Detail Cantuman

Penelitian ini bertujuan mengoptimalkan tingkat kesulitan Non-Playable Characters (NPC) dalam game First-Person Shooter (FPS) menggunakan algoritma Proximal Policy Optimization (PPO) dan Dynamic Difficulty Adjustment (DDA). Dengan ML-Agents Toolkit pada Unity, NPC dilatih untuk menyesuaikan perilaku berdasarkan performa pemain melalui pengaturan parameter seperti buffer size dan learning rate. Hasilnya menunjukkan model terbaik mencapai akurasi tembakan hingga 61,18%, dengan tingkat kesulitan yang disesuaikan secara real-time melalui DDA, menciptakan pengalaman bermain yang lebih dinamis dan personal. Mayoritas responden uji menyatakan puas dengan adaptasi NPC yang memberikan tantangan sesuai kemampuan pemain. Kombinasi PPO dan DDA terbukti efektif menghasilkan NPC yang adaptif, meningkatkan pengalaman bermain, dan relevan untuk pengembangan game di masa depan.
Kata Kunci: Deep Reinforcement Learning, ML-Agents, PPO, FPS.