ALGORITMA- ALGORITMA UNTUK MEMBUAT GAME

EDUKASI

Ditulis untuk memenuhi salah satu tugas matakuliah

Game Edukasi [202310760117]

Oleh Kelompok :
Prioga Desparo (21076108)
Reyhan Surya (21076110)
Halimah Tun Sahdia (21076132)

Dosen Penangung Jawab:

Dr. Asrul Huda, S.Kom.,M.Kom.

PENDIDIKAN TEKNIK INFORMATIKA

DEPARTEMEN TEKNIK ELEKTRONIKA
FAKULTAS TEKNIK
UNIVERSITAS NEGERI PADANG

2023
 KATA PENGANTAR
Pertama-tama marilah menyebut nama Allah SWT Yang Maha Pengasih dan lagi Maha
Penyayang. Tak lupa juga Kami panjatkan puji syukur atas limpahan rahmat dan hidayah-
Nya, sehingga makalah ini bisa selesai. Kami berharap, agar makalah ini nantinya dapat
berguna bagi masyarakat maupun pembaca.

Makalah ini kami susun dengan lengkap dan detail, sehingga orang bisa mengetahui apa saja
algoritma-algoritma untuk membuat game edukasi.

Kami juga menyadari bahwa kami masih memiliki banyak kekurangan dalam penyusunan
makalah ini. Kami memohon maaf apabila terdapat kesalahan dalam penyusunan kata,
sehingga kami membuka dan menerima kritik dan saran bagi seluruh pembaca.

Akhir kata Kami sampaikan, semoga makalah ini bisa bermanfaat dan memberi inspirasi bagi
seluruh orang yang membaca. Sekian.

Padang, 26 September 2023

Penulis
 DAFTAR ISI

KATA PENGANTAR.......................................................................................................i
DAFTAR ISI ii
DAFTAR LAMPIRAN.....................................................................................................iii
BAB I PENDAHULUAN.................................................................................................1
A. Latar Belakang 1
B. Ruang Lingkup 1
C. Tujuan Penulisan 2
BAB II PEMBAHASAN.................................................................................................3
A. Algoritma Kecerdasan Buatan 3
B. Beberapa Teknik Algoritma Pencarian Pada AI 3
C. Algoritma Interaksi Pemain 3
BAB III PENUTUP........................................................................................................12
A. Kesimpulan 12
B. Saran 12
DAFTAR PUSTAKA.......................................................................................................13
LAMPIRAN 14
 BAB I
PENDAHULUAN

A. Latar Belakang
Dalam era digital yang semakin berkembang, peran teknologi informasi dan komunikasi
(TIK) telah memengaruhi hampir setiap aspek kehidupan kita, termasuk pendidikan. Dengan
adanya akses yang semakin mudah ke perangkat elektronik dan internet, anak-anak dan
remaja kini memiliki kesempatan besar untuk belajar secara interaktif melalui berbagai jenis
perangkat lunak dan aplikasi. Salah satu jenis aplikasi yang sangat menarik perhatian dalam
beberapa tahun terakhir adalah game edukasi.

Game edukasi merupakan perangkat lunak yang dirancang khusus untuk mengintegrasikan
unsur-unsur permainan dengan tujuan pembelajaran. Dengan memanfaatkan kecenderungan
alami manusia untuk belajar melalui pengalaman, game edukasi menciptakan lingkungan
yang mendidik dan menghibur secara bersamaan. Hal ini telah memicu minat besar dalam
penelitian tentang efektivitas game edukasi sebagai alat pembelajaran.

Di samping itu, game edukasi juga telah menarik perhatian sebagai sarana untuk mengatasi
tantangan pendidikan global. Keterlibatan dan motivasi yang tinggi yang diberikan oleh game
dapat membantu siswa mengatasi hambatan dalam pembelajaran, seperti ketidakminatan,
kesulitan pemahaman konsep, atau ketidakpatuhan terhadap kurikulum tradisional.

Namun, seperti halnya dengan perkembangan teknologi lainnya, game edukasi juga memiliki
tantangan dan permasalahan tertentu yang perlu diatasi. Oleh karena itu, dalam makalah ini,
kami akan menjelaskan lebih lanjut tentang perkembangan game edukasi, manfaatnya,
tantangan yang dihadapinya, serta upaya-upaya untuk meningkatkan efektivitasnya dalam
mendukung pembelajaran anak-anak dan remaja di era digital ini
B. Ruang Lingkup

Penelitian ini akan membatasi ruang lingkupnya pada analisis dan eksplorasi
penggunaan algoritma pencarian dan penjelajahan dalam game edukasi. Kami akan
mengkaji konsep dasar, aplikasi praktis, serta contoh-contoh game edukasi yang sukses
dalam mengaplikasikan algoritma ini. Kami akan mempertimbangkan aplikasi-algoritma-
algoritma ini dalam lingkup pembuatan game dan dampaknya terhadap pembelajaran
 siswa. Kami juga akan mencakup contoh konkret dari game edukasi yang telah
memanfaatkan algoritma pencarian dan penjelajahan dalam pengembangan mereka.

C. Tujuan Penulisan
Tujuan penulisan panduan format penulisan makalah ini adalah:
1. Menganalisis peran dan potensi algoritma pencarian dan penjelajahan dalam
pengembangan game edukasi.
2. Menjelaskan konsep dasar algoritma pencarian dan penjelajahan serta bagaimana
mereka dapat diintegrasikan ke dalam desain game edukasi.
3. Memberikan panduan praktis bagi pengembang game edukasi dalam
mengintegrasikan algoritma pencarian dan penjelajahan dalam desain mereka.

BAB 2

PEMBAHASAN

A. ALGORITMA KECERDASAN BUATAN (Artificial Intelligence, AI)

Algoritma Pencarian pada AI: Pengertian dan Jenis-jenisnya

Algoritma ini mencari solusi dengan mengeksplorasi semua kemungkinan solusi pada suatu ruang
pencarian (search space).Dalam AI, algoritma pencarian sering digunakan untuk menyelesaikan
masalah yang kompleks dan memiliki banyak opsi. Conthonya, algoritma pencarian dapat digunakan
untuk menemukan rute tercepat antara dua titik pada peta, memilih strategi terbaik dalam
permainan catur, atau mencari keputusan terbaik dalam pengambilan keputusan bisnis.

Faktor-faktor Penting dalam Algoritma Pencarian pada AI

Setelah memahami konsep dasar algoritma pencarian pada AI, selanjutnya terdapat beberapa faktor
penting yang perlu diperhatikan untuk meningkatkan kualitas solusi yang dihasilkan.

Selain itu, pemilihan dan pengoptimasian algoritma pencarian pada AI sangat penting untuk
mencapai solusi yang akurat dan efisien.

Berikut ini adalah beberapa faktor yang perlu diperhatikan dalam algoritma pencarian pada AI:

1. Heuristik

Heuristik adalah metode yang digunakan untuk mengembangkan solusi yang baik dengan
menggunakan pengetahuan dan pengalaman.

Dalam algoritma pencarian pada AI, heuristik dapat digunakan untuk mempercepat pencarian solusi
yang baik.
Contohnya, pada algoritma pencarian A* (A star), heuristik digunakan untuk memilih jalur yang
paling efisien menuju tujuan.

2. Penanganan konflik

Dalam beberapa masalah, terdapat kemungkinan konflik antara kendala atau batasan yang ada.
Dalam algoritma pencarian pada AI, penanganan konflik dapat dilakukan dengan menggunakan
teknik seperti penalti atau strategi yang lebih fleksibel.

Penalti digunakan untuk memberikan hukuman pada solusi yang melanggar kendala, sedangkan
strategi yang lebih fleksibel digunakan untuk mengubah kendala agar solusi yang memenuhi kendala
dapat ditemukan.

3. Penanganan ketidakpastian

Beberapa masalah pada AI memiliki tingkat ketidakpastian yang tinggi, sehingga solusi yang
dihasilkan dapat memiliki tingkat keakuratan yang rendah.

dalam algoritma pencarian pada AI, penanganan ketidakpastian dapat dilakukan dengan
menggunakan teknik seperti probabilistik atau fuzzy logic.

Teknik probabilistik digunakan untuk memperkirakan kemungkinan kejadian berdasarkan data yang
ada, sedangkan teknik fuzzy logic digunakan untuk mengatasi masalah dengan menggunakan
kategori yang lebih fleksibel.

4. Optimasi parameter

Dalam algoritma pencarian pada AI, terdapat beberapa parameter yang perlu dioptimalkan untuk
mencapai solusi yang lebih baik.

Parameter-parameter tersebut dapat diatur secara manual atau menggunakan teknik optimasi
seperti simulated annealing atau gradient descent.

Teknik simulated annealing digunakan untuk mengoptimalkan parameter dengan cara

mensimulasikan proses pembekuan dan pemanasan, sedangkan teknik gradient descent digunakan
untuk mengoptimalkan parameter dengan cara menghitung gradien dari fungsi objektif.

Jenis-jenis Algoritma Pencarian pada AI

Berikut adalah beberapa jenis algoritma pencarian yang umum digunakan dalam AI:

1. Breadth-First Search

Breadth-First Search (BFS) adalah algoritma pencarian yang melakukan pencarian secara melebar
pada suatu ruang pencarian (search space).

Algoritma ini mencari solusi dengan mengunjungi semua simpul (node) pada tingkat yang sama
sebelum beralih ke tingkat berikutnya.

BFS sering digunakan pada masalah pengambilan keputusan yang kompleks dan memiliki banyak
opsi.

Baca: Penjelasan lengkap algoritma BFS

2. Depth-First Search
Depth-First Search (DFS) adalah algoritma pencarian yang melakukan pencarian secara mendalam
pada suatu ruang pencarian.

Algoritma ini mencari solusi dengan mengunjungi semua simpul pada satu cabang (branch) sebelum
beralih ke cabang berikutnya.

DFS sering digunakan pada masalah yang memiliki banyak solusi yang mungkin.

Baca: Penjelasan lengkap algoritma DFS

3. A* Search

A* Search adalah algoritma pencarian yang menggabungkan heuristik dan pencarian melebar (BFS)
atau pencarian mendalam (DFS) untuk mencari solusi.

Algoritma ini mencari solusi dengan mengevaluasi nilai f(n) = g(n) + h(n), di mana g(n) adalah biaya
dari simpul awal ke simpul n, dan h(n) adalah perkiraan biaya dari simpul n ke simpul tujuan.

A* Search sering digunakan pada masalah optimasi yang kompleks.

Baca: Penjelasan lengkap algoritma A* (A-star)

4. Hill Climbing

Hill Climbing adalah algoritma pencarian yang mencari solusi dengan membandingkan solusi saat ini
dengan solusi sekitarnya (neighbor) dan memilih solusi yang paling baik.

Algoritma ini cocok untuk digunakan pada masalah optimasi yang sederhana dan memiliki sedikit
opsi.

Baca: Penjelasan lengkap algoritma Hill Climbing

5. Genetic Algorithm

Genetic Algorithm atau Algoritma Genetika adalah algoritma pencarian yang meniru proses evolusi
dalam alam untuk mencari solusi terbaik.

Algoritma ini menciptakan populasi solusi acak dan menggunakan proses seleksi, reproduksi, dan
mutasi untuk menciptakan generasi baru solusi yang lebih baik.

Genetic Algorithm cocok untuk digunakan pada masalah optimasi yang kompleks dan memiliki
banyak opsi.

Baca: Penjelasan lengkap algoritma Genetika

6. Simulated Annealing

Simulated Annealing adalah algoritma pencarian yang mencari solusi dengan menggunakan konsep
pendinginan logam (annealing) dalam proses pencarian

Algoritma ini mencari solusi dengan mempertimbangkan solusi yang buruk sebelum mencapai solusi
yang lebih baik.

7. Beam Search

Beam Search adalah algoritma pencarian yang mencari solusi dengan mempertimbangkan sejumlah
solusi terbaik pada suatu waktu.
Algoritma ini mencari solusi dengan mengurangi jumlah solusi yang mungkin untuk mempercepat
proses pencarian.

Beam Search cocok untuk digunakan pada masalah pengambilan keputusan yang kompleks dan
memiliki banyak opsi.

B. BEBERAPA TEKNIK ALGORITMA PENCARIAN PADA AI

Terdapat beberapa konsep dan teknik lain yang dapat digunakan dalam algoritma pencarian pada AI.
Berikut adalah beberapa di antaranya:

Constraint Satisfaction Problem (CSP)

CSP adalah teknik dalam algoritma pencarian yang digunakan untuk mencari solusi dalam masalah
yang memiliki sejumlah batasan atau kendala.

Dalam CSP, masalah dinyatakan dalam bentuk himpunan variabel, domain nilai yang mungkin, dan
himpunan kendala.

Algoritma pencarian dengan menggunakan teknik CSP akan mencari solusi yang memenuhi semua
kendala yang ada.

Local Search

1. Local Search adalah teknik dalam algoritma pencarian yang fokus pada pencarian solusi
dalam wilayah tertentu dari ruang pencarian yang lebih besar.

Algoritma ini mencari solusi dengan mengubah solusi yang ada secara bertahap, dengan harapan
mencapai solusi yang lebih baik. Teknik Local Search cocok untuk digunakan pada masalah optimasi
yang kompleks dan memiliki banyak opsi.

2. Constraint Propagation

Constraint Propagation adalah teknik dalam algoritma pencarian yang digunakan untuk
mempercepat proses pencarian dengan menyebar informasi tentang kendala dari satu variabel ke
variabel lain.

Teknik ini digunakan untuk mengurangi jumlah solusi yang mungkin, sehingga proses pencarian
dapat dilakukan dengan lebih efisien.

3. Backtracking

Backtracking adalah teknik dalam algoritma pencarian yang digunakan untuk mencari solusi dengan
melakukan percobaan dan kesalahan secara sistematis.

Algoritma ini mencoba setiap kemungkinan solusi, dan jika solusi tersebut tidak memenuhi semua
kendala yang ada, algoritma akan kembali ke tahap sebelumnya dan mencoba solusi yang berbeda.
 4. Branch and Bound

Branch and Bound adalah teknik dalam algoritma pencarian yang digunakan untuk mencari solusi
dengan membagi masalah menjadi beberapa submasalah yang lebih kecil.

Algoritma ini mencari solusi pada setiap submasalah, dan memilih submasalah dengan solusi terbaik
untuk dieksplorasi lebih lanjut.

Teknik Branch and Bound cocok untuk digunakan pada masalah optimasi yang kompleks dan
memiliki banyak opsi.

Kesimpulan

Algoritma pencarian pada AI adalah teknik penting dalam pengembangan sistem kecerdasan buatan.

Berbagai jenis algoritma pencarian dapat digunakan, mulai dari Breadth-First Search hingga Branch
and Bound, dengan masing-masing memiliki kelebihan dan kelemahan.

Penting untuk memilih jenis algoritma pencarian yang tepat untuk masalah yang akan diselesaikan,
serta mengoptimalkan teknik dan konsep lainnya seperti CSP, Local Search, Constraint Propagation,
Backtracking, dan Branch and Bound untuk meningkatkan efisiensi dan keakuratan proses pencarian.

C. ALGORITMA INTERAKSI PEMAIN

Algoritma interaksi pemain adalah algoritma yang digunakan dalam berbagai jenis
permainan, baik permainan video, permainan papan, atau permainan lainnya, untuk mengatur
bagaimana pemain berinteraksi dengan lingkungan permainan, karakter lain, aturan, dan
elemen-elemen permainan lainnya. Tujuan dari algoritma ini adalah untuk menciptakan
pengalaman permainan yang menyenangkan, menantang, dan mendalam. Berikut beberapa
contoh algoritma interaksi pemain dalam berbagai jenis permainan:
1. Algoritma Kecerdasan Buatan Pada Karakter Non-Pemain (NPC): Dalam permainan
video, karakter NPC sering dikendalikan oleh algoritma kecerdasan buatan. Algoritma
ini dapat digunakan untuk membuat karakter NPC mengikuti pemain, menyerang
pemain, atau berinteraksi dengan pemain sesuai dengan skenario permainan.
2. Sistem Perguruan Tinggi (Pathfinding System): Algoritma ini digunakan untuk
menghitung jalur terpendek antara dua titik dalam peta permainan. Ini sangat berguna
dalam permainan petualangan dan strategi di mana pemain perlu berpindah dari satu
tempat ke tempat lain.
3. Sistem Deteksi Tabrakan (Collision Detection): Algoritma ini digunakan untuk
mendeteksi apakah dua objek dalam permainan saling bersentuhan atau berinteraksi.
Ini penting dalam permainan yang melibatkan fisika atau pertarungan.
4. Algoritma Kamera: Algoritma ini mengendalikan kamera dalam permainan untuk
memastikan pemain dapat melihat lingkungan permainan dengan baik. Ini termasuk
mengikuti pemain, mengatur sudut pandang, dan menyesuaikan zoom kamera.
5. Sistem Kecerdasan Buatan Pemain (AI Opponent): Dalam permainan kompetitif,
pemain dapat berinteraksi dengan karakter yang dikendalikan oleh kecerdasan buatan.
Algoritma ini digunakan untuk membuat karakter AI bermain secara cerdas dan
menantang.
6. Sistem Dialog: Dalam permainan peran (RPG) dan permainan petualangan, algoritma
ini digunakan untuk mengelola dialog antara karakter dalam permainan. Ini
 memungkinkan pemain untuk memilih respons dan memengaruhi perkembangan
cerita.
7. Sistem Penyusunan Skrip (Scripting System): Algoritma ini memungkinkan desainer
permainan untuk membuat skenario dan peristiwa dalam permainan. Ini mencakup
pengaturan alur cerita, penempatan objek, dan peristiwa berdasarkan tindakan pemain.
8. Algoritma Klasifikasi Pemain (Player Profiling): Dalam permainan berbasis
kecerdasan buatan, algoritma ini dapat digunakan untuk mengenali gaya bermain
pemain dan menyesuaikan tingkat kesulitan atau tantangan dalam permainan sesuai
dengan kemampuan pemain.
9. Sistem Poin dan Pencapaian (Scoring and Achievement System): Algoritma ini
mengelola pemberian poin, pencapaian, dan penghargaan kepada pemain berdasarkan
pencapaian mereka dalam permainan.
10. Sistem Manajemen Tugas (Task Management System): Algoritma ini digunakan
untuk mengatur dan mengelola tugas atau misi dalam permainan yang harus
diselesaikan oleh pemain.

Algoritma simulasi adalah algoritma yang digunakan untuk mereplikasi perilaku sistem dunia
nyata atau proses tertentu dalam lingkungan yang terkendali dan komputasional. Simulasi
adalah metode penting dalam berbagai bidang, termasuk ilmu pengetahuan, teknik, bisnis,
dan lainnya, untuk memahami, menganalisis, dan memprediksi perilaku sistem. Berikut
adalah beberapa jenis algoritma simulasi dan contohnya:
1. Simulasi Monte Carlo: Algoritma simulasi Monte Carlo digunakan untuk
menghasilkan hasil acak berdasarkan distribusi probabilitas tertentu. Ini sering
digunakan untuk memodelkan peristiwa acak, seperti simulasi pergerakan saham,
peramalan cuaca, atau penilaian risiko finansial.
2. Simulasi Berbasis Agent (Agent-Based Simulation): Dalam simulasi berbasis agen,
entitas yang disebut "agen" digunakan untuk merepresentasikan entitas individu
dalam sistem. Algoritma ini digunakan untuk memodelkan perilaku entitas individu
dan interaksi antar mereka, seperti simulasi lalu lintas jalan raya atau simulasi pasar
ekonomi.
3. Simulasi Dinamika Sistem (System Dynamics Simulation): Simulasi dinamika sistem
adalah pendekatan yang digunakan untuk memodelkan hubungan antara berbagai
komponen dalam sistem dan bagaimana komponen-komponen tersebut berubah
seiring waktu. Contoh penggunaannya adalah dalam memodelkan dinamika populasi,
ekosistem, atau siklus bisnis ekonomi.
4. Simulasi Discrete Event (Discrete Event Simulation): Algoritma simulasi ini
digunakan untuk memodelkan sistem di mana peristiwa-peristiwa penting terjadi pada
waktu-waktu tertentu. Ini sering digunakan dalam simulasi jaringan komputer, sistem
antrean, atau manufaktur.
5. Simulasi Fisika (Physics Simulation): Dalam simulasi fisika, algoritma digunakan
untuk mereplikasi perilaku benda fisik dalam dunia nyata. Ini digunakan dalam
permainan video, simulasi kedirgantaraan, dan desain produk.
 6. Simulasi Medis: Algoritma simulasi medis digunakan dalam pengembangan
perangkat medis dan pemahaman penyakit. Contoh termasuk simulasi peredaran
darah, simulasi organ tubuh, dan simulasi efek obat-obatan.
7. Simulasi Perilaku Sosial (Social Behavior Simulation): Algoritma ini digunakan untuk
memodelkan perilaku manusia dan interaksi sosial. Ini dapat digunakan untuk
memahami pola perilaku dalam populasi, seperti simulasi penyebaran penyakit
menular atau simulasi perubahan sosial.
8. Simulasi Manajemen Proyek (Project Management Simulation): Simulasi digunakan
dalam manajemen proyek untuk memodelkan jalannya proyek, alokasi sumber daya,
dan jadwal proyek. Ini membantu manajer proyek dalam pengambilan keputusan yang
lebih baik.
9. Simulasi Permainan (Game Simulation): Dalam pengembangan permainan video,
algoritma simulasi digunakan untuk mereplikasi dunia permainan, perilaku karakter,
fisika, dan interaksi dalam permainan.
10. Simulasi Ekonomi: Simulasi digunakan untuk memodelkan ekonomi, termasuk
simulasi dampak kebijakan ekonomi, dinamika pasar, dan peramalan pertumbuhan
ekonomi.

Visualisasi data adalah proses membuat representasi visual dari data. Visualisasi data
merupakan alat yang ampuh untuk menjelajahi kumpulan data yang besar dan kompleks.
Memvisualisasikan data membantu pengguna untuk memahami pola, tren, hubungan, dan
outlier yang tersembunyi di dalam data yang besar dan kompleks.

Tujuan visualisasi data

Setidaknya ada tiga tujuan visualisasi data, yaitu:

 mempresentasikan data dan informasi

 membantu eksplorasi data
 metode untuk analisis data

Contoh visualisasi data yang umum digunakan adalah dengan menggunakan grafik dan peta.
Cara paling populer dan tradisional untuk membuat visualisasi data adalah melalui grafik.
Sebuah grafik dapat diwakili oleh grafik garis, scatterplot, grafik batang atau diagram
lingkaran serta banyak jenis grafik lainnya. Selain itu, bentuk visualisasi data yang sekarang
menjadi semakin populer adalah dalam bentuk sebuah peta. Penggunaan peta untuk
visualisasi data menjadi populer karena peta mampu menunjukkan lokasi, pola, dan
hubungan spasial pada suatu fenomena. Kita dapat menemukan berbagai macam contoh
visualisasi data di internet.
 BAB III
PENUTUP

A. Kesimpulan
Walaupun terdengar sama, algoritma pencarian dan penjelajahan memiliki konsep yang
berbeda. Algoritma pencarian algoritma yang digunakan untuk menemukan elemen tertentu
dalam sebuah kumpulan data atau struktur data. Sedangkan algoritma penjelajahan adalah
algoritma yang mengakses atau melintasi semua elemen dalam sebuah kumpulan data atau
struktur data dengan tujuan tertentu, seperti mencetak, memproses, atau mengumpulkan
informasi.

Algoritma pemecahan masalah digunakan untuk menyelesaikan masalah yang kompleks

dengan cara menjadikan masalah tersebut menjadi langkah-langkah yang lebih kecil,
sehingga memudahkan pemahaman masalah dan mencari solusi yang tepat.

Ada juga algoritma pembelajaran mesin atau lebih dikenal dengan Machine Learning yang
dimana system dari machine learning akan melakukan pembelajaran berdasarkan yang
nantinya akan menghasilkan model.

B. Saran
Dalam pembuatan game edukasi, pilihlah algoritma-algoritma yang sesuai atau tepat
untuk game edukasi. Karena, setiap algoritma itu memiliki kelebihan dan kekurangannya
masing-masing.
 DAFTAR PUSTAKA

Fujiati, Fujiati, and Sri Lestari Rahayu. "Implementasi Algoritma

Fisher Yate Shuffle Pada Game Edukasi Sebagai Media
Pembelajaran." CogITo Smart Journal 6.1 (2020): 1-11.

Fujiati, F., & Rahayu, S. L. (2020). Implementasi Algoritma

Fisher Yate Shuffle Pada Game Edukasi Sebagai Media
Pembelajaran. CogITo Smart Journal, 6(1), 1-11.

FUJIATI, Fujiati; RAHAYU, Sri Lestari. Implementasi

Algoritma Fisher Yate Shuffle Pada Game Edukasi Sebagai
Media Pembelajaran. CogITo Smart Journal, 2020, 6.1: 1-11.

Syaifulloh, Rifky, Septi Andryana, and Aris Gunaryati.

"Perancangan game edukasi sebagai media pembelajaran berbasis
mobile menggunakan algoritma fisher-yates dan flood fill." Klik-
Kumpul. J. Ilmu Komput 8.1 (2021): 1.

Syaifulloh, R., Andryana, S., & Gunaryati, A. (2021).

Perancangan game edukasi sebagai media pembelajaran berbasis
mobile menggunakan algoritma fisher-yates dan flood fill. Klik-
Kumpul. J. Ilmu Komput, 8(1), 1.

SYAIFULLOH, Rifky; ANDRYANA, Septi; GUNARYATI,

Aris. Perancangan game edukasi sebagai media pembelajaran
berbasis mobile menggunakan algoritma fisher-yates dan flood
fill. Klik-Kumpul. J. Ilmu Komput, 2021, 8.1: 1.

Widiastuti, Nelly Indriani. "Membangun Game Edukasi Sejarah

Walisongo." Komputa: Jurnal Ilmiah Komputer Dan
Informatika 1.2 (2012).

Widiastuti, N. I. (2012). Membangun Game Edukasi Sejarah

Walisongo. Komputa: Jurnal Ilmiah Komputer Dan
Informatika, 1(2).

WIDIASTUTI, Nelly Indriani. Membangun Game Edukasi

Sejarah Walisongo. Komputa: Jurnal Ilmiah Komputer Dan
Informatika, 2012, 1.2.
 LAMPIRAN

Lampiran 1. RPS Matakuliah