Salam, Fajar (2020) Implementasi Qlearning Pada Game Strategi Auto Chess. Other thesis, Universitas Komputer Indonesia.
|
Text
1.10115193_FAJAR SALAM_COVER.pdf - Published Version Download (207kB) | Preview |
|
|
Text
19.10115193_FAJAR SALAM_LEMBAR PENGESAHAN.pdf - Published Version Download (113kB) | Preview |
|
|
Text
17.10115193_FAJAR SALAM_SURAT KETERANGAN PUBLIKASI.pdf - Published Version Download (261kB) | Preview |
|
|
Text
20.10115193_FAJAR SALAM_SURAT KETERANGAN ORISINALITAS.pdf - Published Version Download (271kB) | Preview |
|
|
Text
4.10115193_FAJAR SALAM_KATA PENGANTAR.pdf - Published Version Download (288kB) | Preview |
|
|
Text
5.10115193_FAJAR SALAM_DAFTAR ISI.pdf - Published Version Download (205kB) | Preview |
|
|
Text
11.10115193_FAJAR SALAM_BAB 1.pdf - Published Version Download (346kB) | Preview |
|
|
Text
12.10115193_FAJAR SALAM_BAB 2.pdf - Published Version Download (1MB) | Preview |
|
Text
13.10115193_FAJAR SALAM_BAB 3.pdf - Published Version Restricted to Repository staff only Download (2MB) | Request a copy |
||
Text
14.10115193_FAJAR SALAM_BAB 4.pdf - Published Version Restricted to Repository staff only Download (450kB) | Request a copy |
||
|
Text
15.10115193_FAJAR SALAM_BAB 5.pdf - Published Version Download (185kB) | Preview |
Abstract
Penelitian ini dilakukan untuk mengukur performa Reinforcement Learning dalam memainkan game strategi Auto Chess. Reinforcement Learning merupakan sebuah metode yang digunakan untuk memaksimalkan reward yang diterima dalam sebuah environment. Fase yang digunakan untuk proses pelatihan pada penelitian ini yaitu: fase pembelian, fase upgrade, dan fase line up. Proses pelatihan dan pengujian dilakukan dengan mempertandingan dua agent dengan algoritma yang berbeda. Proses pengujian dilakukan dengan menguji parameter algoritma yaitu kondisi henti, learning rate, dan discount rate. Serta menguji pengunaan resource seperti waktu pelatihan yang dibutuhkan dan juga pengunaan memory pada saat pelatihan. Hasil pengujian yang didapatkan, Reinforcement Learning yang mengunakan algoritma QLearning memperoleh rata-rata kemenangan yaitu 18,2 kemenangan dari 30 pertandingan dan rata-rata waktu pelatihan selama 143,4 dalam 10 kali pengujian. Dengan parameter algoritma optimal yang diperoleh yaitu: learning rate 0,9 dan discount rate 0,7. Kesimpulan yang didapatkan pada penelitian ini adalah bahwa Reinforcement Learning yang mengunakan Qlearning memiliki performa yang lebih baik dibandingan Basic Reinforcement Learning dalam memainkan game strategi Auto Chess.
Item Type: | Thesis (Other) |
---|---|
Uncontrolled Keywords: | Auto Chess, Game Strategy, Reinforcement Learning, QLearning. |
Subjects: | 000_COMPUTER SCIENCE, INFORMATION & GENERAL WORKS. > 004_Data Processing & Computer Science |
Divisions: | S1_SKRIPSI > FTIK_Teknik Informatika (01) |
Depositing User: | Mrs. Calis Maryani |
Date Deposited: | 03 Sep 2020 06:54 |
Last Modified: | 14 Sep 2021 08:40 |
URI: | http://elibrary.unikom.ac.id/id/eprint/2667 |
Actions (login required)
View Item |