Perpustakaan Digital ITB

Non-Player Character (NPC) merupakan salah satu komponen utama yang memengaruhi pengalaman bermain pada video gim. Namun, banyak NPC masih memiliki perilaku yang repetitif sehingga mudah diprediksi dan berpotensi menurunkan pengalaman bermain pemain. Penelitian ini bertujuan merancang perilaku NPC yang lebih variatif namun tetap memiliki batasan menggunakan Goal-Oriented Action Planning (GOAP). GOAP digunakan untuk menyusun urutan aksi berdasarkan goal, world state, prakondisi, efek, dan cost, sedangkan Behaviour Tree (BT) digunakan sebagai lapisan eksekusi untuk menerima sekuensi aksi dari GOAP lalu dieksekusi ke NPC agar NPC melakukan aksi yang sudah direncanakan oleh GOAP. Studi kasus dilakukan pada gim Pong yang dimodifikasi dengan Procedural Content Generation (PCG) sehingga lingkungan permainan berubah secara dinamis. Evaluasi dilakukan dengan membandingkan GOAP terhadap Scripted Bot, Chasing Ball, dan Random Movement. Tingkat variasi perilaku diukur menggunakan Normalisasi Entropi, sedangkan pengalaman bermain dianalisis menggunakan kuesioner skala Likert. Hasil pengujian menunjukkan bahwa GOAP memperoleh nilai normalisasi entropi rata-rata sebesar 0,38474, lebih tinggi dibandingkan Scripted Bot (0,36926), Random Movement (0,32174), dan Chasing Ball (0,30097). Distribusi aksi GOAP terdiri atas Align (44,12%), Emergency Block (44,12%), dan Smash Return (11,76%), sedangkan evaluasi pemain menghasilkan nilai rata-rata 3,246 pada skala Likert lima poin. Hasil penelitian menunjukkan bahwa integrasi GOAP dan Behaviour Tree mampu menghasilkan perilaku NPC yang lebih adaptif terhadap lingkungan dinamis dengan variasi aksi yang lebih tinggi dibandingkan metode pembanding tanpa menghilangkan batasan perilaku.