Pendekatan Berbasis Aturan Awal (1970-an–1980-an)
Upaya untuk mengotomatisasi desain denah lantai dimulai sejak tahun 1970-an. Salah satu tonggak konseptual awal adalah pengenalan grammar bentuk oleh Stiny dan Gips pada tahun 1971 – sistem berbasis aturan formal untuk menghasilkan desain, termasuk tata letak arsitektur, melalui aturan transformasi bentuk rekursif. Pendekatan awal ini sebagian besar bersifat simbolik atau berbasis aturan: misalnya, karya Friedman pada tahun 1971 mencoba perencanaan ruang algoritmik, dan teori Mitchell pada tahun 1976 merumuskan metode untuk menginventarisasi kemungkinan tata letak ruangan. Pada akhir 1970-an dan 1980-an, para peneliti mulai mengeksplorasi sistem pakar dan aturan heuristik untuk "masalah alokasi ruang." Karya Shaviv pada tahun 1974 dan 1987 tentang alokasi ruang terkomputerisasi menjadi contoh metode berbasis logika pada era tersebut untuk perencanaan tata letak.
Optimasi dan Metode Evolusioner (1990-an–2000-an)
Pada 1990-an, kecerdasan buatan (AI) dalam arsitektur beralih ke algoritma pencarian dan optimasi untuk menangani kompleksitas kombinatorial dari tata letak. Karya pionir oleh John Gero dan rekan-rekannya memperkenalkan algoritma evolusioner untuk desain tata letak lantai: Jo dan Gero (1996) mensimulasikan rencana arsitektur sederhana menggunakan algoritma genetika, dan Rosenman dkk. (1997) memperluas ini dengan menggabungkan algoritma genetika dengan pemrograman genetika. Selama akhir 1990-an, banyak peneliti menerapkan strategi evolusioner untuk menghasilkan konfigurasi spasial.
Pada awal tahun 2000-an, bidang ini mengalami peningkatan penggunaan metode heuristik seperti simulated annealing dan metode hibrida yang menggabungkan algoritma evolusioner dengan pemrograman konstrain atau gramatika bentuk. Tren yang menonjol adalah penggunaan optimisasi multi-objektif untuk menyeimbangkan persyaratan fungsional dengan kriteria kinerja.
Paradigma Berbasis Data dan Titik Balik Penting (2010–2015)
Perubahan penting terjadi dengan publikasi tahun 2010 oleh Paul Merrell dkk., berjudul “Computer-Generated Residential Building Layouts.” Penelitian ini memperkenalkan jaringan Bayesian yang dilatih menggunakan denah lantai dunia nyata untuk mempelajari pola konektivitas ruangan, serta langkah optimisasi stokastik untuk geometri tata letak. Karya ini menandai awal dari metode referensial yang belajar dari data desain sebelumnya.
Setelah itu, upaya awal dalam pembelajaran mesin mulai muncul untuk menganalisis dan memberi label pada gambar arsitektur. Ini adalah masa transisi di mana metode berbasis aturan tradisional beriringan dengan pemodelan berbasis data, sambil menunggu ketersediaan dataset yang lebih besar dan kerangka kerja pembelajaran yang lebih canggih.
Revolusi Model Generatif Mendalam (2016–2020)
Dengan pembelajaran mendalam, pembangkitan denah lantai otomatis mengalami kemajuan signifikan. Data set besar seperti RPLAN (2019) dan LIFULL Home Dataset memfasilitasi pelatihan jaringan saraf dalam. Metode awal berbasis CNN kesulitan dalam konsistensi antar ruangan, namun Jaringan Adversarial Generatif (GAN) mengubah lanskap.
- House-GAN (2020): Memperkenalkan GAN yang dibatasi graf untuk menghasilkan tata letak dari diagram gelembung menggunakan jaringan saraf graf.
- Graph2Plan, FloorplanGAN, dan House-GAN++ lebih lanjut meningkatkan realisme dan kohesi tata letak.
- Model kini dapat menghasilkan baik denah lantai yang dirasterisasi maupun tata letak berbasis vektor yang presisi dengan tingkat ketelitian tinggi.
Pembangkitan bersyarat juga mengalami kemajuan, memungkinkan pembangkitan tata letak dalam batas-batas tetap atau berdasarkan batasan kedekatan ruangan.
Kemajuan Terkini: Jaringan Graf, Model Multi-Lantai, dan Model Difusi (2021–2025)
Model-model terbaru menargetkan pembangkitan multi-lantai dan penyempurnaan tata letak menggunakan arsitektur canggih:
- Building-GAN (2022) dan Building-GNN (2023): Menghasilkan denah lantai bertumpuk menggunakan jaringan saraf grafis.
- HouseDiffusion (2023): Menggunakan difusi denoising untuk menghasilkan poligon ruangan dari diagram gelembung.
Model-model terbaru mengintegrasikan kode bangunan dan batasan dunia nyata ke dalam proses pembangkitan tata letak. Model difusi meningkatkan stabilitas dibandingkan dengan GAN, dan tolok ukur evaluasi menjadi lebih terstandarisasi.
Ada juga fokus yang semakin meningkat pada generasi teks yang dikondisikan dan integrasi dengan model bahasa besar (LLMs) untuk interpretasi singkat dan co-design.
Menuju Masa Depan
Pengembangan kecerdasan buatan (AI) untuk pembangkitan denah lantai telah berkembang dari sistem simbolik menjadi model pembelajaran mendalam yang mampu menghasilkan tata letak arsitektur yang layak dari masukan sederhana.
Titik balik penting:
- 1971: Gramatika bentuk
- 1990-an: Algoritma genetika dan optimisasi
- 2010: Sintesis tata letak Bayesian Merrell
- 2020-an: Jaringan GAN dalam, model difusi, dan jaringan grafis
Bidang ini terus bergerak menuju sistem cerdas yang memahami niat desain manusia dan menghasilkan rencana arsitektur yang fungsional dan kreatif. Kecerdasan Buatan (AI) semakin menjadi mitra kolaboratif dalam desain arsitektur.