PENGEMBANGAN SISTEM COMBO ATTACK ENEMY YANG ADAPTIF DALAM GAME ACTION RPG MENGGUNAKAN ALGORITMA DEEP REINFORCEMENT LEARNING

Yaqin, Muhammad Ainul (2025) PENGEMBANGAN SISTEM COMBO ATTACK ENEMY YANG ADAPTIF DALAM GAME ACTION RPG MENGGUNAKAN ALGORITMA DEEP REINFORCEMENT LEARNING. Undergraduate thesis, Universitas Nusantara PGRI Kediri.

	Text (Full Text) RAMA_55201_2113020110.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (40MB) | Request a copy
	Text (Similarity) RAMA_55201_2113020110_SIMILARITY.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (964kB)
	Text (Cover sd BAB 1 + References) RAMA_55201_2113020110_0720117501_0706118101_01_front_ref.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (2MB)
	Text (BAB 2) RAMA_55201_2113020110_0720117501_0706118101_02.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (224kB) | Request a copy
	Text (BAB 3) RAMA_55201_2113020110_0720117501_0706118101_03.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (25MB) | Request a copy
	Text (BAB 4) RAMA_55201_2113020110_0720117501_0706118101_04.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (8MB) | Request a copy
	Text (BAB 5) RAMA_55201_2113020110_0720117501_0706118101_05.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (119kB) | Request a copy
	Text (References) RAMA_55201_2113020110_0720117501_0706118101_06_ref.pdf - Bibliography Available under License Creative Commons Public Domain Dedication. Download (194kB)
	Text (Lampiran) RAMA_55201_2113020110_0720117501_0706118101_07_lamp.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (3MB) | Request a copy

Abstract

Perkembangan pesat dalam bidang AI (Artificial Intelligence) telah membawa dampak signifikan pada industri game, terutama dalam pengembangan karakter NPC (Non Player Character). Menurut laporan Market Research (2023): Pasar AI dalam industri game diproyeksikan tumbuh dari USD 2,3 miliar pada 2023 menjadi USD 28,0 miliar pada 2033, dengan tingkat pertumbuhan tahunan gabungan (CAGR) sebesar 28,40%. Pertumbuhan ini mencerminkan peningkatan kebutuhan akan inovasi AI yang mampu menciptakan pengalaman bermain yang lebih adaptif. Dalam video game khususnya ARPG, salah satu aspek penting yang dapat menciptakan pengalaman yang menarik adalah sistem combo attack. Seperti yang dijelaskan oleh Liman dkk. (2022) bahwa: Combo attack dirancang agar pemain dapat menyerang berulang kali, fokus pada aksi cepat, dan penggunaan tombol yang minimal, biasanya sekitar 4-6 tombol untuk berbagai jenis serangan seperti serangan cepat, heavy attack, charge attack, dan serangan special. Namun, sistem combo attack tanpa AI pada NPC seringkali memiliki pola serangan yang statis dan mudah diprediksi, sehingga mengurangi kompleksitas dan tingkat keseruan permainan. Seperti ungkapan Junaidi dkk. (2021) bahwa: Penerapan kecerdasan buatan pada karakter NPC dapat meningkatkan tingkat keseruan permainan, mengurangi kesan monoton, serta menghadirkan tantangan yang lebih bagi pemain. Teknologi RL (Reinforcement Learning), khususnya DRL (Deep Reinforcement Learning), memungkinkan musuh AI untuk belajar dari interaksi dengan pemain, menyesuaikan pola serangan mereka berdasarkan gaya bermain. Hal itu memungkinkan karena konsep dari RL, seperti pengertiannya menurut Ranaweera dan Mahmoud (2024), yaitu: kombinasi dari pembelajaran mendalam (Deep Learning) dan pembelajaran berbasis penguatan (Reinforcement Learning), di mana agen belajar melalui interaksi dengan lingkungannya. Proses ini melibatkan pengambilan keputusan berdasarkan trial and error serta penyesuaian kebijakan pembelajaran berdasarkan Reward atau Punishment yang diterima.

Actions (login required)

View Item