Implementasi Qlearning Pada Game Strategi Auto Chess

Salam, Fajar (2020) Implementasi Qlearning Pada Game Strategi Auto Chess. Other thesis, Universitas Komputer Indonesia.

[img]
Preview
Text
1.10115193_FAJAR SALAM_COVER.pdf - Published Version

Download (207kB) | Preview
[img]
Preview
Text
19.10115193_FAJAR SALAM_LEMBAR PENGESAHAN.pdf - Published Version

Download (113kB) | Preview
[img]
Preview
Text
17.10115193_FAJAR SALAM_SURAT KETERANGAN PUBLIKASI.pdf - Published Version

Download (261kB) | Preview
[img]
Preview
Text
20.10115193_FAJAR SALAM_SURAT KETERANGAN ORISINALITAS.pdf - Published Version

Download (271kB) | Preview
[img]
Preview
Text
4.10115193_FAJAR SALAM_KATA PENGANTAR.pdf - Published Version

Download (288kB) | Preview
[img]
Preview
Text
5.10115193_FAJAR SALAM_DAFTAR ISI.pdf - Published Version

Download (205kB) | Preview
[img]
Preview
Text
11.10115193_FAJAR SALAM_BAB 1.pdf - Published Version

Download (346kB) | Preview
[img]
Preview
Text
12.10115193_FAJAR SALAM_BAB 2.pdf - Published Version

Download (1MB) | Preview
[img] Text
13.10115193_FAJAR SALAM_BAB 3.pdf - Published Version
Restricted to Repository staff only

Download (2MB) | Request a copy
[img] Text
14.10115193_FAJAR SALAM_BAB 4.pdf - Published Version
Restricted to Repository staff only

Download (450kB) | Request a copy
[img] Text
15.10115193_FAJAR SALAM_BAB 5.pdf - Published Version
Restricted to Repository staff only

Download (185kB) | Request a copy
Official URL: https://elibrary.unikom.ac.id

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: 17 Sep 2020 04:47
URI: http://elibrary.unikom.ac.id/id/eprint/2667

Actions (login required)

View Item View Item