PENINGKATAN KECERDASAN COMPUTER PLAYER PADA GAME PERTARUNGAN BERBASIS K-NEAREST NEIGHBOR BERBOBOT

Authors

  • M Ihsan Alfani Putera Departemen Informatika, Fakultas Teknologi Informasi dan Komunikasi, Institut Teknologi Sepuluh Nopember
  • Darlis Heru Murti Departemen Informatika, Fakultas Teknologi Informasi dan Komunikasi, Institut Teknologi Sepuluh Nopember
Views: 715 Downloads: 422

DOI:

https://doi.org/10.12962/j24068535.v16i1.a710

Abstract

Salah satu teknologi komputer yang berkembang dan perubahannya cukup pesat adalah game. Tujuan dibuatnya game adalah sebagai sarana hiburan dan memberikan kesenangan bagi penggunanya. Contoh elemen dalam pembuatan game yang penting adalah adanya tantangan yang seimbang sesuai level. Dalam hal ini, adanya kecerdasan buatan atau AI merupakan salah satu unsur yang diperlukan dalam pembentukan game. Penggunaan AI yang tidak beradaptasi ke strategi lawan akan  mudah diprediksi dan repetitif. Jika AI terlalu pintar maka player akan kesulitan dalam memainkan game tersebut. Dengan keadaan seperti itu akan menurunkan tingkat enjoyment dari pemain. Oleh karena itu, dibutuhkan suatu metode AI yang dapat beradaptasi dengan kemampuan dari player yang bermain. Sehingga tingkat kesulitan yang dihadapi dapat mengikuti kemampuan pemainnya dan pengalaman enjoyment ketika bermain game terus terjaga. Pada penelitian sebelumnya, metode AI yang sering digunakan pada game berjenis pertarungan adalah K-NN. Namun metode tersebut menganggap semua atribut dalam game adalah sama sehingga hal ini mempengaruhi hasil learning AI menjadi kurang optimal.

Penelitian ini mengusulkan metode untuk AI dengan menggunakan metode K-NN berbobot pada game berjenis pertarungan. Dimana, pembobotan tersebut dilakukan untuk memberikan pengaruh setiap atribut dengan bobot disesuaikan dengan aksi player. Dari hasil evaluasi yang dilakukan terhadap 50 kali pertandingan pada 3 skenario uji coba, metode yang diusulkan yaitu K-NN berbobot mampu menghasilkan tingkat kecerdasan AI dengan akurasi sebesar 51%. Sedangkan, metode sebelumnya yaitu K-NN tanpa bobot hanya menghasilkan tingkat kecerdasan AI sebesar 38% dan metode random menghasilkan tingkat kecerdasan AI sebesar 25%.

Downloads

Download data is not yet available.

References

Brathwaite, B. and Schreiber, I. (2009) Challenges for game designers. 1st edn. Rockland, MA, USA: Course Technology.

Emigh, M. S. et al. (2014) ‘Reinforcement Learning in Video Games using Nearest Neighbor Interpolation and Metric Learning’, 32611(c), pp. 1–20. doi: 10.1109/TCIAIG.2014.2369345.

Li, J. and Kendall, G. (2015) ‘A hyper-heuristic methodology to generate adaptivestrategies for games’, IEEE Transactions on Computational Intelligence and AI in Games, PP(99), p. 1. doi: 10.1109/TCIAIG.2015.2394780.

Maroney, K. (2001) My Entire Walking Life, The Games Journal | A Magazine About Boardgames.

Munajat, B. and Toto, A. (2014) ‘Implementasi Adaptive Artificial Intelligence pada game Capture The Flag dengan metode Dynamic Scripting’, 1(1), pp. 695–705.

Nakamichi, T. and Ito, T. (2016) ‘Implementation and qualitative analysis of an adaptive computer Shogi program by producing seesaw game’, TAAI 2015 - 2015 Conference on Technologies and Applications of Artificial Intelligence, pp. 453–460. doi: 10.1109/TAAI.2015.7407107.

Santoso, B. (2007). Data Mining Teknik Pemanfaatan Data untuk Keperluan Bisnis (1 ed.). Yogyakarta: Graha Ilmu.

Salen, K. and Zimmerman, E. (2004) Rules of Play: Game Design Fundamentals, Nihon Ronen Igakkai zasshi. Japanese journal of geriatrics. doi: 10.1093/intimm/dxs150.

Thawonmas, R. (2014) ‘Deduction of Fighting-Game Countermeasures Using the k-Nearest Neighbor Algorithm and a Game Simulator’, pp. 0–4.

Urh, M. et al. (2015) ‘The Model for Introduction of Gamification into E-learning in Higher Education’, Procedia - Social and Behavioral Sciences. Elsevier B.V., 197(February), pp. 388–397. doi: 10.1016/j.sbspro.2015.07.154.

Yannakakis, G. N. and Togelius, J. (2015) ‘A Panorama of Artificial and Computational Intelligence in Games’, IEEE Transactions on Computational Intelligence and AI in Games, 7(4), pp. 317–335. doi: 10.1109/TCIAIG.2014.2339221.

Downloads

Published

2018-02-05

Issue

Vol 16, No. 1, Januari 2018

Section

Articles

How to Cite

[1]
M. I. A. Putera and D. H. Murti, “PENINGKATAN KECERDASAN COMPUTER PLAYER PADA GAME PERTARUNGAN BERBASIS K-NEAREST NEIGHBOR BERBOBOT”, JUTI, vol. 16, no. 1, pp. 90–104, Feb. 2018, doi: 10.12962/j24068535.v16i1.a710.

License

All papers should be submitted electronically. All submitted manuscripts must be original work that is not under submission at another journal or under consideration for publication in another form, such as a monograph or chapter of a book. Authors of submitted papers are obligated not to submit their paper for publication elsewhere until an editorial decision is rendered on their submission. Further, authors of accepted papers are prohibited from publishing the results in other publications that appear before the paper is published in JUTI unless they receive approval for doing so from the Editor-in-Chief.

JUTI open access articles are distributed under a Creative Commons Attribution-ShareAlike 4.0 International License. This license lets the audience to give appropriate credit, provide a link to the license, and indicate if changes were made and if they remix, transform, or build upon the material, they must distribute contributions under the same license as the original.