Paper Review: Using Genetic Algorithm to Automate the Generation of an Open-plan Office Layout

Paper Review oleh Juan Hebert, Donny Valentinus Chiara, Rivaldy Avianto Adiningtyas, Pieter Novincen, dan Teddy Aristan.

Editor: Amalia Zahra, S.Kom., Ph.D.

Referensi: Chen, C., Vega, R. J., & Kong, T. L. (2020). Using genetic algorithm to automate the generation of an open-plan office layout. International Journal of Architectural Computing, 1-17.

Latar Belakang

Dibandingkan dengan konfigurasi kantor secara tradisional atau pribadi, open-plan offices yang baik akan membuat pengeluaran menjadi lebih efisien bagi pengusaha karena mengurangi keperluan partisi, dan biaya sewa tanpa mengurangi kualitas akses yang lebih mudah dan kenyamanan. Sebaliknya, dengan design open-plan offices yang buruk mengurangi produktivitas dan kesehatan mental.

Open-plan office design berkaitan dengan perencanaan tata letak ruangan. Perencanaan tata letak ruangan ini mempunyai dua hal yang perlu diperhatikan, yaitu ukuran dan tata letak dari elements yang akan ditaruh pada sebuah ruangan. Dua hal ini membutuhkan banyak kombinasi dan permutasi.

Pada dekade yang lalu, banyak komputer yang telah dikembangkan oleh para peneliti untuk meningkatkan produktivitas dan menghemat waktu. Space layout planning yang sulit untuk diformulasikan dapat diselesaikan dengan algoritma, terutama untuk genetic algorithm (GA), yang sekarang begitu populer. GA populer karena lebih efisien dan kuat dibandingkan algoritma yang lainnya.

Pada artikel tersebut, peneliti berusaha untuk membuat tool yang akan digunakan pada automatic open-plan office layout generation menggunakan GA. Tool ini dapat digunakan oleh konsultan real estate dan desain dalam membuat test fit.

Test fit merupakan floor plan yang digunakan untuk memastikan apa saja hal yang dibutuhkan dalam membangun space tertentu. Dalam open-plan office test fit, ukuran dan banyak ruangan dalam dimensi dan kapasitas ruangan akan ditentukan. Normalnya, designer menghabiskan banyak waktu dalam menyusun hal tersebut termasuk trial dan error process.

Tujuan utama dari penelitian ini adalah untuk memaksimalkan pemanfaatan kapasitas karena kapasitas ini adalah pertanyaan yang paling sering ditanyakan. Tujuannya dapat dicapai dengan memaksimalkan ruang ke lokasi di mana area tersebut diminimalkan. Metode pemecahan yang diusulkan adalah Nested GA, di mana algoritma Inner Layer tertanam di Outer Layer.

Formulasi Masalah

Masalah yang dibahas yaitu perancangan open workspace pada sebuah lantai di gedung kantor. Fokus dari perancangan ini yaitu mengoptimalkan ukuran dari ruangan yang diberikan. Pendekatan yang digunakan mempunyai tiga langkah antara lain:

1. Mengembangkan sebuah Genetic Algorithm untuk mencari kombinasi terbaik dari letak ruangan.
2. Mengembangkan GA lainnya untuk mengecilkan area sirkulasi.
3. Memilih area sirkulasi terkecil.

Pendekatan

Untuk menghasilkan layout kantor terbaik, artikel ini menggunakan nested GA di mana GA lapisan luar digunakan untuk mengatur letak ruangan, sedangkan GA lapisan dalam digunakan untuk lorong-lorong utama yang menghubungkan ruang yang telah di-generate sebelumnya.

GA Lapisan Luar:

• Representasi kromosom. Pertama, Semua kemungkinan lokasi ruangan ditemukan dan disimpan di dalam sebuah list. Posisi dari sebuah digit di dalam kromosom mengacu kepada sebuah ruangan dan nilai dari digit tersebut mengacu pada list yang berisikan sebuah lokasi yang mungkin untuk ruangan tersebut.
• Seleksi. Sebuah operator seleksi akan digunakan untuk mencari parent untuk generasi selanjutnya. Individu kuat akan memiliki kesempatan lebih besar dibandingkan individu lemah.
• Crossover. Sebuah single point crossover akan digunakan berdasarkan sebuah probabilitas P(crossover). Digit dari kedua kromosom orang tua akan ditukar secara acak dan menghasilkan dua kromosom anak.
• Sebuah mutasi akan mengubah satu digit dari kromosom anak berdasarkan P(mutasi).
• Pembuatan generasi selanjutnya. Sebagian kecil dari kandidat paling baik akan di-copy ke generasi selanjutnya.
• Fitness calculation. Fitness merupakan nilai dari pengembalian inner layer GA
• Kriteria berhenti. Pencarian berakhir setelah mencapai nilai pengulangan.

GA Lapisan dalam

GA lapisan dalam digunakan untuk menghasilkan jalur utama berdasarkan pengaturan ruangan. Jika kromosom di lapisan luar GA ditemukan sebagai tidak mungkin, lapisan dalam akan otomatis dibatalkan. Prosedur dari lapisan dalam mirip dengan lapisan luar. Strategi yang sama akan diaplikasikan pada seleksi, crossover, mutasi, pemilihan generasi selanjutnya, dan terminasi. Tujuan utamanya adalah menemukan nilai fitness seminim mungkin

• Representasi kromosom. Sebuah lorong dapat dibuat dengan menghubungkan jalur dari sisi ruangan ke jalan keluar. Digit 1 sampai 4 digunakan untuk menandakan keempat sisi ruangan. Posisi dari digit di dalam kromosom menunjukkan ke ruangan yang dipilih, sedangkan nilai digit tersebut menunjukkan jalur dari sisi ruangan. Ketika tidak terdapat ruang cukup untuk membuat jalur, jalur tersebut dikatakan tidak mungkin dan dihapus dari kumpulan gen yang dapat dipilih.
• Fitness calculation. Nilai fitness merupakan total grids yang ada pada pembuatan jalan utama. Sangat mudah dalam menghitung total workspace size, yang mana total grid dikurangi grids pada ruangan dan jalan utama. Ukuran workspace menyiratkan kapasitas kantor, yang merupakan pertanyaan penyelidikan yang paling diinginkan dalam test fit.

Kesimpulan

Artikel ini mempelajari konfigurasi ruang untuk kantor denah terbuka satu lantai dengan menggunakan peta grid. Nested Genetic Algorithm dengan dua lapisan dikembangkan di mana algoritma lapisan dalam ditanamkan ke algoritma di bagian luar. Tujuannya adalah untuk memaksimalkan pemanfaatan ruang berdasarkan ukuran ruang kerja. Ukuran ruang kerja terbuka dimaksimalkan dengan meminimalkan ruang untuk berjalan.

Dalam mendesain ruang kantor, banyak hal yang harus dipertimbangkan seperti kendala yang harus dihindari. Memecahkan masalah seperti itu bukanlah tugas yang mudah mengingat jumlah kombinasi dan permutasi. Pendekatan yang ada sering mengurangi ukuran masalah dengan memilih dahulu beberapa lokasi ruangan. Pendekatan ini berbeda dari pendekatan lain, dengan melakukan pencarian lokasi ruangan secara menyeluruh di seluruh area kantor dengan membuat peta grid. Hasilnya lebih optimal dan kurang teratur.

GA digunakan untuk menyelesaikan masalah optimasi. Seperti yang disebutkan sebelumnya, GA seringkali digunakan oleh peneliti untuk memecahkan masalah interior design. Pendekatan ini sangat efisien karena dapat menentukan hasil terbaik dari sekian banyak alternatif dalam waktu yang singkat. Dibandingkan dengan pendekatan lain yang digunakan dalam desain arsitektur, algoritma ini sangat ringan, tidak rumit, mahal, merepotkan dan juga menawarkan proses otomatis.

Potensi sebenarnya dari pendekatan ini terutama terlihat dalam uji kecocokan yang secara tradisional harus dilakukan oleh para desainer “dengan tangan”. Mengotomatiskan dan menyederhanakan pembuatan tata letak untuk kesesuaian uji dapat sangat mengurangi jumlah waktu dan sumber daya yang diperlukan untuk membuatnya, dan selain itu, juga berkontribusi untuk menentukan, secara matematis, solusi optimal, dengan persyaratan tertentu.

Di masa depan, studi lebih lanjut akan dilakukan untuk menyempurnakan desain dengan mempertimbangkan beberapa pengaturan kerja dan beberapa ruang berbasis aktivitas. Kami ingin memberikan para desainer alat otomatis yang komprehensif untuk proses desain tata letak serta alat evaluasi yang komprehensif untuk membandingkan beberapa desain alternatif.