Perpustakaan Digital ITB

Pengembangan lingkungan 3D dalam industri gim memerlukan investasi signifikan, dengan judul besar membutuhkan anggaran 50-85 juta USD dan waktu 5-9 tahun. Procedural Content Generation (PCG) menawarkan solusi otomatisasi, namun implementasi tradisional masih memerlukan keterampilan teknis tinggi. Tugas akhir ini mengembangkan plugin PCG terintegrasi Large Language Models (LLM) di Unreal Engine untuk menyederhanakan pembuatan lingkungan 3D melalui perintah bahasa natural, dengan tantangan utama berupa inkonsistensi output LLM yang memerlukan optimasi khusus menggunakan teknik few-shot prompting, prompt engineering, Retrieval Augmented Generation (RAG), dan structured output dengan format JSON. Sistem menggunakan arsitektur dua lapis yaitu LLM Processing Layer untuk menangani input pengguna dan Content Generation Layer untuk membangkitkan aset visual. Backend Python berfungsi sebagai penghubung antara plugin PCG dan LLM, dengan data RAG dari berbagai sumber untuk memperkaya konteks pembangkitan konten. Evaluasi dengan 22 responden menunjukkan sistem RAG dipilih sebagai hasil terbaik oleh 74,2% responden, dengan sistem mencapai nilai rata-rata 4,82 untuk kualitas visual, 4,98 untuk efisiensi waktu, dan 4,76 untuk kesesuaian dengan prompt pada skala 1-5. Structured output mencapai tingkat keberhasilan 100% untuk semua kategori konten, sementara system prompt meningkatkan akurasi validasi input hingga 97%. Plugin mencapai kemudahan penggunaan dengan nilai sempurna 5,0 dan kepuasan pengguna 4,76. Sistem memungkinkan desainer menggunakan bahasa natural untuk menghasilkan konten terrain, vegetasi, objek, dan jalur dengan konsistensi tinggi, membuktikan integrasi PCG dan LLM sebagai solusi efektif untuk meningkatkan efisiensi desain lingkungan 3D.