Studi Perbandingan Algoritma Finite State Machine, Behavior Tree, Rule-Based System, Dan Utility-Based AI Pada Perilaku NPC Dalam Game Edukasi Fisika Berbasis Gamifikasi

Abstract

Penelitian ini bertujuan untuk menganalisis dan membandingkan empat algoritma pengambilan keputusan pada perilaku Non-Player Character (NPC), yaitu Finite State Machine (FSM), Behavior Tree (BT), Rule-Based System, dan Utility-Based AI, dalam konteks game edukasi fisika berbasis gamifikasi. Latar belakang penelitian ini didasari oleh pentingnya peran NPC dalam menciptakan interaksi yang menarik dan mendukung proses pembelajaran, khususnya dalam game edukasi yang mengintegrasikan konsep fisika dengan mekanisme permainan. Penerapan gamifikasi seperti sistem poin, level, tantangan, dan umpan balik interaktif diharapkan dapat meningkatkan keterlibatan serta motivasi pemain dalam memahami materi fisika. Metode penelitian yang digunakan adalah pendekatan eksperimental dengan mengimplementasikan keempat algoritma tersebut pada NPC dalam sebuah game edukasi fisika ber-genre roguelike. Setiap algoritma diuji berdasarkan beberapa indikator, yaitu responsivitas NPC, adaptivitas terhadap kondisi permainan, kompleksitas implementasi, serta pengaruhnya terhadap pengalaman pemain. Pengumpulan data dilakukan melalui pengujian sistem dan kuesioner kepada pengguna untuk mengukur tingkat keterlibatan dan persepsi terhadap perilaku NPC. Hasil penelitian menunjukkan bahwa Behavior Tree dan Utility-Based AI cenderung menghasilkan perilaku NPC yang lebih adaptif dan dinamis dibandingkan Finite State Machine dan Rule-Based System. Namun, Finite State Machine dan Rule-Based System memiliki keunggulan dalam hal kesederhanaan implementasi dan efisiensi komputasi. Dari sisi gamifikasi, algoritma dengan perilaku NPC yang lebih adaptif terbukti mampu meningkatkan keterlibatan pemain secara signifikan.