PENGGABUNGAN MODEL DEEP COGNITIVE NETWORK DENGAN MODEL TRANSFORMERS UNTUK ALGORITMA DEEP REINFORCEMENT LEARNING

Firmansyah, Yudo (2026) PENGGABUNGAN MODEL DEEP COGNITIVE NETWORK DENGAN MODEL TRANSFORMERS UNTUK ALGORITMA DEEP REINFORCEMENT LEARNING. Undergraduate thesis, Universitas Nusantara PGRI Kediri.

	Text (Full text) RAMA_55201_2213020129.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (6MB) | Request a copy
	Text (Similarity) RAMA_55201_2213020129_SIMILARITY.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (1MB)
	Text (Cover sd BAB 1 + References) RAMA_55201_2213020129_0719068702 _0719068702_01_front_ref.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (4MB)
	Text (BAB 2) RAMA_55201_2213020129_0719068702 _0719068702_02.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (803kB) | Request a copy
	Text (BAB 3) RAMA_55201_2213020129_0719068702 _0719068702_03.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (784kB) | Request a copy
	Text (BAB 4) RAMA_55201_2213020129_0719068702 _0719068702_04.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (942kB) | Request a copy
	Text (BAB 5) RAMA_55201_2213020129_0719068702 _0719068702_05.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (175kB) | Request a copy
	Text (References) RAMA_55201_2213020129_0719068702 _0719068702_06_ref.pdf - Bibliography Available under License Creative Commons Public Domain Dedication. Download (180kB)
	Text (Lampiran) RAMA_55201_2213020129_0719068702 _0719068702_07_lamp.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (690kB) | Request a copy

Abstract

Perkembangan Deep Reinforcement Learning (DRL) masih menghadapi kendala kompleksitas aksi dan instabilitas konvergensi pada lingkungan yang dinamis. Berangkat dari kendala tersebut, permasalahan utama dalam penelitian ini berfokus pada apakah penggabungan model arsitektur yang melibatkan Transformers (multi-head-attention), VGG (backbone), dan Deep Cognitive Network (DCN) mampu mengoptimalkan pencapaian reward pada tiga lingkungan game Atari (Boxing, Space Invaders, BattleZone), serta apakah penggabungan tersebut dapat mengoptimalkan performa pembelajaran agen ketika diterapkan pada algoritma A2C (Advantage Actor-Critic) dan DQN (Deep Q-Learning). Untuk menjawab permasalahan tersebut, penelitian ini mengusulkan pembaruan arsitektur DCN dua jalur yang mengintegrasikan elemen-elemen di atas untuk menghasilkan policy yang optimal dan stokastik. Hasil eksperimen menunjukkan bahwa algoritma A2C menghasilkan stabilitas konvergensi superior dengan metrik critic loss yang konsisten rendah (rata-rata 0,03 hingga 0,132), meskipun perolehan reward pada lingkungan kompleks menunjukkan volatilitas tinggi. Sebaliknya, DQN mengalami instabilitas ekstrem yang ditunjukkan oleh lonjakan loss masif hingga mencapai rata-rata 8.645,796 pada game BattleZone akibat akumulasi gradien, serta kegagalan optimalisasi kebijakan pada game Boxing dengan rata-rata reward negatif (-7,649). Penelitian ini menyimpulkan bahwa integrasi mekanisme kognitif dan perhatian (attention) pada arsitektur usulan jauh lebih adaptif dan stabil ketika dijalankan pada algoritma berbasis policy-gradient (A2C) dibandingkan dengan value-based (DQN).

Actions (login required)

View Item