OPTIMASI DESAIN PENAMPANG DAN ORIENTASI KOLOM BANGUNAN GEDUNG TINGGI MENGGUNAKAN GENETIC ALGORITHM

Perencanaan gedung bertingkat tinggi di wilayah aktif seismik Indonesia menuntut keseimbangan krusial antara pemenuhan standar ketahanan gempa yang ketat dan efisiensi pembiayaan material. Pendekatan perencanaan konvensional berbasis intuisi desainer dan metode trial and error manual cenderung menghasilkan konfigurasi elemen kolom vertikal yang homogen (simetris) serta oversized. Hal tersebut berdampak pada inefisiensi volume material yang signifikan serta menambah massa bangunan yang justru memperbesar Gaya inersia gempa global. Penelitian ini mengembangkan sebuah kerangka kerja optimasi otomatis multi-parameter yang mengintegrasikan bahasa pemrograman Python dengan software CSI ETABS v22 melalui Open Application Programming Interface (OAPI) berbasis Genetic Algorithm (GA). Proses optimasi diisolasi secara eksklusif pada penampang (dimensi), arah orientasi penempatan, dan variasi mutu material kolom dengan mempertahankan elemen balok dan pelat lantai tetap konstan (fixed). Objek studi berupa pemodelan struktur tiga dimensi (3D) gedung hotel hipotetikal 12 lantai dengan konfigurasi denah asimetris berbentuk-L yang berlokasi di Surabaya (Kategori Desain Seismik D).
Untuk memangkas kompleksitas ruang pencarian dari 1248816 kombinasi penampang alternatif di dalam gene pool, sebanyak 816 pilar kolom fisik dikelompokkan secara vertikal berdasarkan kesamaan posisi dan elevasi lantai ke dalam 61 gen variabel keputusan. Guna menjamin aspek keterbangunan di lapangan (constructability), program dilengkapi dengan operator kustom Topology Bidirectional Chromosome Repair (TBCR) yang berfungsi untuk mengunci kepatuhan geometri agar dimensi lantai bawah selalu lebih besar atau sama dengan lantai di atasnya. Mekanisme penanganan kendala (constraint handling) diatur menggunakan skema penalti gabunganantara Cascading Penalty berurutan lima tingkat prioritas (L1: Torsi, L2: Partisipasi Massa, L3: Story Drift, L4: Stabilitas P-Delta, dan L5: Batas Rasio Tulangan & Kapasitas D/C) serta gradien penalti halus (Gradient Penalty) untuk menuntun evolusi populasi menuju zona aman regulasi SNI 1726:2019 dan SNI 2847:2019. Efisiensi waktu eksekusi komputasi didukung secara tingkat lanjut oleh arsitektur pemrosesan paralel (multiprocessing pool), pangkalan data memori Fitness Cache store berbasis SQLite, dan metode mutasi dinamis Confidence-Based Adaptive Mutation pada rentang laju 2% hingga 10%