See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/267224084

Distribusi Gaussian Perilaku Tarung NPC Prajurit pada Game Peperangan

Menggunakan Metode Box-Muller

Article

CITATIONS READS

0 202

3 authors, including:

Mochamad Hariadi Supeno Mardi Nugroho

Institut Teknologi Sepuluh Nopember Institut Teknologi Sepuluh Nopember
235 PUBLICATIONS   862 CITATIONS    28 PUBLICATIONS   82 CITATIONS   

SEE PROFILE SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Intelligent Tutoring System View project

underwater computer vision View project

All content following this page was uploaded by Mochamad Hariadi on 10 June 2016.

The user has requested enhancement of the downloaded file.

 Seminar Nasional Pascasarjana X – ITS, Surabaya 4 Agustus 2010
ISBN No. 979-545-0270-1

Distribusi Gaussian Perilaku Tarung NPC Prajurit pada Game

Peperangan Menggunakan Metode Box-Muller

Nur Kholis Majid 1*, Moch. Hariadi 2**, Supeno Mardi 3**

Jurusan Teknik Elektro ITS, Surabaya,Indonesia1*

kholis@elect-eng.its.ac.id
2
Jurusan Teknik Elektro ITS, Surabaya,Indonesia
3
Jurusan Teknik Elektro ITS, Surabaya,Indonesia

Abstrak

Perilaku NPC prajurit merupakan hal yang penting dalam sebuah game perang. NPC yang
berperilaku tetap akan membuat dia mudah dikalahkan oleh lawan. Distribusi Gaussian
dengan metode Box-Muller akan digunakan untuk memberikan variasi perilaku gerakan
pada NPC. Sebuah game perang berbasis Game Engine 3D Game Studio telah dibuat
untuk mensimulasikan perilaku NPC prajurit. Dari hasil percobaan 10 jenis gerakan, dapat
disimpulkan bahwa distribusi gaussian yang ideal untuk pertarungan satu lawan satu adalah
µ=3.5 dan σ=1, untuk pertarungan satu lawan banyak adalah µ=7.8 dan σ=1, sedang untuk
banyak lawan banyak adalah µ=8.5 dan σ=1.
Katakunci: Distribusi gaussian, Box-Muller, Perilaku NPC, Game Perang, 3D Game Studio

1. Pendahuluan tepat, karena tentunya sangat berisiko jika

Penggunaan distribusi uniform pada pemilihan
gerakan yang sejenis sebenarnya tidaklah
bermasalah pada suatu game. Tetapi hal ini
sungguh sangat berbeda dengan kondisi nyata.
Dalam suatu pertarungan prajurit perang akan
terdapat gerakan-gerakan yang berbeda setiap
waktunya, baik itu gerakan tipuan ataupun
gerakan yang mematikan untuk dapat mengecoh
dan mengalahkan lawan.
Pemilihan gerakan bertarung prajurit akan
didekati secara random dengan distribusi
gaussian. Dimana telah diketahui, bahwa
distribusi gaussian merupakan distribusi data
yang paling sesuai untuk kejadian yang alamiah.
Distribusi ini akan memiliki probabilitas yang
tinggi untuk data yang umum (gerakan yang
sering dipakai) dan probabilitas yang rendah
untuk data yang jarang terjadi.
Nilai random tersebut selanjutnya akan
dimasukkan dalam proses pertarungan prajurit.
Dan kemudian akan dilakukan ujicoba untuk
mendapatkan parameter dari gerakan yang ideal
pada NPC.
langsung mengujikan suatu teori dalam dunia
nyata. Maka terpilihlah game sebagai salah satu
test-bed AI.
2.1 Non-Player Character (NPC)
NPC atau disebut juga agen adalah suatu entitas
dalam game yang tidak dikendalikan secara
langsung oleh pemain. NPC dikendalikan secara
otomatis oleh komputer tanpa intervensi pemain
NPC bisa berupa teman, musuh atau netral.
NPC diinginkan dapat berperilaku cerdas
layaknya manusia. Dia bisa mengindera
lingkungan, berpikir, memilih aksi lalu bertindak
sebagai respon atas perubahan pada
lingkungannya, seperti pada Gambar 1. Disinilah
AI berperan, NPC tersebut diberikan algoritma
khusus agar berlaku cerdas untuk mengimbangi
pemain.

2. Teori Penunjang
Game merupakan salah satu topik yang sering
diulas oleh para peneliti akhir-akhir ini.
Kepopuleran ini disebabkan karena game
mampu menyediakan lingkungan yang kompleks
untuk mensimulasikan sesuatu dari alam.
Artificial Intellegent(AI) merupakan salah satu
bidang ilmu yang paling banyak
diimplementasikan dalam game. Tidaklah
mengherankan karena kebanyakan algoritmanya
meniru fenomena alam. Sehingga membutuhkan
media untuk mensimulasikan kebenaran
algoritma tersebut. Game merupakan media yang
Gambar 1. Perilaku NPC
Pada sebuah game perang, prajurit pemain dan
prajurit musuh merupakan contoh dari NPC.
Perilaku seorang prajurit dalam medan sangat
bervariasi mulai dari mengikuti pimpinan,
menghindari halangan, berlari, berjalan, menjauhi
musuh, bertarung, membantu teman, dan
lainnya.
Pada penelitian ini kami memilih perilaku tarung
prajurit untuk diamati.

*) Penulis Utama
**) Dosen Pembimbing
 Seminar Nasional Pascasarjana X – ITS, Surabaya 4 Agustus 2010
2.2 Finite State Machine (FSM)
FSM merupakan salah satu metode yang paling
populer untuk memodelkan perilaku agen/NPC
dalam sebuah game. Bahkan seakan menjadi
standard karena telah digunakan secara luas
dalam berbagai game. Hal ini mengingat
kesederhanaan dan kemudahan FSM untuk
diimplementasikan.
FSM terdiri dari dua elemen utama yaitu keadaan
(state) dan transisi (transition). State merupakan
keadaan objek saat ini, sedangkan transisi
adalah hal yang dilakukan untuk dapat berpindah
dari satu state ke state yang lain (Gambar 2).
Gambar 2. Diagram FSM
State dilambangkan dengan lingkaran,
sedangkan transisi disimbolkan dengan anak
panah dengan arah tertentu. Pada Gambar 2,
angka 1-5 adalah state sedangkan huruf a-g
adalah transisi.
Kelebihan dari FSM adalah sederhana dan
mudah diimplementasikan. Sedangkan
kekurangannya adalah pada sistem yang besar,
FSM akan sulit diperlihara.
FSM diimplementasikan dalam bahasa
pemrograman dengan berbagai cara, yaitu: cara
tradisional (menggunakan switch-case), look-up
tabel (menggunakan matriks untuk menyimpan
state), dan dengan paradigma Object Oriented.
FSM berkembang menjadi beberapa variasi
dengan menggabungkan dengan metode lain,
antara lain: Fuzzy State Machine (FuSM),
Probabilistic FSM (PFSM), Hierarchical FSM
(HFSM), dan lainnya
2.3 Distribusi Gaussian
Distribusi gaussian merupakan salah satu
distribusi yang paling penting dalam bidang
statistika. Banyak gejala alam, maupun hasil
penelitian yang terwakili dengan baik oleh kurva
distribusi yang berbentuk lonceng ini. Oleh sebab
itu, distribusi gaussian disebut juga distribusi
normal. Nama gaussian diambil dari penemunya
yaitu Carl Friederich Gauss (1777-1855).
Gambar 2. Kurva Distribusi Normal
ISBN No. 979-545-0270-1
Secara matematis, distribusi normal dapat
direpresentasikan dengan persamaan
(2.1)
Dengan f(x) disebut juga fungsi kerapatan
(density function) dari x, µ adalah mean (rata-
rata) data, sedangkan σ adalah standard
deviation (simpangan baku).
Disebut dengan distribusi normal standard,
apabila nilai µ=0 dan σ=1. Sehingga persamaan
(2.1) menjadi
(2.2)
Distribusi gaussian sebenarnya berdasarkan
Teori Limit Pusat (Central Limit Theorem) yang
mengatakan bahwa jika sampel cukup besar,
distribusi mean akan mengikuti distribusi
gaussian bahkan meski populasinya bukanlah
gaussian.
2.3.1 Generator Angka Random Gaussian
Terdapat berbagai metode untuk mendapatkan
angka random yang terdistribusi gaussian. David
B. Thomas Dkk mengelompokkan menjadi 4
metode:
• Cumulative Density Function (CDF)
Inversion Method
• Transformation Method
• Rejection Method
• Recursive Method
Dari metode-metode yang terdapat dalam
kelompok tersebut, terdapat metode yang
menarik untuk dibahas yaitu:
1. Metode Transformasi Box-Muller
Ditemukan oleh George E. P. Box dan Mervin E.
Muller pada 1958. Metode ini membangkitkan
sepasang angka random dengan distribusi
normal standard yang berasal dari angka random
yang terdistribusi uniform. Hal ini bisa
diilustrasikan seperti pada Gambar 4. Lingkaran
awal pada domain pertama yang mempunyai
perbedaan jarak sama akan dipetakan pada
kumpulan lingkaran yang lain dengan
pertambahan jarak yang tidak linier. Lingkaran
terbesar pada domain pertama akan dipetakan
sebagai lingkaran terkecil pada domain kedua
dan sebaliknya.
Gambar 4. DiagramTransformasi Box-Muller
Jika U1 dan U2 adalah variabel random yang
independen dan terdistribusi uniform pada range
[0,1]. Sedangkan Z0 dan Z1 adalah variabel
random independen yang terdistribusi normal
standard. Maka dapat dinyatakan:

(2.3)
(2.4)
Variabel random R2 dan Θ dalam bentuk
koordinat polar juga saling independen. Jika
dimisalkan terdapat besaran lain u dan v yang
terdistribusi uniform pada range [-1, 1], dan s =
2 2 2
R = u + v dimana 0 < s < 1. Seperti pada
Gambar 5. Maka dapat disimpulkan bahwa U1 =
s dan U2 = θ/2π.
Gambar 5. Ilustrasi Koordinat Polar Box-Muller
Sehingga persamaan (2.3) dan (2.4) dapat ditulis
ulang sebagai:
(2.5)
(2.6)
Dari persamaan (2.5) dan (2.6), pseudocode dari
algoritma Box-Muller dapat dituliskan sebagai
berikut:
Kode 1. Pseudocode algoritma Box-Muller
1. Bangkitkan bilangan random uniform
dan v dalam range [-1,1]
2.
2
Hitung s = u + v
2 senjata jarak dekat seperti pedang, tombak dan
3. Looping sampai nilai s < 1
4. Dapatkan bilangan random normal z0 =
. dan z1 =v.
Algoritma Box-Muller sangat sederhana dan
mudah diimplementasikan meskipun termasuk
lambat dan hasil yang kurang baik untuk data
yang besar.
2.4 3D Game Studio
3D Game Studio merupakan salah satu engine
pembuat game 3D yang menfokuskan
kemudahan pembuatan kepada penggunanya.
3D Game Studio lebih senang menyebut dirinya
sebagai Authoring System daripada sekedar
game engine, karena memang 3D Game Studio
terdiri dari suite yang komplit untuk membuat
game.
3D Game Studio menyediakan beberapa
template game yang tinggal pakai seperti game
First Person Shooting (FPS) dan game racing.
Juga menyediakan berbagai koleksi texture,
model, terrain, sprite, artwork sebagai entitas
Seminar Nasional Pascasarjana X – ITS, Surabaya 4 Agustus 2010
ISBN No. 979-545-0270-1
yang tinggal pakai sehingga memungkinkan
membuat game tanpa coding sekalipun.
3D Game Studio terdiri dari 3 komponen utama,
yaitu:
1. World Editor (WED)
WED merupakan editor utama pada 3D Game
Studio. Dengan editor ini pengguna bisa
mendesain environment game, mengatur entitas,
menambahkan action, mengganti texture serta
mem-build level menggunakan algoritma Binary
Space Partition (BSP).
2. Model Editor (MED)
MED digunakan untuk mendesain model serta
level. Tersedia berbagai objek dasar seperti
kotak, bola, kerucut sampai objek yang kompleks
seperti manusia ataupun model sebuah kota.
Selain itu terdapat juga fasilitas untuk membuat
animasi (baik menggunakan bone atau tidak)
serta mengedit skin dan efek untuk shader.
3. Script Editor (SED)
SED adalah Integrated Development
Environment (IDE) untuk pemrograman pada 3D
Game Studio. Terdiri dari text editor, debugger
serta build-in help untuk membantu dalam proses
pemrograman.
3D Game Studio menggunakan Lite-C sebagai
bahasa pemrograman defaultnya. Tetapi dengan
menambah ekstensi tertentu pengguna dapat
menggunakan bahasa lain seperti C++, C# dan
Delphi.
3. Metode Penelitian
Dalam penelitian ini akan dibuat sebuah game
yang mensimulasikan peperangan antar banyak
u NPC. Peperangan yang digunakan adalah
peperangan klasik, dimana hanya menggunakan
keris.
Terdapat dua buah pasukan yang saling
u berhadapan dimana masing-masing pasukan
dipimpin oleh seorang perwira perang. Pemain
akan diposisikan sebagai pemimpin yang dapat
mengatur pasukannya untuk menghadapi
pasukan musuh.
Gambar 6. Alur Penelitian
 Seminar Nasional Pascasarjana X – ITS, Surabaya 4 Agustus 2010
Selanjutnya akan digunakan distribusi gaussian
pada pemilihan gerakan tarung NPC dalam game
tersebut sesuai dengan Gambar 6.
Game peperangan yang dibuat merupakan
pengembangan dari prototipe game Glorious
Combat yang dibuat oleh David Lancaster dari
Rebel Planet Creation (www.therebelplanet.com).
3.1 Desain FSM NPC
NPC prajurit terdiri dari dua macam yaitu NPC
teman dan NPC musuh. Kedua jenis NPC
tersebut menggunakan state yang hampir sama
selama permainan. Seperti pada Gambar 7,
yaitu:
• Pertama kali NPC akan berada dalam
formasi dan mengikuti gerakan
pemimpinnya.
• Jika musuh berada dalam jarak tertentu
(terdeteksi) maka NPC akan menyerang
musuh.
• Jika musuh masih terdeteksi NPC akan
tetap berada dalam state menyerang. Tetapi
jika musuh menjauh, NPC akan kembali
mengikuti pemimpin.
• Jika terkena senjata, NPC akan berada
dalam state sakit untuk beberapa saat.
• Jika kekuatan masih ada dan musuh masih
terdeteksi, NPC akan menyerang musuh.
• Jika kekuatannya habis, NPC akan mati.
• Jika musuh berhasil dikalahkan, NPC
kembali mengikuti formasi.
Gambar 7. FSM NPC
NPC Leader musuh juga memiliki hampir sama
tetapi dialah yang diikuti oleh NPC prajurit musuh
lainnya. Sedangkan Pemain diposisikan sebagai
Leader NPC teman, sehingga bisa mengatur
formasi NPC teman yang lain.
Alur penelitian pada Gambar 6. akan dimasukkan
pada NPC saat berada dalam state attack.
Sehingga diharapkan gerakan yang terpilih dapat
terdistribusi dengan normal.
Pada NPC tersebut juga terdapat properti lain
yang diperlukan saat pertarungan. Yaitu health
(nilai kesehatan NPC) dan damage (besar daya
rusak NPC jika mengenai NPC lawan). Secara
default besar keduanya adalah: health = 40 dan
damage = health * 0.1.
3.2 Desain Gerakan Tarung NPC
Akan digunakan 10 jenis gerakan untuk
mensimulasikan pertarungan NPC pada game
ISBN No. 979-545-0270-1
ini. Gerakan-gerakan tersebut adalah: bother_a
(a), bother_b (b), attack_a (c), attack_b (d),
attack_c (e), attack_d (f), super_a (g), super_b
(h), super_c (i), super_d (j). (Gambar 8.)
(a) (b)
(c) (d)
(e) (f)
(g) (h)
(i) (j)
Gambar 8. Jenis gerakan yang digunakan
Selanjutnya Gerakan-gerakan diatas akan
dikelompokkan menjadi 3 golongan, yaitu :
1. Gerakan gangguan
Merupakan jenis gerakan yang tidak
membahayakan lawan yang tujuannya hanya
menggangu konsentrasi lawan dalam teknik
pertarungan. Yang termasuk kelompok ini
adalah: bother_a dan bother_b.
2. Gerakan mengenai/melukai lawan
Merupakan gerakan yang mengenai lawan
dan mengakibatkan kekuatan lawan
berkurang. Yang termasuk dalam kelompok
ini adalah: attack_a, attack_b, attack_c dan
attack_d.
3. Gerakan mematikan lawan
Merupakan gerakan pamungkas yang dapat
langsung mematikan lawan. Gerakan ini
jarang digunakan pada pertarungan satu
lawan satu tetapi akan sering digunakan
apabila lawan berjumlah lebih dari satu.
Termasuk dalam kelompok ini adalah:
super_a, super_b, super_c dan super_d.
Selengkapnya dapat dilihat pada Tabel 1. Dalam
pertarungan tunggal (satu lawan satu). Nilai
damage pada gerakan gangguan adalah 0, pada
gerakan melukai adalah 0.1 * health, sedangkan
pada gerakan mematikan nilai damage = 20.
Tabel 1: Jenis Gerakan Tarung
No Jenis Nama Keterangan
1 Gerakan bother_a Gerakan menggangu
2 ganggua bother_b Gerakan menggangu kedua
3 attack_a Menyerang dari arah
Gerakan belakang ke depan
melukai
4 lawan attack_b Menyerang dari arah kiri ke
kanan
 Seminar Nasional Pascasarjana X – ITS, Surabaya 4 Agustus 2010
ISBN No. 979-545-0270-1

5 attack_c Menyerang dari arah kanan 4.1 Satu lawan satu (1-1)
ke kiri Dari 10 kali percobaan didapatkan data seperti
6 attack_d Menyerang dari arah pada Tabel 3.
bawah ke atas
7 Gerakan super_a Melompat tinggi ke arah Tabel 3. Hasil Percobaan 1-1
8 mematika super_b Gerakan Salto Σwin Σlose
9 n lawan super_c Jab µ=1 0 10
10 super_d Melompat ke arah lawan µ=2 1 9
µ=3 3 7
µ=4 7 3
3.3 Desain Generator Random Gaussian µ=5 9 1
Pada penelitian ini akan digunakan metode Box- µ=6 10 0
Muller dikarenakan kemudahan implementasinya. µ=7 10 0
Berdasarkan pseudocode pada Kode. 1 dapat µ=8 10 0
dibuat blok fungsinya dalam bahasa C seperti
µ=9 10 0
pada Kode. 2.
µ=10 10 0
Kode 2 . Kode sumber algoritma Box-Muller
01 float BoxMuller(float mean, float sd) Dari tabel tersebut dapat diplot seperti pada
02 { Gambar 9. Dari Gambar 9, dapat dilihat bahwa
03 float u, v, s, z0; // polar coord.
04 static float z1; mean(µ) yang ideal adalah sekitar 3.5. (pada titik
05 static int use_last = 0; A)
06
07 if (use_last) {
08 z0 = z1;
09 use_last = 0;
10 } else {
11 do {
12 u = 2.0 * random(1.0) - 1.0;
13 v = 2.0 * random(1.0) - 1.0;
14 s = u * u + v * v;
15 } while ( s >= 1.0 );
16 s = sqrt( (-2.0 * log(s)) / s );
17 z0 = u * s;
18 z1 = v * s;
19 use_last = 1;
20 } Gambar 9: Hasil Plot Percobaan 1-1
21 return( mean + z0 * sd );
22 }
4.1 Satu lawan banyak (1-n)
Pada percobaan ini akan digunakan
Selanjutnya Kode 2 akan dimasukkan dalam
perbandingan 1:3, dimana satu NPC teman akan
game untuk membangkitkan angka random yang
berhadapan dengan 3 NPC musuh. Hasil dari 10
terdistribusi gaussian pada pemilihan gerakan
kali percobaan dapat dilihat pada Tabel 4.
tarung NPC.
Tabel 4. Hasil Percobaan 1-n
4. Pembahasan Hasil Σwin Σlose
Dalam penelitian ini akan diuji cobakan tiga buah
µ=1 0 10
skenario pertarungan. Pertama adalah
pertarungan tunggal NPC, satu lawan satu (1-1). µ=2 0 10
Kedua adalah pertarungan satu NPC melawan µ=3 0 10
banyak NPC (1-n). Sedangkan yang ketiga µ=4 0 10
adalah pertarungan banyak NPC melawan µ=5 0 10
banyak NPC (n-n). µ=6 1 9
µ=7 2 8
Tabel 2. Properti NPC µ=8 6 4
NPC Teman NPC Musuh
µ=9 7 3
health = 40 health = 40
damage1 = 0 damage = 0.1 * health µ=10 7 3
damage2 = 0.1 * health
damage3 = 20 Plot data dari Tabel 4 dapat dilihat pada Gambar
10. Dari Gambar tersebut, dapat dilihat bahwa
Tabel 2 menunjukkan properti NPC yang akan yang mean(µ) ideal adalah sekitar 7.8. (titik A)
digunakan selama percobaan.
Dari masing-masing percobaan tersebut akan
dihitung jumlah gerakan tarung yang digunakan
NPC, berapa waktu yang dibutuhkan untuk
bertarung serta siapa yang akan memenangi
pertarungan. Selanjutnya akan di plot jumlah
kemenangan dan kekalahan tersebut untuk
mendapatkan mean(µ) dan standard deviasi (σ)
yang ideal.
 Seminar Nasional Pascasarjana X – ITS, Surabaya 4 Agustus 2010
ISBN No. 979-545-0270-1

lawan banyak, distribusi gerakan yang ideal

menggunakan mean (µ) = 8.5 dan standard
deviasi (σ) = 1.

6. Pustaka
Kyungeun Cho, Wei Song, Kyhyun Um,
“Gaussian Distribution for NPC Character in
Real-Life Simulation”, International
Conference on Intellegent Pervasive
Computing. 2007.
David B. Thomas, Wayne Luk, Philip H. W.
Gambar 10: Hasil Plot Percobaan 1-n Leong, John D. Villasenor. “Gaussian
random number generators”. ACM Vol. 9
4.1 Banyak lawan banyak (n-n) Page. 11. 2007.
Pada percobaan ini akan digunakan kondisi Bong-Keun Lee, Choong-Shik Park, Jae-Hong
seperti pada percobaan satu lawan banyak (1-n). Kim, Sang-Jo Youk, Keun Ho Ryu. “An
Perbandingan yang dipakai juga sebesar 1:3 Intelligent NPC Framework For Context
yaitu 5 buah NPC teman akan menghadapi 15 Awarness in MMORPG”. International
buah NPC lawan. Dari percobaan dihasilkan data Conference on Convergence and Hybrid
sebagai berikut. (Tabel 5.) Information Technology. 2008.
Ian Millington. “Artificial Intellegence for Games”.
Tabel 5. Hasil Percobaan n-n Morgan Kaufmann Publisher Inc. 2006.
Σwin Σlose Adi Botea, Ralf Herbrich, Thore Graepel. ”Video
µ=1 0 10 Games and Artificial Intellegence”. Microsoft
Reasearch Cambridge. 2008.
µ=2 0 10
3D Game Studio Team, “3D Game Studio Online
µ=3 0 10
Manual”. http://manual.conitec.net/
µ=4 0 10
µ=5 0 10
µ=6 0 10
µ=7 1 9
µ=8 2 8
µ=9 7 3
µ=10 8 2

Plot data dari Tabel 5 dapat dilihat pada Gambar

11. Dari Gambar 11, dapat dilihat bahwa mean(µ)
yang ideal untuk pertarungan banyak lawan
banyak adalah sekitar 8.5. (titik A)

Gambar 11: Hasil Plot Percobaan n-n

5. Kesimpulan
Dari hasil percobaan dapat disimpulkan bahwa
penggunaan distribusi gaussian pada pemilihan
gerakan tarung NPC dapat membuat waktu
tarung menjadi lebih lama dan musuh tidak
mudah untuk dikalahkan.
Pada kondisi tarung satu lawan satu distribusi
yang ideal adalah dengan mean (µ) = 3.5 dan
standard deviasi (σ) = 1. Untuk kondisi satu
lawan banyak, distribusi gerakan yang ideal
menggunakan mean (µ) = 7.8 dan standard
deviasi (σ) = 1. Sedangkan untuk kondisi banyak

View publication stats