Skripsi

IMPLEMENTASI PROXIMAL POLICY OPTIMIZATION (PPO) UNTUK PENGEMBANGAN AGENT MUSUH ADAPTIF PADA GAME FIGHTING 2D

---

Karakter non-pemain (NPC) pada game fighting 2D umumnya masih menggunakan scripted AI yang statis, sehingga mengurangi dinamika tantangan bermain. Oleh karena itu, penelitian ini bertujuan mengimplementasikan algoritma Proximal Policy Optimization (PPO) berbasis Deep Reinforcement Learning guna mengembangkan agent musuh yang adaptif. Simulasi dibangun menggunakan Unity Engine dan ML-Agents Toolkit. Agent dilatih melalui panduan fungsi imbalan (reward shaping) proporsional serta penyesuaian hiperparameter esensial untuk menjamin stabilitas konvergensi model. Hasil pengujian model terbaik menunjukkan performa seimbang yaitu tingkat kemenangan (win rate) 58,33%, rata-rata sisa Health Point (HP) 5,17, rasio serangan (damage dealt berbanding damage taken) sebesar 8,27 berbanding 7,42, dan durasi laga 23,58 detik. Evaluasi kualitatif menggunakan instrumen in-Game Experience Questionnaire (iGEQ) mengonfirmasi pengalaman bermain yang adaptif dengan skor tinggi pada Flow (3,75), Positive Affect (3,67), Immersion (3,67), Challenge (3,33), dan Adaptivity (3,17), serta Negative Affect yang rendah (1,33). Disimpulkan bahwa PPO sangat efektif sebagai pendekatan utama merancang musuh adaptif pada permainan pertempuran satu-lawan-satu.

---

Availability

Detail Information

Series Title

-

Call Number

T1967442026

Publisher

Indralaya : Prodi Teknik Informatika, Fakultas Ilmu Komputer Universitas Sriwijaya., 2026

Collation

xvi, 96 hlm.; ilus.; 29 cm

Language

Indonesia

ISBN/ISSN

-

Classification

006.310 7

Content Type

Text

Media Type

unmediated

Carrier Type

-

Edition

-

Subject(s)

Prodi Teknik Informatika
Pembelajaran Mesin

Specific Detail Info

-

Statement of Responsibility

KA

Other version/related

File Attachment

Comments

---

You must be logged in to post a comment