Penerapan Strategi Bertarung Non-Playable Character Menggunakan Genetic Algorithm dengan Opposition-Based Learning pada Role-Playing Game

Abstract

Perkembangan industri game modern menuntut kehadiran Non-Playable Character (NPC) yang cerdas dan adaptif. Penggunaan metode konvensional sering menghasilkan perilaku NPC yang kaku dan mudah diprediksi. Genetic Algorithm dapat memecahkan masalah tersebut namun sering menghadapi kendala lambatnya laju konvergensi serta risiko terjebak pada optimum lokal. Penelitian ini mengusulkan penerapan Genetic Algorithm dengan Opposition-Based Learning untuk mengoptimalkan strategi bertarung NPC pada game Role Playing Game turn-based. Metode ini mengintegrasikan konsep Opposition-Based Learning secara spesifik pada fase inisialisasi populasi awal guna mempercepat konvergensi. Metode penelitian yang digunakan adalah eksperimental kuantitatif pada game engine Unity menggunakan bahasa C#. Pengujian dilakukan dalam 30 replikasi simulasi otomatis. Hasil eksperimen menunjukkan Skenario A dengan nilai crossover 0,9 dan mutasi 0,06 merupakan konfigurasi terbaik yang berhasil mencapai konvergensi dengan rata-rata fitness tertinggi sebesar 163 dan simpangan baku terkecil sebesar 13,0. Integrasi OBL dapat mengurangi kesalahan aksi dan melampaui performa aksi acak yang hanya berfluktuasi di kisaran fitness 100-125. Penelitian ini menyimpulkan bahwa metode ini sangat efektif dalam menghasilkan taktik bertarung NPC yang adaptif dan responsif.