Perpustakaan Digital ITB

Permainan Scrabble merupakan permainan strategi berbasis kata yang menuntut kemampuan pengambilan keputusan optimal dalam menyusun kata dari kombinasi huruf yang tersedia pada papan permainan. Tantangan utama dalam permainan ini adalah menentukan langkah terbaik dari berbagai kemungkinan yang tersedia, terutama dalam versi Bahasa Indonesia yang memiliki struktur berbeda dan distribusi frekuensi kata yang berbeda dengan Bahasa Inggris. Penelitian ini bertujuan untuk mengembangkan model Reinforcement Learning (RL) yang mampu mengoptimalkan strategi permainan Scrabble dalam Bahasa Indonesia melalui pendekatan self-play. Metodologi penelitian menggunakan pendekatan CRISP-DM yang terdiri dari tahapan: Business Understanding, Data Understanding, Data Preparation, Modelling, Evaluation, dan Deployment. Dataset kata diperoleh dari Kamus Besar Bahasa Indonesia Edisi Keenam, kemudian simulasi permainan dilakukan melalui lingkungan Scrabble khusus yang dirancang untuk mendukung pelatihan agen RL. Model dilatih menggunakan empat algoritma RL, yaitu Q-Learning, Deep Q-Network (DQN), Proximal Policy Optimization (PPO), dan Advantage Actor-Critic (A2C). Hasil evaluasi menunjukkan bahwa algoritma Q-Learning menghasilkan kinerja terbaik dalam meningkatkan skor rata-rata per langkah dan efektivitas penggunaan huruf.