Evaluasi Sistem Dynamic Difficulty Adjustment (DDA) pada Game RPG Berbasis Multi-Armed Bandit (MAB)
Article Sidebar
Main Article Content
Abstract
Keseimbangan tingkat kesulitan merupakan faktor krusial dalam menjaga keterlibatan dan kenyamanan pemain pada permainan digital. Tingkat kesulitan yang terlalu rendah berpotensi menurunkan minat bermain karena sifatnya yang monoton, sementara tingkat kesulitan yang terlalu tinggi dapat memicu rasa frustrasi dan berujung pada penurunan pengalaman bermain. Untuk menjawab tantangan tersebut, pendekatan penyesuaian kesulitan secara dinamis atau Dynamic Difficulty Adjustment (DDA) banyak diadopsi sebagai mekanisme adaptif dalam pengembangan permainan modern. Penelitian ini bertujuan untuk merancang dan mengevaluasi sistem DDA berbasis algoritma Multi-Armed Bandit (MAB) pada permainan Role-Playing Game (RPG) pemain tunggal. Sistem yang dikembangkan mampu menentukan tingkat kesulitan secara adaptif dengan mempertimbangkan performa pemain secara waktu nyata (real-time). Proses penelitian dilakukan melalui perancangan simulasi mesin pertarungan antara pemain dan musuh (monster) yang memiliki atribut dinamis, meliputi kesehatan (health), kekuatan serangan (attack), dan pertahanan (defense). Empat varian algoritma MAB diterapkan dalam penelitian ini, yaitu ε-greedy, Upper Confidence Bound (UCB1), Asymptotically Optimal UCB, dan Thompson Sampling. Setiap algoritma diuji dalam skenario Player versus Environment (PvE) dengan rentang 100 hingga 200 ronde permainan. Hasil pengujian menunjukkan bahwa seluruh algoritma MAB mampu mengidentifikasi tingkat kesulitan yang mendekati kondisi optimal. Algoritma Thompson Sampling dan UCB memperlihatkan performa paling konsisten, dengan rata-rata tingkat kemenangan pemain melampaui 55% pada 150 ronde, mendekati nilai ideal sebesar 50% yang merepresentasikan kondisi flow dalam pengalaman bermain. Dibandingkan dengan pendekatan berbasis deep learning, metode MAB memiliki keunggulan dalam efisiensi komputasi, kemampuan adaptasi secara daring, serta transparansi dalam proses pengambilan keputusan. Dengan karakteristik tersebut, sistem DDA berbasis MAB dinilai sebagai solusi yang ringan, praktis, dan mudah diintegrasikan ke dalam permainan RPG tanpa memerlukan data pelatihan awal dalam jumlah besar. Penelitian ini merekomendasikan penerapan DDA pada permainan pemain tunggal sebagai strategi adaptif yang efektif untuk meningkatkan kualitas pengalaman bermain serta mempertahankan retensi pemain dalam jangka panjang.
Downloads
Article Details
Section
This work is licensed under a Creative Commons Attribution 4.0 International License.
References
[1] T. Shen, 2024, Adaptive Game Mechanics: Leveraging Multi-Armed Bandits for Dynamic Difficulty Adjustment, CONF-MLA 2024 Workshop: Neural Computing and Applications.
[2] M. Rahimi, H. Moradi, A. Vahabie, and H. Kebriaei, 2023, Continuous Reinforcement Learning-based Dynamic Difficulty Adjustment in a Visual Working Memory Game, arXiv preprint arXiv:2308.12726.
[3] F. Mortazavi, H. Moradi, and A.-H. Vahabie, 2024, Dynamic Difficulty Adjustment Approaches in Video Games: A Systematic Literature Review, Multimedia Tools and Applications, vol. 83, pp. 83227–83274.
[4] Z. Ying, M. Tang, B. Song, W. Liu, and M. Wang, 2024, A Two-Stage Dynamic Adjustment Strategy for Injection Molding Process with Knowledge Transfer, The International Journal of Advanced Manufacturing Technology.
[5] M. Zhang and K. Goh, 2021, Bootstrapped Reinforcement Learning for Adaptive Games, IEEE Transactions on Games, vol. 12, no. 1, pp. 34–45.
[6] R. Noblega, M. C. Santos, and A. M. Mora, 2021, An Adaptive AI Opponent Using Reinforcement Learning for Dynamic Difficulty Adjustment, in Proceedings of the 2021 IEEE Conference on Games (CoG).
[7] G. Spatharioti, A. Mavrommati, and S. Vosinakis, 2020, Dynamic Difficulty Adjustment Using Reinforcement Learning in Serious Games, in Proceedings of the 2020 International Conference on Serious Games and Applications for Health (SeGAH).
[8] H. Huber et al., 2020, Adaptive Maze Generation Using Deep Reinforcement Learning, Procedia Computer Science, vol. 177, pp. 150–158.
[9] H.-S. Moon and J. Seo, 2020, Dynamic Difficulty Adjustment via Fast User Adaptation, arXiv preprint arXiv:2006.15545.
[10] R. Fuchs, R. Gieseke, and A. Dockhorn, 2024, Personalized Dynamic Difficulty Adjustment – Imitation Learning Meets Reinforcement Learning, IEEE Conference.
[11] Khaerudin, M., Srisulistiowati, D. B., & Warta, J. (2021). Game edukasi dengan menggunakan unity 3D untuk menunjang proses pembelajaran. JSI (Jurnal Sist. Informasi) Univ. Suryadarma, 8(2), 263-272.
[12] Karamian, V. (2018). Building an RPG with Unity 2018: Leverage the Power of Unity 2018 to Build Elements of an RPG. Packt Publishing Ltd.
[13] Godbold, A., & Jackson, S. (2016). Mastering Unity 2D Game Development: Using Unity 5 to develop a retro RPG. Packt Publishing Ltd.
[14] Zohaib, M. (2018). Dynamic difficulty adjustment (DDA) in computer games: A review. Advances in Human‐Computer Interaction, 2018(1), 5681652.
[15] Nugroho, F., Basid, P. M. N. S. A., Bahtiar, F. S., & Buditjahjanto, I. G. P. (2023). Dynamic difficulty adjustment of serious-game based on synthetic fog using activity theory model. International Journal of Advanced Computer Science and Applications (IJACSA), 14(6), 564-573.