Optimasi tingkat kesulitan dengan Dynamic Difficulty Adjustment berbasis Algoritma Reinforcement Learning : Studi kasus: Game Bubble Boom

Rizq Heryanto, Muhammad Andhika (2025) Optimasi tingkat kesulitan dengan Dynamic Difficulty Adjustment berbasis Algoritma Reinforcement Learning : Studi kasus: Game Bubble Boom. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

	Text (COVER) Cover.pdf Restricted to Registered users only Download (148kB)
	Text (ABSTRAK) Abstrak.pdf Restricted to Registered users only Download (135kB)
	Text (DAFTAR ISI) Daftar Isi.pdf Restricted to Registered users only Download (196kB)
	Text (BAB I) Bab I.pdf Restricted to Registered users only Download (304kB)
	Text (BAB II) Bab II.pdf Restricted to Registered users only Download (462kB)
	Text (BAB III) Bab III.pdf Restricted to Registered users only Download (261kB)
	Text (BAB IV) Bab IV.pdf Restricted to Registered users only Download (949kB)
	Text (BAB V) Bab V.pdf Restricted to Registered users only Download (168kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (171kB)

Abstract

Perkembangan teknologi kecerdasan buatan telah mendorong inovasi dalam desain game yang mampu menyesuaikan tingkat kesulitan secara dinamis, sesuai dengan kemampuan pemain. Penelitian ini bertujuan untuk mengembangkan sistem Dynamic Difficulty Adjustment (DDA) berbasis Reinforcement Learning (RL) pada permainan bergenre tower defense dengan studi kasus game Bubble Boom. Dalam implementasinya, enemy spawner dijadikan sebagai agen RL yang dilatih menggunakan algoritma Proximal Policy Optimization (PPO) melalui framework ML-Agents. Proses pelatihan dilakukan selama 500.000 langkah dan dievaluasi menggunakan metrik cumulative reward untuk melihat kemampuan agen dalam mengatur komposisi musuh secara adaptif. Hasil penelitian menunjukkan bahwa model berhasil mempelajari strategi pemunculan musuh berdasarkan kondisi permainan yang sedang berlangsung, dan mampu menciptakan keseimbangan antara tantangan dan kemampuan pemain. Penelitian ini memberikan kontribusi terhadap pengembangan mekanisme adaptif pada game berbasis strategi, serta membuka peluang pengembangan lebih lanjut dalam sistem pembelajaran agen game secara real-time.

Item Type:	Thesis (Sarjana)
Uncontrolled Keywords:	Dynamic Difficulty Adjustment, Reinforcement Learning, PPO, ML Agents, Tower Defense, Bubble Boom
Subjects:	Special Computer Methods Special Computer Methods > Artificial Intelligence
Divisions:	Fakultas Sains dan Teknologi > Program Studi Teknik Informatika
Depositing User:	Muhammad Andhika Rizq Heryanto
Date Deposited:	13 Aug 2025 04:07
Last Modified:	13 Aug 2025 04:07
URI:	https://digilib.uinsgd.ac.id/id/eprint/114811

Actions (login required)

View Item