Optimasi Penempatan CCTV dalam Gedung

Mencari konfigurasi posisi dan sudut kamera untuk memaksimalkan cakupan visual gedung.

Status: Siap
Denah Lantai & Sinar Jangkauan CCTV

Klik pada kanvas untuk memosisikan kamera terpilih

Random Restart (HC)

Cara Kerja Optimasi CCTV

Representasi Solusi

Sebuah solusi adalah sekumpulan koordinat dan sudut arah kamera. Jika gedung dipasangi 4 kamera, maka solusinya adalah vector riil: [x1, y1, θ1, x2, y2, θ2, x3, y3, θ3, x4, y4, θ4].

Fungsi Fitness (Evaluasi)

Algoritma menguji solusi dengan memancarkan sinar pandang (raycasting) dari setiap kamera. Setiap piksel gedung yang tersentuh sinar dihitung sebagai cakupan. Fitness diturunkan jika ada kamera bertumpuk di titik sama atau saling melihat area yang sama (Overlap Penalty) serta kamera berada di dalam dinding.

Tantangan Non-linear

Dinding gedung memicu perubahan drastis pada cakupan visual. Pergeseran koordinat $1\text{ px}$ saja di dekat sudut dinding bisa memblokir $50\%$ pandangan kamera. Ini menciptakan lanskap optimasi non-linear yang sangat kasar dan menantang bagi algoritma pencarian lokal konvensional.

Kontur Lanskap Fungsi Rastrigin (2D & Deteksi Lintasan)
Global Optima: (0.00, 0.00) dengan Nilai = 0
Global Minima (0)
Local Minima
Plateau (Datar)
Ridge (Punggungan)
Random Restart (HC)

Memahami Landskap Pencarian Lokal

Local Optima

Kondisi di mana titik pencarian dikelilingi oleh tetangga yang semuanya memiliki nilai lebih buruk. Di sinilah algoritma Hill Climbing murni akan berhenti berpikir ia telah mencapai solusi terbaik, padahal ia terjebak pada puncak bukit kecil.

Plateau & Flat Area

Daerah datar di mana seluruh tetangga memiliki nilai evaluasi yang sama. Hill Climbing murni akan mengalami disorientasi di sini karena tidak ada gradien naik yang memandunya, membuatnya bergerak acak tanpa arah.

Ridge (Punggungan)

Punggungan sempit bergradien sangat miring di kanan-kiri tetapi naik sangat landai di sepanjang punggung. Hill Climbing sering kali berosilasi maju mundur menyeberangi punggungan tanpa berhasil mendaki ke atas karena langkahnya yang terlalu kaku.

Kurva Konvergensi (Fitness vs Iterasi)
Grafik Diagnostik Khusus
Tabel Ringkasan Kinerja Algoritma
Algoritma Kualitas Solusi (Cakupan CCTV) Tumpeng Tindih (Overlap) Jumlah Iterasi Waktu Eksekusi (ms) Status Keluar
Hill Climbing (Steepest) - - - - Belum Dijalankan
Simulated Annealing - - - - Belum Dijalankan
Genetic Algorithm - - - - Belum Dijalankan