Proses perancangan arsitektural telah mengalami perkembangan signifikan, mulai dari metode manual hingga metode desain modern, bahkan sampai pada metode desain dengan menggunakan algoritma. Salah satu metode perancangan modern yang populer adalah metode parametric design, yang telah banyak digunakan oleh arsitek dan desainer terkemuka seperti Zaha Hadid Architect (ZHA), Bjarke Ingels Group (BIG), dan lainnya.
Metode parametric design memanfaatkan algoritma untuk memanipulasi objek dan mengubahnya menjadi bentuk yang diinginkan. Keunggulan utama metode ini terletak pada efisiensinya, terutama dalam hal pembuatan algoritma. Hal ini mempermudah para desainer dalam melakukan permodelan dasar maupun tingkat lanjut.
Dalam rangka mendukung perkembangan konsep smart city, tim peneliti telah berhasil mengimplementasikan metode parametric design melalui aplikasi Rhinoceros and Grasshopper 7. Pemrograman algoritma dan permodelan desain yang dilakukan oleh tim peneliti telah menghasilkan permodelan desain Kota Balikpapan melalui metode algoritma. Meskipun ini hanya merupakan temuan awal, namun dapat dijadikan pertimbangan untuk pengembangan desain lanjut dan analisis konteks teknis, termasuk urban comport termal, urban acoustic, dan berbagai analisis teknis lainnya.
Berikut merupakan indikator dan komponen komponen algoritma yang digunakan:
Tabel Indikator dan komponen algoritma grafis grashopper yang digunakan
|
No |
Nama Indikator/Komponen |
Gambar |
|
1 |
Import OSM Feature |
|
|
2 |
Polygon |
|
|
3 |
Import OSM Street Network |
|
|
4 |
Brep |
|
|
5 |
Extrude |
|
|
6 |
Unit Z |
|
|
7 |
Create Building |
|
|
8 |
Build Urbano Model |
|
|
9 |
Inspect Building |
|
|
10 |
Create Street Network |
|
|
11 |
File Path |
|
|
12 |
Number Slider |
|
|
13 |
Mesh |
|
Pengembangan lebih lanjut untuk practical case dengan gelombang 2 HD (horizontal dimension) yang mewakili pergerakan gelombang laut disekitar pantai. Model yang dikembangkan untuk 1 HD ini cukup akurat untuk data yang “tidak pernah” terlihat oleh model. Keberhasilan model estimasi kedalaman akan mempercepat proses perhitungan dibanding dengan metode konvensional dan model deep learning yang tidak mengikutsertakan relasi dispersi di dalam model deep learning yang dibangun.
