Pengembangan Non-Player Character yang Adaptif Menggunakan Algoritma Thompson Sampling Berbasis Multi-Armed Bandit

Abstract

Karakter bos dalam game aksi umumnya menggunakan AI berbasis aturan yang menghasilkan pola statis dan mudah dieksploitasi. Penelitian ini mengembangkan NPC bos adaptif menggunakan algoritma Thompson Sampling berbasis Multi-Armed Bandit dengan mekanisme Exponential Decay pada game 2D side-scroller "Aria The Storyweaver" di Unity. Bos memiliki empat aksi sebagai arm, dengan parameter gamma (γ) mengontrol kecepatan adaptasi. Pengujian dilakukan melalui simulasi otomatis pada tiga skenario (stasioner, perubahan mendadak, perubahan bertahap) dengan nilai γ dalam rentang 0.75 hingga 0.99 yang disesuaikan per skenario, dan 50 iterasi per kombinasi. Seluruh nilai gamma yang diuji menghasilkan performa lebih tinggi dibandingkan model acak tanpa algoritma pembelajaran. Hasil menunjukkan bahwa pemilihan gamma optimal bergantung pada karakteristik lingkungan, dengan γ=0.80 optimal pada perubahan mendadak, dan γ=0.97 optimal pada perubahan bertahap. Nilai gamma dalam rentang 0.80 hingga 0.97 terbukti memberikan performa yang memadai pada kondisi non-stasioner.