Implementasi Proximal Policy Optimization pada Non-Playable Character dalam Video Game Turn-Based Card Role-Playing Game
Kemajuan kecerdasan buatan (AI) telah memberikan dampak signifikan dalam industri video game, terutama dalam pengembangan non-playable character (NPC) yang lebih kompleks dan realistis. Tantangan utama dalam pengembangan NPC adalah pemilihan algoritma AI yang sesuai dengan jenis permainan tempat NPC diterapkan. Penelitian ini mengimplementasikan algoritma proximal policy optimization (PPO) pada NPC dalam game turn-based card role-playing game (RPG) untuk mengevaluasi kemampuannya dalam menghadapi mekanisme aksi yang bersifat acak. Pelatihan AI berbasis PPO dilakukan melalui simulasi sesi permainan dengan tujuan memaksimalkan reward berdasarkan performa NPC. Untuk mengoptimalkan proses pembelajaran, digunakan pendekatan curriculum learning untuk membantu AI dalam memahami dan mengembangkan strategi yang lebih optimal. Hasil penelitian menunjukkan bahwa AI berbasis PPO mampu mencapai performa yang setara, bahkan berpotensi melampaui AI konvensional, berdasarkan evaluasi menggunakan metode single ease question (SEQ) dan hasil 100 sesi permainan yang menunjukkan persentase kemenangan rata-rata sekitar 40%. Selain itu, reward yang diperoleh AI meningkat 2–3 poin pada pelatihan lanjutan setelah pengujian. Namun, pencapaian ini memerlukan waktu dan percobaan yang lebih banyak, sehingga penerapan PPO dalam game skala besar masih menjadi tantangan, terutama pada game dengan mekanisme yang dinamis.
URI
https://repo.itera.ac.id/depan/submission/SB2503200005
Keyword
Kecerdasan Buatan Non-Playable Character Proximal Policy Optimization Turn-based card RPG Curriculum Learning