Perubahan skenario secara dinamis dengan menggunakan metode backpropagation pada game Bahasa Osing

INDONESIA :

Game Bahasa Osing adalah sebuah permainan bergenre adventure yang diberi unsur edukasi. Edukasi yang dimasukkan adalah pembelajaran kosakata bahasa osing. Bahasa osing merupakan bahasa yang dipertuturkan oleh masyarakat suku osing di daearah Banyuwangi, Jawa Timur. Game ini merupakan solusi untuk mengatasi kendala dalam mempelajari bahasa osing. Metode yang utama digunakan dalam penelitian ini adalah algoritma Neural Network Backpropagation yang diterapkan dalam leveling. Leveling pada game ditentukan melalui waktu dan score setelah menyelesaikan permainan. Apabila player sudah berhasil menyelesaikan permainan tersebut, apakah player bisa melanjutkan pada level selanjutnya dengan skenario A ataukan skenario B, penentuan sekenario tersebut tergantung pada berapa lama waktu yang ditempuh oleh player pada level tersebut dan banyaknya score yang didapat. Berdasarkan hasil pengujian dapat disimpulkan Algoritma Neural Network Backpropagation merupakan algoritma pembelajaran tersupervisi yang dapat melakukan learning terhadap inputan dan menghasilkan output berupa sebuah keputusan untuk diterapkan dalam game ini dengan tujuan agar setiap permainan dapat memainkan game sesuai dengan julah waktu dan score yang didapat pada permainan sebelumnya, pemain juga dapat merasa tertantang untuk menyelesaikan seluruh level. Proses perhitungannya sedikit memerlukan waktu lama dikarenakan proses perhitungan propagasi balik yang terus berjalan dan mengupdate bobot hingga mendapatkan pola yang cocok dalam menghasilkan output.

ENGLISH :

Osing language game is an adventure game genre that given the educational element. Osing language is a language that is spoken by tribal communities in Banyuwangi, Jawa Timur. This game is a solution to overcome the obstacles in studying the Osing language. The main method used in this study are Backpropagation Neural Network algorithm is applied in leveling. Leveling in the game is determined at the time and score after completing the game. If the player has been successfully the game, whether the player can continue the next level with scenario A or B in the next level depending on how much time and the number of scores obtained by a player at that level. Based on the test results it can be concluded the algorithm Neural Network Backpropagation learning algorithm is tersupervisi who can perform learning against the input and generate output in the form of a decision to apply in this game with the goal of keeping each game can play the game in accordance with the key of time and score obtained in the previous game, the player can also feel challenged to complete the entire level. The calculation process may take slightly longer due to the process of turning a propagation calculation continues to run and update the weights to get the pattern matching in generating output.