Aksi Penyerangan Non-Player Character (NPC) Menggunakan Metode Naive Bayes pada Shooter Game
DOI:
https://doi.org/10.25126/jtiik.2021863804Abstrak
Aksi penyerangan pada non-player character (NPC) merupakan salah satu substansi penting dalam pembuatan game. Dalam melakukan penyerangan diperlukan strategi khusus agar NPC tidak mudah dikalahkan. Salah satunya adalah adanya variasi serangan terhadap pemain. Salah satu metode yang digunakan untuk mengatur penyerangan NPC adalah rulebase. Metode rulebase dapat memberikan variasi serangan sesuai kondisi NPC, namun metode rulebase bisanya menghasilkan behaviour yang statis dan tidak adaptif jika terdapat kondisi baru. AI seperti ini akan mudah diprediksi dan repetitif sehingga menurunkan tingkat tantangan bermain game. Untuk mengatasi masalah tersebut banyak peneliti yang menggunakan teknik learning. Salah satunya menggunakan metode naïve bayes. Pada penelitian ini dilakukan penerapan metode naïve bayes sebagai strategi penyerangan NPC pada shooter game. Metode naïve bayes digunakan untuk keputusan serangan yang diambil oleh NPC. Adapun parameter yang digunakan untuk keputusan penyerangan adalah nyawa, jarak, jumlah granat, dan jumlah amunisi yang dimiliki NPC. Sedangkan keputusan penyerangan dibagi menjadi serangan tembak, serangan granat, dan serangan pisau. Hasil penelitian menunjukkan penerapan metode naïve bayes membuat NPC mampu melakukan penyerangan secara otonom jika terdapat kondisi baru dengan akurasi 80%. Penerapan metode naïve bayes juga lebih unggul dalam persentase kemenangan NPC dibanding metode rulebase. Tingkat kemenangan NPC menggunakan metode naïve bayes sebesar 60% sedangkan rulebase sebesar 16%.
Abstract
Non-Player Character’s (NPC) attacks behaviour is one important substance in making games. While NPC attacks needs specific strategy to not get defeated easily. One of the NPC attacks strategy is a variation of offense to player. One of the methods to manage the NPC attack strategy is rulebase. Rulebase method can give variations of the NPC attacks according in conditions, but rulebase method usually producing static behaviour and not adaptive where there is new condition. AI like this would easy too predictive and repetitive so that decrease the challenge of playing games. To overcome these problems, we use naïve bayes method. In this study, naïve bayes method are applied as an NPC’s attack strategy to the shooter game. Naïve bayes method used for attack decisions taken by the NPC. The parameters used for the attack’s decision are health point, distance, number of grenades, and number of ammunitions owned by the NPC. While attacks decision is divided into firing attacks, grenade attacks, and melee attacks. The results showed that the use naïve bayes method can attack autonomously if there are new condition with an accuracy of 80%. The implementation of naïve bayes method at NPC more superior than rulebase method in percentage of NPC winning. The NPC win rate uses the naïve bayes method is 60% while the rulebase is 16%.
Downloads
Referensi
ABDI, M., HERUMURTI, D., & KUSWARDAYAN, I. (2017). Analisis Perbandingan Kecerdasan Buatan pada Computer Player dalam Mengambil Keputusan pada Game Battle RPG. JUTI: Jurnal Ilmiah Teknologi Informasi, 15(2), 226-237. https://doi.org/10.12962/j24068535.v15i2.a671.
GATA, W., BASRI, H., HIDAYAT, R., PATRAS, Y. E., BAHARUDDIN, B., FATMASARI, R., TOHARI, S., & WARDHANI, N. K. (2019). Algorithm Implementations Naïve Bayes, Random Forest. C4.5 on Online Gaming for Learning Achievement Predictions. International Conference on Research of Educational Administration and Management (ICREAM), 258(Icream 2018), 1–9. https://doi.org/10.2991/icream-18.2019.1
ASMIATUN, S., & HENDRAWAN, A. (2016). Implementasi Klasifikasi Bayesian Untuk Strategi Menyerang Jarak Dekat Pada Npc (Non Player Character)Menggunakan Unity 3D. Jurnal Transformatika, 13(2), 42. https://doi.org/10.26623/transformatika.v13i2.139
ASMIATUN, S., HERMAWAN, L., & DARYATNI, T. (2013). Strategi Menyerang Jarak Dekat Menggunakan Klasifikasi Bayesian Pada NPC (Non Player Character). Semantik, 3(1), 351–357.
F. OSISANWO., J.E.T, AKINSOLA., O, AWODELE., J. O, HIMNIKAIYE., O, O., & J, A. (2017). Supervised Machine Learning Algorithms: Classification and Comparison. International Journal of Computer Trends and Technology, 48(3), 128–138. https://doi.org/10.14445/22312803/ijctt-v48p126
FROSI, F. O., & CRISTINA, I. (2018). Building Bots for Shooter Games based on the Bartle ’ s Player Types and Finite State Machines : A Battling Behaviour Analysis. 631–634.
ISKANDAR, D., & SUPRAPTO, Y. K. (2015). Perbandingan Akurasi Klasifikasi Tingkat Kemiskinan Antara Algoritma C 4.5 dan Naive Bayes. Jurnal Ilmiah NERO, 2(1), 37–43.
KAVIANI, P., & DHOTRE, S. (2017). Short Survey on Naive Bayes Algorithm. International Jurnal of Advance Engineering and Research Development, 4(11).
LIAROKAPIS, F., DEBATTISTA, K., VOURVOPOULOS, A., & ENE, A. (2014). Comparing Interaction Techniques for Serious Games through Brain-Computer Interfaces : A User Perception Evaluation Study. Entertainment Computing.
https://doi.org/10.1016/j.entcom.2014.10.004
PUTERA, M. I. A., & MURTI, D. H. (2018). Peningkatan Kecerdasan Computer Player Pada Game Pertarungan Berbasis K-Nearest Neighbor Berbobot. JUTI: Jurnal Ilmiah Teknologi Informasi, 16(1), 90. https://doi.org/10.12962/j24068535.v16i1.a710
ROSTIANINGSIH, S., GREGORIUS, S. B., & WIJAYA, H. K. (2013). Game Simulasi Finite State Machine Untuk Pertanian Dan Peternakan. Jurnal DKV Adiwarna, 5, 2–7.
SAFRIZAL, & SETIAWAN, D. R. (2019). Penerapan Algoritma Minimax Dengan Optimasi Memory Enhcanced Test Driver With Value F Pada Game Catur. Ilmiah Fakultas Teknik, 1, 1–476. https://doi.org/10.1017/CBO9781107415324.004
SALEH, A. (2015). Implementasi Metode Klasifikasi Naïve Bayes Dalam Memprediksi Besarnya Penggunaan Listrik Rumah Tangga. 2(3),207–217. https://doi.org/10.24076/citec.2015v2i3.49
SANJAYA, S. W., AKBAR, M. A., & AFIRIANTO, T. (2019). Penerapan Naïve Bayes untuk NPC Braking Decision pada Racing Game. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer (J-PTIIK) Universitas Brawijaya, 3(4), 3252–3257.
TALIB, F. Z., MAYADEWI, R. P., & ROESLY, E. (2016). Aplikasi Prediksi Peminatam SMAN 8 Bandung Menggunakan Metode Klasifikasi Dengan Algoritma ID3. 2(3), 1053–1061.
WANG, D., & TAN, A. H. (2015). Creating Autonomous Adaptive Agents in a Real-Time First-Person Shooter Computer Game. IEEE Transactions on Computational Intelligence and AI in Games, 7(2), 123–138. https://doi.org/10.1109/TCIAIG.2014.2336702
WICAKSONO, A., HARIADI, M., & N, S. MARDI. S. (2013). Strategi Menyerang Npc Game Fps Menggunakan Fuzzy Finite State Machine. 25–30.
YUNANTA, D. P. (2017). Game Rescue Idol Dengan Menggunakan Metode Finite State Machine ( Fsm ). 1(2), 96–103.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Artikel ini berlisensi Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0)
Penulis yang menerbitkan di jurnal ini menyetujui ketentuan berikut:
- Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0) yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini.
- Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).
