IMPLEMENTASI REINFORCEMENT LEARNING UNTUK MENENTUKAN TINGKAT KECERDASAN NON-PLAYER-CHARACTER PADA PERMAINAN BALAP MOBIL

71110164, YUSTINUS ARJUNA PURNAMA PUTRA (2016) IMPLEMENTASI REINFORCEMENT LEARNING UNTUK MENENTUKAN TINGKAT KECERDASAN NON-PLAYER-CHARACTER PADA PERMAINAN BALAP MOBIL. Bachelor thesis, Universitas Kristen Duta Wacana.

[img] Text (Skripsi Informatika)
71110164_bab1_bab5_daftarpustaka.pdf

Download (2MB)
[img] Text (Skripsi Informatika)
71110164_bab2-sd-bab4_lampiran.pdf
Restricted to Registered users only

Download (5MB) | Request a copy

Abstract

Q-learning adalah salah satu jenis pembelajaran mesin yang dilakukan pada lingkungan yang tidak diketahui oleh agen, sehingga agen harus mencoba-coba aksi yang tepat pada suatu state. Evaluasi aksi yang dilakukan agen adalah memberikan reward. Dalam algoritma ini, agen memperbaharui Q-table dengan nilai reward tersebut. Tabel tersebut menyimpan nilai action untuk setiap state selama pelatihan. Nilai tersebut merepresentasikan bobot kesesuaian aksi pada state tertentu. Dengan mengimplementasikan algoritma Q-learning, penulis bermaksud mengembangkan sistem dimana terdapat sejumlah NPC pembalap mobil (selanjutnya dikenal sebagai agen) yang masing-masing memiliki kemampuan untuk mempersepsikan kondisi agen pada lingkungan pembelajaran. Aksi yang dapat dilakukan agen untuk menanggapi state yang dipersepsikan adalah berbelok ke kiri, maju lurus dan berbelok ke kanan. Tujuan penelitian ini adalah untuk membuktikan bahwa dengan algoritma Q-learning, perbedaan tingkat kecerdasan agen cerdas dapat dibuat dengan cara membedakan variasi lintasan yang dipelajari oleh agen dan membedakan variasi waktu belajar agen. Agen akan terbukti lebih pandai apabila semakin banyak variasi lintasan yang dapat diselesaikan saat pengujian. Dengan menguji agen cerdas pada lintasan uji dengan variasi berbeda, dapat disimpulkan bahwa dapat ditentukan perbedaan tingkat kecerdasan agen dengan cara membedakan jumlah variasi lintasan yang dipelajari oleh agen cerdas dan cara kedua adalah dengan membedakan lama waktu pembelajaran.

Item Type: Thesis (Bachelor)
Uncontrolled Keywords: QLearning, Reinforcement Learning, Mobil Cerdas
Subjects: Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Q Science > QA Mathematics > QA76 Computer software
Divisions: Fakultas Teknologi Informasi > Prodi Informatika
Depositing User: ms priska lim
Date Deposited: 02 Nov 2020 03:59
Last Modified: 02 Nov 2020 03:59
URI: http://katalog.ukdw.ac.id/id/eprint/1388

Actions (login required)

View Item View Item