Publisher

STTSSTTS

Journal INSYST: Journal of Intelligent System and ComputationINSYST: Journal of Intelligent System and Computation Abstract

Pembelajaran penguatan (Reinforcement Learning, RL) telah menjadi salah satu bidang paling dinamis dalam kecerdasan buatan, memungkinkan agen belajar perilaku optimal melalui interaksi coba-coba dengan lingkungan mereka. Sebagian besar studi dan implementasi RL dilakukan menggunakan pustaka berbasis Python atau dalam mesin Unity. Namun, Godot Engine yang bersifat sumber terbuka dan semakin populer di kalangan pengembang indie, menawarkan platform alternatif yang menarik untuk penelitian RL dan pengembangan game interaktif. Penelitian ini mempersembahkan implementasi agen RL menggunakan algoritma Advantage Actor-Critic (A2C) dan Proximal Policy Optimization (PPO) pada Godot Engine melalui plugin AgentRL. Dua lingkungan RL klasik, Cart Pole dan Cliff Walking, direplikasi dalam Godot untuk mengevaluasi kinerja algoritma. Plugin AgentRL memfasilitasi komunikasi waktu‑nyata antara Godot dan Python, memungkinkan pelatihan model melalui pustaka Stable‑Baselines3. Kinerja diukur dengan rata‑rata panjang episode dan rata‑rata reward, serta analisis statistik menggunakan Welchs t‑test. Hasil eksperimen menunjukkan bahwa PPO mengungguli A2C pada kedua lingkungan: pada Cart Pole, PPO menghasilkan rata‑rata durasi keseimbangan 115,93 langkah lebih lama, sedangkan pada Cliff Walking, PPO menghasilkan episode 6,19 langkah lebih pendek dan reward 27,93 poin lebih tinggi. Temuan ini mengkonfirmasi bahwa PPO menawarkan stabilitas dan efisiensi pelatihan yang lebih baik dibandingkan A2C. Selain itu, hasil tersebut menunjukkan bahwa Godot yang terintegrasi dengan AgentRL merupakan platform yang layak dan fleksibel untuk penelitian pembelajaran penguatan serta dapat menjadi dasar bagi studi lanjutan dalam pengembangan game berbasis AI.

Conclusion

Penelitian ini berhasil mengimplementasikan algoritma Advantage Actor-Critic (A2C) dan Proximal Policy Optimization (PPO) pada dua permainan klasik, Cart Pole dan Cliff Walking, menggunakan Godot Engine yang terintegrasi dengan Python melalui plugin AgentRL.Hasil eksperimen menunjukkan bahwa PPO secara konsisten mengungguli A2C, dengan peningkatan rata‑rata 115,93 langkah pada Cart Pole serta durasi episode 6,19 langkah lebih pendek dan peningkatan reward sebesar 27,93 poin pada Cliff Walking, menandakan stabilitas, efisiensi, dan akuisisi reward yang lebih baik.Penelitian ini memperkuat posisi Godot Engine sebagai platform alternatif untuk eksperimen reinforcement learning dan memberikan panduan bagi peneliti serta pengembang game dalam memilih algoritma yang paling cocok untuk kontrol agen berbasis RL.

Future Research

Penelitian lanjutan dapat mengeksplorasi penerapan algoritma reinforcement learning pada permainan dengan tingkat kompleksitas lebih tinggi, seperti environment tiga‑dimensi atau scenario multi‑agen, untuk menguji kemampuan generalisasi Godot Engine serta plugin AgentRL dalam kondisi yang lebih menantang. Selain itu, studi mendalam tentang optimasi hyperparameter menggunakan metode pencarian otomatis seperti Bayesian Optimization atau Evolutionary Strategies dapat membantu menemukan kombinasi parameter yang memaksimalkan kinerja PPO dan A2C pada berbagai jenis game. Selanjutnya, pengembangan format model yang lebih efisien, misalnya dengan mengintegrasikan teknik quantization atau pruning, serta perancangan fungsi reward yang adaptif berdasarkan konteks permainan, dapat meningkatkan kecepatan pelatihan dan kualitas kebijakan agent, membuka peluang bagi aplikasi real‑time dalam pengembangan game indie. Penelitian juga dapat menilai dampak integrasi algoritma lain seperti Soft Actor‑Critic atau Rainbow DQN dalam konteks Godot untuk memperluas wawasan tentang keunggulan masing‑masing algoritma. Dengan menggabungkan ketiga arah penelitian ini, diharapkan dapat memberikan panduan komprehensif bagi peneliti dan pengembang dalam memanfaatkan Godot sebagai platform RL yang scalable dan fleksibel.

References

1. Client Challenge. client challenge javascript disabled browser please enable proceed required part site... link.springer.com/chapter/10.1007/978-981-33-4400-6_18Client Challenge client challenge javascript disabled browser please enable proceed required part site link springer chapter 10 1007 978 981 33 4400 6 18
2. [2407.17032] Gymnasium: A Standard Interface for Reinforcement Learning Environments. gymnasium standard... doi.org/10.48550/arXiv.2407.170322407 17032 Gymnasium A Standard Interface for Reinforcement Learning Environments gymnasium standard doi 10 48550 arXiv 2407 17032

Metadata

File size	1.08 MB
Pages	9
DMCA	Report