Path: Top > S1-Final_Project > Fakultas_Teknik_dan_Ilmu_Komputer > Teknik_Informatika > 2016

Implementasi Algoritma Neural Network Backpropagation pada Enemy Untuk Menentukan Langkah di Game Tower Defense

Implementation of Algorithm Neural Network Backpropagation the Enemy To Determine Step in Game Tower Defense

2016
Undergraduate Theses from JBPTUNIKOMPP / 2016-11-21 15:18:22
By : Devit NIM. 10111172, Perpustakaan UNIKOM (derazora@gmail.com)
Created : 2016-11-21, with 11 files

Keyword : Tower Defense, NPC, Pathfinding, Neural Network, Backpropagation
Url : http://alumni.unikom.ac.id

Penelitian Subakti menyatakan bahwa implementasi algoritma untuk NPC yang menggunakan behavior berupa pathfinding dalam permainan desktop tower defense dilakukan berdasarkan algoritma pencarian jalur A* secara real time pada peta permainan berbasis grid. Dan menyatakan bahwa peggunaan pathfinding dapat diubah, agar terdapat berbagai macam enemy, misalnya ada enemy yang berjalan dengan memperhitungkan bobot tower yang menghadang dalam peta permainan. Algoritma A* memiliki keunggulan dalam pencarian pathfinding di suatu peta, namun A* mempunyai kelemahan pada perubahan keadaan peta serta kepadatan dari sebuah rintangan. Sedangkan game tower defense merupakan game berjenis RTS yang memungkinkan terjadinya perubahan keadaan peta serta memperhitungkan bobot tower sehingga penggunaan algoritma A* kurang tepat untuk menyelesaikan permasalahan tersebut. Algoritma neural network backpropagation merupakan algoritma pembelajaran yang terawasi. Selain itu pada penelitian sebelumnya terdapat algoritma neural network backpropagation tentang perbandingan algoritma tersebut dan mendapatkan hasil bahwa lebih unggul dalam akurasinya. Pada penelitian ini algoritma neural network akan digunakan untuk arah gerak menentukan langkah NPC enemy ke kiri, kanan, atas, atau bawah. Berdasarkan dari hasil penelitian dapat disimpulkan bahwa implementasi neural network backpropagation dapat digunakan untuk menentukan satu langkah kedepan saja. Dari 100 dataset yang digunakan akurasi terbaik didapat ketika hidden layer menggunakan 9 perceptron, learning rate 0,1, dan target error dengan nilai akurasi adalah 87%.

Description Alternative :

Subakti research stated that implementation of the algorithm to the NPC that uses behavior be pathfinding in the game desktop tower defense is conducted based on line search algorithm A * in real time on a map grid-based games. And States that use pathfinding can be changed, so that there is a wide variety of enemy, for example there is the enemy that goes with taking into account the weight of tower lurking in the map of the game. Algorithm A * pathfinding in the search for excellence in a map, but A * have a weakness at the change of the State of the map as well as the density of an obstacle. While the games tower defense is a game a RTS that allow the occurrence of changes the State of the map as well as take into account the weight of the tower so that the use of the A * algorithm is less appropriate to resolve these problems. Algorithm of neural network backpropagation learning algorithm is terawasi. In addition there is previous research on neural network backpropagation algorithm on the comparison of the algorithm and get the result that is superior in its accuracy. Research on algorithm of neural network will be used to determine the motion direction of the NPC enemy to the left, right, top, or bottom. Based on the results of the study it can be concluded that the implementation of backpropagation neural network can be used to specify one step forward only. From 100 datasets used the best accuracy is obtained when the hidden layer using the perceptron learning rate, 9 0.1, and target error with the highest accuracy is 87%.

Give Comment ?#(0) | Bookmark

PropertyValue
Publisher IDJBPTUNIKOMPP
OrganizationP
Contact Namedyah@unikom.ac.id
AddressJl. Dipati Ukur No.116 Lt.7
CityBandung
RegionWest Java
CountryIndonesia
Phone022-2533825 ext.112
Fax022-2533754
Administrator E-mailperpus@unikom.ac.id
CKO E-mailperpus@unikom.ac.id