalahan acak dua sisi, tidak bergantung pada
kamuSayaS; dan itukamuSayas adalah variabel acak non-negatif, yang
terkait dengan inefisiensi teknis. ItukamuSayas juga diasumsikan
terdistribusi secara independen dan identik dan pemotongannya nol
NDaku;RkamuTH .Residu yang diamati (aySayathkamuSaya) harus positif
2
menjadi tidak seimbang ketika terdapat inefisiensi dan, oleh karena itu, SFA tidak lagi
menjadi estimasi OLS sederhana ketika residunya tidak mempunyai nilai positif yang
signifikan.
3.2.4. Ukuran sampel yang besar
SFA secara implisit berasumsi bahwa terdapat sejumlah besar
bangunan yang relatif hemat energi dan hanya sedikit bangunan yang
relatif tidak efisien energi. SFA berupaya mengenali adanya kesalahan
acak dan inefisiensi teknis dalam bentuk fungsional seperti distribusi
normal terpotong.
3.3. Dea
3.3.1. Tidak adanya bentuk fungsional dari frontier
Jelasnya, DEA tidak perlu menggunakan asumsi untuk bentuk
fungsional frontier. Akibatnya, tidak ada bahaya kesalahan spesifikasi
model untuk frontier.
3.3.2. Jumlah faktor dan skor efisiensi
Meskipun DEA mengadopsi bobot untuk setiap bangunan yang
memaksimalkan kinerja penggunaan energi relatif setiap bangunan, penambahan
faktor (atau variabel dalam DEA) tidak pernah menurunkan skor efisiensi dan oleh
karena itu, banyak bangunan mungkin tampak efisien meskipun hal ini tidak
benar. Selain itu, jika model tersebut mencakup banyak variabel dengan ukuran
sampel yang kecil, setiap bangunan mungkin dapat mencapai batas melalui
setidaknya satu variabel keluaran untuk membenarkan penggunaan energinya.
3.3.3. Pencilan di DEA
Sebuah outlier tunggal dapat menghasilkan inefisiensi energi yang sangat
besar pada sebagian besar bangunan lain karena DEA menyelubungi bangunan
dengan efisiensi energi terluar tanpa memeriksa apakah outlier tersebut
merupakan hasil dari kesalahan. Perlu dicatat bahwa outlier di SFA mengakibatkan
kegagalan menemukan inefisiensi sama sekali.
3.3.4. Penggunaan skor efisiensi
Perhatikan bahwa skor efisiensi bangunan yang kurang dari 1 mungkin
disebabkan oleh beberapa faktor yang tidak tercakup dalam model.
Misalnya, skor efisiensi 0,85 tidak berarti bahwa 15% penggunaan energi
disebabkan oleh inefisiensi. Memang benar, model DEA gagal menjelaskan
beberapa penggunaan energi aktual karena faktor-faktornya tidak dapat
diuji dalam DEA. Selain itu, DEA pandai memperkirakan efisiensi relatif
dalam sampel dan tidak dapat memberikan efisiensi relatif berdasarkan
''maksimum teoritis'' atau kinerja yang diharapkan.
1476 W. Chung / Energi Terapan 88 (2011) 1470–1479

3.3.5. Validasi model yang dihasilkan
Analisis sensitivitas sangat penting dalam memvalidasi hasil model meskipun
tidak ada aturan atau prosedur yang memungkinkan DEA menangani masalah
''spesifikasi model''. Hal ini dapat dilakukan dengan menggunakan input dan/atau
output yang berbeda.
4. Sistem benchmarking publik atau internal
Hasil benchmarking dapat membantu operator dan pemilik gedung
menentukan seberapa baik kinerja setiap gedung dalam studi
benchmarking. Hal ini juga menyoroti pengguna energi terburuk dan
terbaik, mengungkapkan bangunan mana yang akan memperoleh
penghematan energi terbesar dari penerapan langkah-langkah konservasi
energi. Namun, hal ini mungkin tidak dapat dilakukan jika bangunan lain
(yang tidak termasuk dalam penelitian) ingin mengukur efisiensi energinya.
Hal ini tergantung pada jenis metode evaluasi kinerja yang digunakan.
Sebagaimana disebutkan dalam Bagian1, kita dapat memiliki dua jenis
sistem benchmarking: benchmarking publik dan internal, bergantung pada
apakah sistem benchmarking yang dihasilkan dapat digunakan secara
publik. Untuk DEA, Simulasi, dan ANN, pengguna publik tidak dapat
mencapai model aslinya. Kedua, observasi tambahan (pengguna publik)
memerlukan penyelesaian model untuk pemeringkatan baru dari semua
observasi (observasi lama dan observasi baru). Oleh karena itu, sistem
benchmarking yang dikembangkan oleh DEA, Simulasi, dan ANN tidak cocok
untuk digunakan publik. Di samping itu,
Meja 2
Jenis sistem benchmarking dan metode pengembangannya.
Jenis sistem benchmarking Metode pengembangan yang mungkin
Publik OLS, COLS, SFA, Sederhana (normalisasi)
Intern DEA, SDEA, Simulasi, ANN
Tabel 3
Klasifikasi metode.
Perbatasan Non-Perbatasan
pengamatan baru dapat dibandingkan langsung dengan tabel
benchmarking yang dihasilkan oleh OLS, COLS, SFA, dan Simple.
Akibatnya, model (OLS, COLS, SFA, dan sederhana) tidak perlu
diselesaikan untuk mendapatkan skor benchmarking. Cara-cara ini
kemudian cocok untuk pengguna umum.Meja 2merangkum klasifikasi
metode semacam ini.
Tentu saja, lembaga-lembaga pemerintah atau pemangku kepentingan
tertarik untuk mengembangkan sistem benchmarking publik untuk
meningkatkan kinerja penggunaan energi pada bangunan.
4.1. Klasifikasi metode yang khas
Kita dapat mengklasifikasikan metode ini (Tabel 3) menurut dua dimensi:
Frontier dan Parametrik. ''Frontier'' digunakan untuk mendeskripsikan
bentuk metode yang dihasilkan, dan ''Parametrik'' mewakili metode yang
menggunakan bentuk fungsional.
Perlu dicatat bahwa tidak ada metode yang bebas dari kritik. Memang
benar, skor efisiensi akhir kemungkinan besar bersifat sensitif terhadap
metode yang dipilih dan tidak boleh ditafsirkan sebagai ukuran inefisiensi
yang pasti.
5. Survei sistem benchmarking dari literatur
Kami meninjau literatur tentang sistem benchmarking dan hasil
terkait dalam membangun kinerja penggunaan energi. Kami bertujuan
untuk mendiskusikan bagaimana metodologi digunakan untuk
mengembangkan sistem benchmarking. Literatur terutama
dikumpulkan dari jurnal-jurnal terkait energi termasuk, Energi Terapan,
Teknik Termal Terapan, Bangunan dan Lingkungan, Energi – Jurnal
Internasional, Energi dan Bangunan, Konversi dan Manajemen Energi,
Ekonomi Energi, Kebijakan Energi, Jurnal Internasional Penelitian
Energi, Jurnal Produksi Bersih, Jurnal Internasional Bangunan
Berenergi Rendah dan Berkelanjutan, dan Kebijakan Utilitas. Selain itu,
kertas kerja, laporan teknis, dan makalah konferensi juga disertakan.
Secara total, kami menemukan 46 referensi yang kami yakini paling
relevan dalam membangun sistem benchmarking energi.

Parametrik SFA, COLS OLS

Non-parametrik DEA, SDEA Sederhana (normalisasi)

Tabel 4
Ringkasan metode pengembangan yang digunakan untuk mengembangkan sistem benchmarking.

metode Referensi Jenis Bangunan Lokasi bangunan

Normalisasi sederhana [35]Lee dan Priyadarsini (2008) Kantor Singapura

OLS [3]Monts dan Blissett (1982) Sekolah Amerika Serikat

OLS [5]Tajam (1996) Kantor Amerika Serikat

OLS [2]Birtles dan Grigg (1997) Kantor Inggris

OLS [36]Tajam (1998) Sekolah Amerika Serikat

OLS [37]Bloyd dkk. (1999) Hotel Amerika Serikat

OLS [38]MacDonald dan Livengood (2000) Perumahan Amerika Serikat

OLS [39]Westphal dan Lamberts (2001) Komersial Brazil

OLS [40]Olofsson dkk. (2005) Perumahan Swedia
OLS [7]Chung dkk. (2006) Supermarket hk
OLS [41]Bohdanowicz dan Mart (2007) Hotel Eropa
OLS [42]Chung dan Hui (2009) Kantor hk
OLS [43]Wu dkk. (2010) Hotel Singapura
SFA [14]Buck dan Muda (2007) Komersial Kanada
Dea [44]Lee (2008) Kantor pemerintahan Taiwan
Dea [45]Lee dan Lee (2009) Kantor pemerintahan Taiwan
Simulasi [46]Kilgore dan Carlson (1992) Komersial Amerika Serikat

Simulasi [6]Kinney dan Piette (2002) Kantor Kalifornia

Simulasi [47]Chow dkk. (2003) Sekolah Anchorage, Alaska, AS
Simulasi [48]Olofsson dkk. (2004) Perumahan Amerika Serikat

Simulasi [49]Chan dan Yeung (2005) Komersial Hongkong

Simulasi [50]Hernandez dkk. (2008) Sekolah orang Irlandia

Simulasi [51]Lee dan Burnett (2008) Kantor Hongkong

 W. Chung / Energi Terapan 88 (2011) 1470–1479 1477

hasil sejak tahun 1982 hingga 2010. Oleh karena itu, 23 referensi ini
dilaporkan untuk klasifikasi menurut metodologi pengembangan yang
digunakan.
Kami menggunakan tiga tabel untuk merangkum temuan kami.Tabel 4
melaporkan bagaimana metode pengembangan digunakan. Tidak semua
referensi melaporkan statistik sampelnya, seperti statistik Intensitas
Penggunaan Energi (EUI). Oleh karena itu, kami hanya menyajikan data pada
sektor Perkantoran dan Komersial (Tabel 5) dan sektor Hotel, Sekolah dan
Perumahan (Tabel 6).
Tabel 4menunjukkan bahwa OLS adalah metode yang paling populer
sedangkan Simulasi (DOE 2) mengikuti. Keterlambatan penerapan SFA dalam
membangun benchmarking efisiensi energi mungkin disebabkan oleh
keterlambatan pengembangan SFA dibandingkan dengan OLS. COLS tidak
digunakan karena tidak memberikan keunggulan apa pun dibandingkan OLS
dalam proses benchmarking (atau pemeringkatan). Di sisi lain, DEA (dan
keluarganya) tidak populer.
Tabel 5menunjukkan bahwa EUI seluruh gedung perkantoran
adalah antara 1078,8 MJ/m22dan 2338 MJ/m2. Rata-rata EUI terkecil

Tabel 5
Ringkasan Intensitas Penggunaan Energi di sektor perkantoran dan komersial.

Tahun data terukur Lokasi bangunan Sampel Intensitas energi dari Referensi
sampel (MJ/m2)

1989 Amerika Serikat 6000 bangunan Rata-rata = 1078,8 [44]Kilgore dan Carlson (1992)
1992 Amerika Serikat 1358 gedung perkantoran Median = 534,8 [5]Tajam (1996)
1992–1995 Kalifornia 776 gedung perkantoran Median = 545,1 [6]Kinney dan Piette (2002)
1996 Inggris enam gedung full AC Rata-rata = 2160 [2]Birtles dan Grigg (1997)
1999, 2006 Hongkong 60 gedung bersertifikat HK-BEAM Rata-rata = 1756,8 [51]Lee dan Burnett (2008)
1998 Hongkong 90 gedung Rata-rata = 2338 [49]Chan dan Yeung (2005)
2001 Kanada 4101 bangunan komersial dan institusi di [14]Buck dan Muda (2007)
wilayah metropolitan utama Kanada Mal
Tertutup (N = 19) Ritel-Non-Makanan(N = 178) Rata-rata = 1097,9
Ruang Kantor(Pemerintahan) (N = 207) Jasa- Rata-rata = 1238,9
Non-Makanan(N = 167) Rata-rata = 1307,8
Rata-rata = 1678,1
Strip Mall (N = 109) Rata-rata = 1701,8
Hiburan & Rekreasi Dalam Ruangan (N = 58) Rata-rata = 3088,2
Makanan Ritel (N = 48) Rata-rata = 3342,2
Jasa-Makanan(N = 98) Rata-rata = 5035,3
2002 Hongkong 150 kantor [42]Chung dan Hui (2009)
Service umum dengan AC sentral Kantor Median = 719,8
penyewa dengan AC sentral Pelayanan Median = 425,1
umum tanpa AC sentral Kantor penyewa Median = 139,9
tanpa AC sentral Seluruh gedung kantor Median = 517,3
dengan AC sentral 30 supermarket Median = 1271,6
2004 Hongkong Median = 5943 [7]Chung dkk. (2006)
2005 Brazil 23040 kasus disimulasikan Rata-rata = 432 [39]Westphal dan Lamberts (2001)

2005–2007 Singapura 104 gedung perkantoran Rata-rata = 792* [35]Lee dan Priyadarsini (2008)
2006 atau sebelumnya Taiwan 47 bangunan Rata-rata = 38,7** [44]Lee (2008)
*
Sebuah pencilan.
**
Kesalahan ketik.

Tabel 6
Ringkasan statistik EUI di Sekolah, Perumahan dan Hotel.

Tahun data terukur Jenis Bangunan Lokasi bangunan Sampel Intensitas energi dari Referensi
sampel (MJ/m2)

2005–2006 Sekolah orang Irlandia 108 sekolah, 88 digunakan Median = 345,6 [50]Hernandez dkk. (2008)
untuk analisis rinci
Sekolah Yunani Rata-rata = 205,2
Sekolah Flanders Rata-rata = 709,2
Sekolah Irlandia Utara Rata-rata = 428,4
Sekolah Inggris Rata-rata = 565,2
2001–2002 Sekolah Anchorage, Alaska, AS, AS 11 sekolah K-12 Rata-rata = 1589,6 [47]Chow dkk. (2003)
1992 Sekolah 449 gedung sekolah [36]Tajam (1998)
Divisi sensus 1 Median = 186,0
Divisi sensus 2 Median = 189,9
Divisi sensus 3 Median = 182,1
Divisi sensus 4 Median = 170,5
Divisi sensus 5 Median = 290,6
Divisi sensus 6 Median = 337,1
Divisi sensus 7 Median = 286,7
Divisi sensus 8 Median = 298,5
Divisi sensus 9 Median = 282,9
1997 Perumahan Amerika Serikat 5900 unit rumah Rata-rata = 212,4 [48]Olofsson dkk. (2004)
1993 Perumahan Amerika Serikat 7041 rumah tangga Rata-rata = 1107,2 [38]MacDonald dan Livengood (2000)
2005 Hotel Singapura 29 hotel (5 bintang 3, 13 Rata-rata = 1537,2 [43]Wu dkk. (2010)
bintang 4 dan 11 bintang
2004 Hotel Eropa 5) 184 hotel di Eropa [41]Bohdanowicz dan Mart (2007)
Hilton Median = 1210,68
Skandik Median = 971,64
1478 W. Chung / Energi Terapan 88 (2011) 1470–1479
(792 MJ/m2) dilaporkan dalam[35]dianggap outlier, dan nilai rata-rata
EUI (38,7 MJ/m2) dilaporkan dalam[44]dianggap sebagai kesalahan
ketik.
Tabel 6menunjukkan kisaran 170,5 MJ/m2menjadi 709,2 MJ/m2untuk
EUI Sekolah (kecuali yang berada di wilayah khusus Alaska). EUI Hotel
adalah antara 971,64 MJ/m2dan 1537,2 MJ/m2. Namun, hasil EUI yang
dilaporkan di sektor perumahan tidak konsisten.
6. Kesimpulan dan perspektif
Dalam mensurvei literatur, kami memiliki perspektif berikut:
(1) Sistem tolok ukur kinerja energi bangunan dikembangkan
dengan metode matematika yang sudah mapan.
(2) OLS merupakan alat yang populer bagi regulator karena sifat dari sistem
benchmarking publik yang dihasilkan sebagaimana dibahas dalam Bagian
4.
(3) Simulasi menjadi alat yang umum bagi peneliti akademis dan teknik
untuk mempelajari faktor-faktor yang mempengaruhi penggunaan
energi bangunan.
(4) DEA dan variannya tidak populer. Hal ini disebabkan karena sistem
benchmarking internal yang dihasilkan dan tidak ada hasil signifikan
yang dapat dilaporkan kepada pengguna publik.
(5) Hanya satu penerapan SFA yang dapat ditemukan dari literatur. Memang
benar, SFA sangat bergantung pada karakteristik fungsi produksi yang
mungkin tidak sesuai dengan sifat penggunaan energi bangunan dan
memerlukan ukuran sampel yang lebih besar.
(6) Meskipun ada beberapa perbaikan dalam metode yang disebutkan di
atas, seperti DEA sebagai regresi kuadrat terkecil nonparametrik
dalam[26], tidak ada sistem pembandingan yang menggunakan
metode yang ditingkatkan.
(7) Selain itu, ada versi DEA yang fuzzy (lihat[52]Dan
[53]) dari literatur tetapi tidak ada sistem benchmarking yang
dikembangkan oleh mereka.
Sebagai kesimpulan, kami memberikan tinjauan terhadap metode matematika
yang digunakan dalam pengembangan sistem benchmarking. Kami menemukan
bahwa ada dua jenis sistem benchmarking, yaitu sistem publik dan internal,
berdasarkan model pemeringkatan yang dihasilkan yang dikembangkan melalui
metode berbeda. Model pemeringkatan yang dihasilkan yang dikembangkan
melalui DEA atau Simulasi dari sekelompok bangunan referensi tidak dapat
digunakan secara langsung oleh pemilik bangunan non-referensi lainnya (atau
pengguna akhir publik). Pengguna akhir publik diharuskan menyelesaikan DEA
atau menjalankan Simulasi lagi. Sebaliknya, sistem benchmarking yang
dikembangkan OLS dan SFA bisa digunakan oleh masyarakat. Namun, SFA
memerlukan ukuran sampel yang lebih besar. Terakhir, kami merangkum
beberapa laporan mengenai Intensitas Penggunaan Energi (EUI) diTabel 5 dan 6
untuk tujuan referensi karena statistik yang ditemukan dalam literatur tidak
konsisten.
Ucapan Terima Kasih
Pekerjaan ini sebagian didukung oleh Hibah Penelitian Strategis (Proyek
No. 7002416). Penulis mengucapkan terima kasih kepada Ibu PC Chong atas
bantuannya dalam penelitian ini.
Referensi
[1] Filippín C. Membandingkan efisiensi energi dan emisi gas rumah kaca pada gedung
sekolah di Argentina tengah. Membangun Lingkungan 2000;35:407–14.
[2] Birtles AB, Grigg P. Efisiensi energi bangunan: metode penilaian sederhana.
Membangun Ser Eng Res Technol 1997;18(2):109–14.
[3] Monts JK, Blissett M. Menilai efisiensi energi dan potensi konservasi energi di antara
bangunan komersial: pendekatan statistik. Energi 1982;7(10):861–9.
[4] Lovell-Smith JER, Baldwin JA. Tren penggunaan energi di industri susu Selandia Baru.
NZ J Dairy Sci Technol 1988;23:237–55.
[5] Pembandingan Sharp T. Energy di gedung perkantoran komersial. Studi musim
panas ACEEE 1996 tentang efisiensi energi di gedung, vol. 4; 1996. hal. 321–9.
[6] Kinney S, Piette MA. Pengembangan database pembandingan energi bangunan
komersial California. Studi musim panas ACEEE 2002 tentang efisiensi energi pada
gedung, vol. 7; 2002. hal. 109–20.
[7] Chung W, Hui YV, Lam YM. Model benchmarking untuk efisiensi energi bangunan
komersial. App Energi 2006;83:1–14.
[8] Winsten CB. Pembahasan makalah Pak Farrell. J Roy Stat Soc Ser A 1957;120(III):282–
4.
[9] Farrell MJ. Pengukuran efisiensi produktif. J Roy Stat Soc Ser A 1957;120(III):253–81.
[10] Greene W. Estimasi kemungkinan maksimum fungsi batas ekonometrik. J Ekonomi
1980;13:26–57.
[11] Aigner DJ, Lovell CAK, Schmidt P. Perumusan dan estimasi model fungsi produksi
stochastic frontier. J Ekonomi 1977;6:21–37.
[12] Meeusen W, van den Broeck J. Estimasi efisiensi dari fungsi produksi Cobb-Douglas
dengan kesalahan tersusun. Int Econ Rev 1977;18:435–44.
[13] Reifschneider D, Stevenson R. Keberangkatan sistematis dari Frontier: kerangka kerja
untuk analisis inefisiensi perusahaan. Int Econ Rev 1991;32:715–23.
[14] Buck J, Young D. Potensi peningkatan efisiensi energi di sektor bangunan komersial
Kanada: studi perbatasan stokastik. Energi 2007;32:1769–80.
[15] Coelli TJ. Panduan untuk FRONTIER Versi 4.1: program komputer untuk produksi
stokastik frontier dan estimasi fungsi biaya. departemen ekonometrika. Armidale,
Australia: Universitas New England; 1994.
[16] Charnes A, Cooper WW, Rhodes EL. Mengukur efisiensi unit pengambilan keputusan.
Eur J Oper Res 1978;2:429–44.
[17] Charnes A, Cooper WW, Rhodes EL. Mengevaluasi efisiensi program dan manajerial:
penerapan analisis data envelopment untuk tindak lanjut program. Kelola Sains
1981;27:668–97.
[18] Bankir RD, Charnes A, Cooper WW. Beberapa model untuk memperkirakan
inefisiensi teknis dan skala dalam analisis data envelopment. Kelola Sains 1984;30:
1078–92.
[19] Fungsi produksi Schmidt P. Frontier. Rev Ekonomi 1985;4(2):289–328.
[20] Bankir RD. Analisis kemungkinan maksimum, konsistensi, dan selubung data
– landasan statistik. Kelola Sains 1993;39(10):1265–73.
[21] Simar LP, Wilson W. Inferensi statistik dalam model perbatasan nonparametrik:
perkembangan dan perspektif terkini. Dalam: Fried HO, Lovell CAK, Schmidt SS,
editor. Pengukuran efisiensi produktif dan pertumbuhan produktivitas. New York:
Pers Universitas Oxford; 2008. hal. 421–51.
[22] Bankir RD, Datar SM, Kemerer CF. Sebuah model untuk mengevaluasi variabel yang berdampak pada
produktivitas proyek pemeliharaan perangkat lunak. Kelola Sains 1991;37(1):1–18.
[23] Gstach D. Pendekatan lain untuk analisis selubung data di lingkungan yang bising:
DEA+. J Prod Anal 1998;9(2):161–76.
[24] Cooper WW, Huang ZM, Li SX. Model DEA yang memuaskan dalam batasan peluang.
Ann Oper Res 1996;66:279–95.
[25] Daraio C, Simar L. Model perbatasan nonparametrik bersyarat untuk teknologi
cembung dan noncembung: pendekatan pemersatu. J Prod Anal 2007;28(1– 2):13–
32.
[26] Kuosmanen T, Johnson AL. Analisis selubung data sebagai regresi nonparametrik
kuadrat terkecil. Operasi Res 2010;58(1):149–60.
[27] Masak WD, Seiford LM. Analisis amplop data (DEA) – tiga puluh tahun kemudian. Euro J Oper
Res 2009;192:1–17.
[28] Federspiel C, Zhang Q, Arens E. Pembandingan berbasis model dengan aplikasi pada gedung
laboratorium. Pembangunan Energi 2002;34(3):203–14.
[29] Mui KW, Wong LT, Hukum LY. Model benchmarking energi untuk sistem ventilasi
kantor ber-AC di iklim subtropis. Appl Energi 2007;84:89–98.
[30] Liu Y, Harris DJ. Pengaruh pohon shelterbelt terhadap pengurangan konsumsi energi
pemanas gedung perkantoran di Skotlandia. Energi Aplikasi 2008;85(2–3): 15–127.
[31] Palmero-Marrero AI, Oliveira AC. Pengaruh perangkat peneduh louver terhadap
kebutuhan energi bangunan. Appl Energi 2010;87(6):2040–9.
[32] Rahman MM, Rasul MG, Khan MMK. Langkah-langkah konservasi energi di gedung
kelembagaan di iklim sub-tropis di Australia. Energi Aplikasi 2010;87(10):2994–3004.
[33] Yalcintas M, Ozturk A. Model pembandingan energi berdasarkan metode jaringan
saraf tiruan yang memanfaatkan database Survei Konsumsi Energi Bangunan
Komersial AS (CBECS). Int J Energy Res 2007;31:412–21.
[34] Wong SL, Wan KKW, Lam TNT. Jaringan saraf tiruan untuk analisis energi gedung
perkantoran dengan pencahayaan alami. Energi Aplikasi 2010;87(2):551–7.
[35] Lee SE, Priyadarsini R. Membangun program pelabelan efisiensi energi di Singapura.
Kebijakan Energi 2008;36:3982–92.
[36] Sharp T. Membandingkan penggunaan energi di sekolah. Studi musim panas ACEEE 1998
tentang efisiensi energi pada gedung, vol. 3. 1998. hal. 305–16.
[37] Bloyd CN, Mixon WR, Sharp T. Pelembagaan sistem benchmarking untuk data
penggunaan energi pada bangunan komersial dan industri. Kerjasama Ekonomi
Asia-Pasifik; 1999.
[38] MacDonald M, Livengood S. Membandingkan penggunaan energi perumahan. Studi Musim
Panas Gedung ACEEE 2000; 2000.<http://www.ornl.gov/~webworks/cpr/pres/ 107615_.pdf>.
[39] Westphal FS, Lamberts R. Analisis regresi konsumsi energi listrik bangunan
komersial di Brasil. Dalam: Prosiding: simulasi pembangunan 2001, konferensi
internasional IBPSA ketujuh, Rio de Janeiro, Brasil 13-15 Agustus; 2001.
 W. Chung / Energi Terapan 88 (2011) 1470–1479
[40] Olofsson T, Sjögren JU, Andersson S. Kinerja energi bangunan dievaluasi dengan
analisis multivariat. Di: Konferensi internasional IBPSA kesembilan di Montreal,
Kanada, 15–18 Agustus; 2005.
[41] Bohdanowicz P, Mart I. Penentu dan tolok ukur konsumsi sumber daya di hotel –
studi kasus Hilton International dan Scandic di Eropa. Pembangunan Energi
2007;39:82–95.
[42] Chung W, Hui YV. Sebuah studi efisiensi energi gedung perkantoran swasta di Hong
Kong. Pembangunan Energi 2009;41:696–701.
[43] Wu XC, Priyadarsini R, Lee SE. Membandingkan penggunaan energi dan emisi gas rumah
kaca di industri perhotelan Singapura. Kebijakan Energi 2010;38:4520–7.
[44]Lee WS. Membandingkan efisiensi energi gedung-gedung pemerintah dengan
analisis data envelopment. Pembangunan Energi 2008;40:891–5.
[45] Lee WS, Lee KP. Tolok ukur kinerja pengelolaan energi gedung menggunakan
analisis data envelopment. Aplikasi Therm Eng 2009;29:3269–73.
[46] Kilgore WC, Carlson LT. Intensitas Penggunaan Akhir Energi pada Bangunan
Komersial. Studi kebutuhan pengguna untuk survei konsumsi energi bangunan
komersial tahun 1992, DOE/EIA-0555(92)/4, Washington, DC, September 1992.
1479
[47] Chow S, Parkin P, Fetters A. Penilaian energi sekolah terpilih di distrik sekolah
Anchorage. Kongres Teknik Energi Dunia ke-26, Atlanta Georgia, 12-14 November
2003.
[48] Olofsson T, Meier A, Lamberts R. Menilai kinerja energi bangunan. Int J
Pembangunan Berkelanjutan Energi Rendah 2004;3.
[49] Chan AT, Yeung CH. Menerapkan kode energi bangunan di Hong Kong:
penghematan energi, dampak lingkungan dan biaya. Pembangunan Energi
2005;37:631–42.
[50] Hernandez P, Burke K, Lewis JO. Pengembangan tolok ukur kinerja energi dan
peringkat energi bangunan untuk bangunan non-domestik: contoh untuk sekolah
dasar di Irlandia. Pembangunan Energi 2008;40:249–54.
[51] Lee WL, Burnett J. Membandingkan penilaian penggunaan energi HK-BEAM, BREEAM dan
LEED. Membangun Lingkungan 2008;43:1882–91.
[52] Guo P, Tanaka H. Fuzzy DEA: metode evaluasi persepsi. Sistem Himpunan Fuzzy
2001;119(1):149–60.
[53] Wen M, You C, Kang R. Metode pemeringkatan baru untuk analisis selubung data fuzzy.
Aplikasi Matematika Komputasi 2010;59(11):3398–404.