Teknologi blockchain telah menjadi solusi yang kuat untuk meningkatkan keamanan dan privasi dalam sistem Internet of Things (IoT) dengan mendesentralisasi penyimpanan data dan mengamankan transaksi melalui kriptografi, menjamin ketidakberubahan data dan perlindungan dari akses tidak sah. Karya awal mengusulkan kerangka blockchain ringan untuk rumah pintar guna melindungi data pengguna dari serangan eksternal. Kontrak pintar semakin memfasilitasi otomatisasi tindakan perangkat berdasarkan pemicu yang telah ditentukan. Namun, kebutuhan komputasi blockchain dan mekanisme konsensus dapat menyebabkan penundaan yang mengurangi efisiensi dalam aplikasi waktu nyata. Integrasi blockchain dengan machine learning (ML) sedang dieksplorasi untuk meningkatkan pengelolaan keamanan di jaringan 6G dan mengoptimalkan infrastruktur kota pintar, meningkatkan transparansi, keamanan, dan efisiensi di bidang energi dan transportasi. Aplikasi blockchain juga memperkuat keamanan dan privasi perangkat IoT cerdas. Penggunaan ML dalam pengendalian suhu prediktif semakin berkembang karena kemampuannya untuk meningkatkan responsivitas sistem dan efisiensi energi. Algoritma ML menganalisis data suhu dalam ruangan secara historis, tingkat okupansi, dan data cuaca untuk meramalkan kebutuhan pemanasan atau pendinginan, memungkinkan penyesuaian sistem secara preventif. Studi menunjukkan bahwa pengendalian berbasis ML dapat mengurangi konsumsi energi hingga 18% dibandingkan sistem reaktif. Sistem prediktif ini memerlukan pengolahan data yang kuat dan aman untuk memproses input waktu nyata dan historis. Edge computing diperkenalkan untuk mengurangi latensi dan masalah bandwidth dari pemrosesan di cloud dengan menangani data secara lokal, sehingga meningkatkan pengambilan keputusan waktu nyata, khususnya untuk pengendalian suhu cerdas. Sinergi antara kecerdasan buatan (AI) dan teknologi blockchain secara signifikan meningkatkan produktivitas industri, keandalan operasional, dan keamanan data. Penggabungan AI yang dapat dijelaskan (explainable AI) dengan blockchain meningkatkan pengambilan keputusan keuangan melalui transparansi dan kepercayaan yang lebih besar. Kerangka rumah pintar yang memanfaatkan blockchain dan model pembelajaran mendalam menunjukkan kemajuan dalam efisiensi energi, keamanan, dan otomatisasi. Model privasi diferensial yang terintegrasi dengan blockchain secara signifikan melindungi privasi data pengguna. Sistem seperti BEDS meningkatkan manajemen data di rumah dan kendaraan pintar melalui jadwal sensor yang efisien. Pendekatan kolaboratif yang menggabungkan blockchain dengan jaringan sensor nirkabel (WSN) meningkatkan integritas dan keandalan data, sementara metode kecerdasan kawanan (swarm intelligence) yang inovatif meningkatkan keamanan dan efisiensi WSN. Penelitian lain mengoptimalkan operasi microgrid, sistem transfer daya nirkabel, dan integrasi energi terbarukan di rumah pintar melalui prediksi dan penjadwalan canggih, sering menggunakan algoritma ML gabungan untuk meningkatkan prediksi konsumsi energi. Kepercayaan pengguna sangat berpengaruh terhadap adopsi perangkat rumah pintar berbasis AI, membentuk kesiapan untuk mengintegrasikan teknologi tersebut. Ulasan mencakup pengelolaan energi berbasis AI yang mengoptimalkan pengendalian suhu dan efisiensi, sementara analisis blockchain menyoroti keamanan pertukaran data rumah pintar. WSN menjadi pusat pengumpulan data waktu nyata dalam kerangka pengendalian suhu prediktif, dengan berbagai strategi ML meningkatkan efisiensi energi melalui peramalan dan penyesuaian sistem pemanasan. Perdagangan energi terdesentralisasi yang didukung blockchain sesuai dengan tujuan pengelolaan energi rumah pintar. Teknik penggabungan data mengoptimalkan performa WSN dengan mengurangi konsumsi energi dan meningkatkan akurasi. Agen kognitif memungkinkan adaptasi berbasis konteks IoT.

Arsitektur hybrid inovatif dan algoritma berbasis agen meningkatkan penemuan sumber daya dan lokasi node, memperbaiki skalabilitas dan keamanan dalam jaringan IoT. Karya ini berkontribusi secara signifikan dengan (1) mengintegrasikan AI dan blockchain untuk pengelolaan suhu prediktif dan penanganan data yang aman; (2) mengembangkan kerangka kerja yang menggabungkan penjadwalan prediktif dengan deteksi kejadian dinamis; dan (3) mengevaluasi performa dalam efisiensi energi, keamanan, dan skalabilitas. Meskipun ada kemajuan, masih ada kekurangan: integrasi terbatas antara blockchain dan ML prediktif untuk pengendalian suhu membatasi solusi yang aman dan adaptif; banyak sistem yang kurang menggabungkan pengendalian prediktif dengan keamanan data yang kuat; pemrosesan berbasis cloud menimbulkan latensi dan hambatan komputasi yang menghambat respons waktu nyata; serta pendekatan pengelolaan energi sering mengabaikan potensi penetapan harga dinamis dan perdagangan terdesentralisasi. Makalah ini mengatasi kekurangan tersebut melalui kerangka blockchain berbasis AI yang mengintegrasikan WSN, analitik prediktif berbasis ML, dan edge computing dengan pemrosesan data yang terjadwal. Inovasi utamanya meliputi prediktif ML yang aman didukung blockchain untuk optimasi pemanasan/pendinginan; penggunaan edge computing untuk mengurangi latensi melalui pemrosesan data lokal dan analisis terjadwal guna menurunkan beban puncak; deteksi kejadian melalui WSN canggih yang dipadukan dengan penjadwalan prediktif untuk meminimalkan konsumsi energi; perdagangan energi peer-to-peer berbasis blockchain dengan penetapan harga dinamis untuk mengoptimalkan penggunaan dan mengurangi biaya; serta skalabilitas dengan efisiensi energi yang lebih baik dan manajemen terdesentralisasi yang aman. Berbagai model AI/ML diterapkan di bidang ini: Jaringan Syaraf Tiruan (ANN) dan jaringan saraf dalam memodelkan deret waktu nonlinier yang kompleks untuk prediksi suhu dan energi; Support Vector Machines (SVM) melakukan regresi atas data berdimensi tinggi; Random Forest (RF) menawarkan prediksi ensemble yang kokoh; Recurrent Neural Networks (RNN) dan Long Short-Term Memory (LSTM) unggul dalam peramalan berbasis waktu; Decision Trees (DT) menyediakan pengambilan keputusan yang dapat diinterpretasi untuk pengendalian suhu. Model-model ini meningkatkan akurasi prediksi untuk optimalisasi sistem HVAC. Formulasi masalah meliputi pemodelan dinamika suhu berdasarkan perpindahan panas, menggunakan ML untuk meramalkan suhu dan penggunaan energi di masa depan, dan menerapkan hukum kendali agar suhu dalam ruangan tetap sesuai preferensi pengguna. Penggunaan energi diminimalkan dengan memperhatikan batas kenyamanan. Analisis terjadwal mengalihkan perhitungan yang tidak mendesak ke waktu off-peak, mengurangi beban komputasi puncak. Blockchain mengamankan data sensor dan sinyal kendali dengan menyimpan blok yang di-hash secara immutable untuk menjamin integritas dan transparansi data. Deteksi kejadian pemanasan/pendinginan yang dinamis dilakukan berdasarkan tingkat perubahan suhu, dengan ambang yang disesuaikan menggunakan ML untuk mengakomodasi variabilitas lingkungan. Penjadwalan prediktif memanfaatkan pola kejadian historis untuk memperkirakan kebutuhan pemanasan, memungkinkan operasi preemptif dan efisien energi. Inovasi utama adalah perdagangan energi terdesentralisasi berbasis blockchain antar rumah pintar, di mana kelebihan energi terbarukan diperdagangkan secara aman menggunakan kontrak pintar pada harga dinamis. Jaringan sensor nirkabel dioptimalkan melalui pengelolaan adaptif sensor aktif guna meminimalkan konsumsi daya sekaligus menjaga cakupan. Beberapa rumah pintar berkolaborasi sebagai agen dalam jaringan terdesentralisasi untuk berbagi beban energi dan mengurangi puncak permintaan. Algoritma kendali adaptif meminimalkan penggunaan energi dan penyimpangan suhu dengan umpan balik waktu nyata dan tingkat pembelajaran. Algoritma sistem mengumpulkan dan mempreprocessing data sensor historis dan waktu nyata; melatih model ML; meramalkan suhu dan penggunaan energi; mendeteksi kejadian pemanasan/pendinginan; mengintegrasikan blockchain untuk pencatatan yang aman dan tidak dapat diubah serta mencapai konsensus; menerapkan penjadwalan prediktif dan optimisasi; serta beradaptasi secara dinamis berdasarkan umpan balik. Kinerja dievaluasi melalui akurasi, penghematan energi, skalabilitas, dan latensi. Studi simulasi menggunakan data nyata yang mencakup WSN dan perangkat IoT yang memonitor suhu, penggunaan energi, dan status radiator, bersama data cuaca eksternal dari berbagai ruangan selama enam bulan. Pra-pemrosesan data meliputi interpolasi nilai hilang, penghapusan outlier melalui filter interquartile range, normalisasi, dan ekstraksi fitur untuk pola temporal. Model jaringan syaraf dilatih dan divisualisasikan untuk pembelajaran adaptif. Hasil simulasi menunjukkan kemampuan sistem yang unggul dalam menjaga suhu dalam ruangan di tengah fluktuasi lingkungan eksternal melalui pengendalian prediktif, mencapai regulasi suhu yang lebih halus dan pengurangan besar dalam konsumsi energi melalui penyesuaian daya dinamis serta penyeimbangan beban secara temporal. Integrasi blockchain memastikan pengelolaan data yang aman dan mendukung perdagangan serta penjadwalan energi secara terdesentralisasi. Sistem secara cepat mendeteksi kejadian radiator menyala/mati dan pendinginan dengan ambang berbasis ML, memungkinkan kendali preemptif yang hemat energi. Analisis komparatif menunjukkan peningkatan signifikan dibandingkan pengendali thermostat dan PID konvensional dalam penghematan energi, waktu respon, akurasi, deteksi kejadian, dan keamanan data. Analisis kompleksitas algoritma menunjukkan efisiensi pengumpulan data waktu nyata (O(n)), inferensi ML (O(d)), pemrosesan transaksi blockchain (O(1) hingga O(log n)), dan deteksi kejadian (O(n)). Penyimpanan bertambah seiring jumlah sensor dan ukuran blockchain. Kerangka ini menyeimbangkan kebutuhan komputasi dan optimalisasi penggunaan energi sambil menjaga integritas data melalui konsensus blockchain. Ringkasnya, kerangka blockchain berbasis AI yang diusulkan untuk pengendalian suhu prediktif di rumah pintar menggabungkan prediksi ML canggih, manajemen data terdesentralisasi yang aman, pemrosesan berbasis edge dengan jadwal yang terencana, dan perdagangan energi terdesentralisasi. Pendekatan terintegrasi ini secara signifikan meningkatkan efisiensi energi, responsivitas sistem, kenyamanan pengguna, dan keamanan data, mengatasi tantangan utama dalam lingkungan rumah pintar dan memungkinkan pengaturan suhu yang skalabel, dapat dipercaya, dan adaptif.