| NIM | H1D021039 |
|---|
| Namamhs | ALVIN ARYANTA SUWARDONO |
|---|
| Judul Artikel | Perbedaan Penggunaan Metode Reinforcement Learning dan Metode Finite-State Machine terhadap Kepuasan Pengguna (Studi Kasus: Pengembangan Game Mecha Runner) |
|---|
| Abstrak (Bhs. Indonesia) | Non-Playable Characters (NPC) berperan penting dalam menciptakan tantangan, interaksi, serta realisme permainan yang dapat meningkatkan maupun menurunkan kualitas pengalaman bermain. Penelitian ini membandingkan metode Finite-State Machine (FSM) sebagai pendekatan konvensional dan Reinforcement Learning (RL) sebagai pendekatan adaptif modern dalam pengembangan NPC pada permainan “Mecha Runner”. Tujuannya adalah mendeskripsikan proses perancangan dan pelatihan NPC dengan kedua metode, serta menganalisis pengaruhnya terhadap kepuasan dan pengalaman pemain. Permainan dikembangkan menggunakan Game Development Life Cycle (GDLC), dengan NPC RL dilatih menggunakan algoritma Multi-Agent Posthumous Credit Assignment (MA-POCA) melalui Unity ML-Agents untuk memungkinkan perilaku yang lebih dinamis dan responsif. Evaluasi kepuasan pemain dilakukan menggunakan Game Experience Questionnaire (GEQ) terhadap 12 responden. Hasil penelitian menunjukkan bahwa NPC berbasis RL lebih unggul dibanding FSM dalam aspek flow, ketegangan, tantangan, serta pengaruh positif dan negatif, sementara FSM sedikit lebih baik pada aspek kompetensi. Secara keseluruhan, pendekatan RL terbukti lebih efektif dalam menciptakan pengalaman bermain yang imersif dan memuaskan pada game “Mecha Runner”. |
|---|
| Abtrak (Bhs. Inggris) | Non-Playable Characters (NPCs) play an important role in creating challenge, interaction, and realism in games, which can either enhance or diminish the overall gameplay experience. This study compares the Finite-State Machine (FSM) method as a conventional approach and Reinforcement Learning (RL) as a modern adaptive approach in the development of NPCs in the game “Mecha Runner.” The purpose of this research is to describe the design and training process of NPCs using both methods and to analyze their impact on player satisfaction and experience. The game was developed using the Game Development Life Cycle (GDLC) framework, with RL-based NPCs trained using the Multi-Agent Posthumous Credit Assignment (MA-POCA) algorithm through Unity ML-Agents, enabling more dynamic and responsive behavior. Player satisfaction was evaluated using the Game Experience Questionnaire (GEQ) with 12 respondents. The results show that RL-based NPCs outperform FSM-based NPCs in terms of flow, tension, challenge, and positive and negative affect, while FSM performs slightly better in competence. Overall, the RL approach proves to be more effective in creating a more immersive and satisfying gameplay experience in “Mecha Runner.” |
|---|
| Kata kunci | Finite-State Machine, Game Development, NPC, Reinforcement Learning |
|---|
| Pembimbing 1 | Ir. Bangun Wijayanto, S.T., M.Cs., IPM. |
|---|
| Pembimbing 2 | Ir. Nur Alfi Ekowati, S. Kom., M. Sc. |
|---|
| Pembimbing 3 | |
|---|
| Tahun | 2025 |
|---|
| Jumlah Halaman | 10 |
|---|
| Tgl. Entri | 2025-10-14 08:44:53.044272 |
|---|