Non-Playable Character Adaptif pada Game RPG Menggunakan Metode Logarithmic Learning For Generalized Classifier Neural Network (L-GCNN)

Mabruroh, Izza (2019) Non-Playable Character Adaptif pada Game RPG Menggunakan Metode Logarithmic Learning For Generalized Classifier Neural Network (L-GCNN). Masters thesis, Institut Teknologi Sepuluh Nopember.

[img]
Preview
Text
5116201012-Master_Thesis.pdf

Download (1MB) | Preview

Abstract

Non-playable Character (NPC) merupakan salah satu karakter yang penting dalam game. NPC yang bersifat otonom dan adaptif, dapat menyesuaikan aksi dengan aksi pemain dan keadaan lingkungan. Untuk menentukan aksi NPC, peneliti sebelumnya menggunakan metode Neural Network namun terdapat kelemahan yakni aksi yang dihasilkan tidak sesuai dengan yang diinginkan sehingga akurasinya kurang baik. Penelitian ini mengatasi masalah akurasi yang kurang baik dengan menggunakan metode Logarithmic Learning for Generalized Classifier Neural Network (L-GCNN) dengan menggunakan 6 parameter input yakni kesehatan NPC, jarak dengan pemain, NPC lain terlibat atau tidak, daya serang, jumlah NPC dan level NPC. Sedangkan outputnya yakni menyerang sendiri, menyerang berkelompok dan menjauh. Untuk pengujian, penelitian ini diuji cobakan pada game RPG. Dari hasil uji coba yang dilakukan menunjukkan bahwa metode L-GCNN memiliki akurasi yang lebih baik dari 3 metode yang dibandingkan yakni 7% lebih baik dari NN dan SVM serta lebih baik 8% dari RBFNN karena pada metode L-GCNN terdapat proses enkapsulasi yakni data yang mempunyai kelas yang sama akan dikelompokkan menjadi satu. Sedangkan untuk waktu training L-GCNN lebih lama 30% dari metode NN karena pada L-GCNN satu neuron terdiri dari satu data dimana pada NN lebih sedikit neuron pada hidden layer. ================================================================================================ Non-playable Character (NPC) is one of the important characters in the game. NPCs that are autonomous and adaptive, can adjust actions with player actions and environmental conditions. To determine the actions of the NPC, the previous researchers used the Neural Network method but there were weaknesses, namely the action produced was not in accordance with the desired so the accuracy was not good. This study overcomes the problem of accuracy that is not good by using the Logarithmic Learning for Generalized Classifier Neural Network (L-GCNN) method using 6 input parameters namely NPC health, distance with players, other NPCs involved or not, attack power, number of NPCs and NPC levels . While the output is single attack, keep the distance and attacking in group.For testing, this study was tested on RPG games. From the results of the experiments conducted shows that the L-GCNN method has better accuracy than the 3 methods compared to 7% better than NN and SVM and 8% better than RBFNN because in the L-GCNN method there is an encapsulation process that is data having the same class will be grouped together. Whereas the L-GCNN training time is 30% longer than the NN method because on L-GCNN one neuron consists of one data where in NN there are fewer neurons in thehidden layer.

Item Type: Thesis (Masters)
Additional Information: RTIf 005.3 Mab n-1 2019
Uncontrolled Keywords: Non-playable character (NPC), L-GCNN, NPC adaptif
Subjects: Q Science > QA Mathematics > QA76.6 Computer programming.
T Technology > T Technology (General) > T58.62 Decision support systems
Divisions: Faculty of Information and Communication Technology > Informatics > 55101-(S2) Master Thesis
Depositing User: Izza Mabruroh
Date Deposited: 15 Jul 2021 06:55
Last Modified: 15 Jul 2021 06:55
URI: https://repository.its.ac.id/id/eprint/61008

Actions (login required)

View Item View Item