View/Open

Author
CARLOS, PIERO PARHUSIP

Date Published
08 Jan 2026

Advisor
Radhinka Bagaskara, S.Si.Kom., M.Si., M.Sc.,
Leslie Anggraini, S.Kom., M.Cs.,

Subject
Teknik Informatika

Publisher

Penelitian ini bertujuan menganalisis dan membandingkan efisiensi komputasi dari algoritma Minimax Approximation sebagai solusi optimasi untuk Artificial Intelligence (AI) dalam Turn-Based Tactical Role-Playing Game (TRPG), dibandingkan dengan Minimax murni dan Alpha-Beta Pruning. Pengujian kinerja dilakukan menggunakan skema black-box testing pada peta berukuran 12x22 dengan kedalaman pencarian Kedalaman 3 (Depth 3), yang dipilih karena efektif menciptakan AI taktis (human-like). Metrik utama yang diukur meliputi Waktu Komputasi (ms) dan Jumlah Node Dikunjungi. Hasil pengujian kuantitatif menunjukkan bahwa ketiga algoritma berhasil menghasilkan keputusan taktis yang identik (optimal). Namun, Alpha-Beta Pruning terbukti paling efisien secara konsisten mengurangi eksplorasi node dan mencatat waktu komputasi rata-rata terendah di semua unit (misalnya, 13,7 ms untuk Kaori). Meskipun Minimax Approximation menunjukkan efisiensi waktu yang lebih baik daripada Minimax murni, ia tetap tidak mampu menandingi keunggulan Alpha-Beta Pruning. Secara kualitatif, analisis User Experience Questionnaire Short (UEQ-S) dan In-Game Game Experience Questionnaire (iGEQ) mengonfirmasi bahwa AI berhasil mencapai tujuan human-like, terbukti dari skor Challenge yang tinggi (3,5) dan Competence yang memadai (2,5), yang menghasilkan pengalaman bermain yang seimbang dan adil. Kesimpulannya, implementasi AI berhasil memenuhi batasan teknis dengan waktu respons yang sangat cepat (di bawah 26 ms), menjadikan Alpha-Beta Pruning sebagai solusi paling unggul untuk mencapai efisiensi tertinggi sambil mempertahankan kualitas keputusan yang optimal.

URI
https://repository.itera.ac.id/depan/submission/SB2601120050

Keyword
Game Algoritma Minimax Approximation Alpha-Beta Pruning Tactical Role Play Game GDLC AI