Personalisasi Penyeimbangan Skenario Berbasis Profil Pemain pada Game Pendidikan Islam dan Lingkungan Hidup menggunakan FeedForward Neural Network (FFNN)

ABSTRACT

Untuk menentukan penyeimbangan skenario pada game maka diperlukan personalisasi yang menjadi ciri khas pemain. Personalisasi pada pemain mempengaruhi keseimbangan skenario pada game yang dimainkan oleh pemain. Keseimbangan skenario berbasis profil pemain, yang mana tantangan pada game diseimbangkan dengan skill dari pemain tersebut. Untuk dapat menentukan keseimbangan skenario yang tepat maka dapat dihitung dengan metode Feedforward Neural Network sehingga dapat menemukan hasil akurasi yang baik. Penyeimbangan skenario menjadi tantangan berupa tingkat level kabut yang terdapat pada game, kabut tersebut merupakan output dari metode Feedforward Neural Network yang diimplementasikan pada game dengan mencari arsitektur jaringan yang optimal. Pengujian arsitektur jaringan menggunakan 10 uji dengan melibatkan perbedaan hidden layer, fungsi aktivasi, dan optimaizer yang berbeda. Kemudian hasil dari arsitektur yang optimal akan diuji dengan skenario 80:20 dan 70:30. Hasil yang didapatkan bahwa skenario uji 70:30 lebih optimal dengan hasil akurasi sebesar 90%, precission 85%, recall 80%, dan f1-score 79%. Terdapat nilai bobot dan bias dari hasil skenario uji 70:30 yang kemudian diimplementasikan pada game edukasi.

To determine the balance of scenarios in the game, personalization is needed which is the hallmark of the player. Player personalization affects the balance of scenarios in games played by players. Scenario balance based on player profile, where the challenge in the game is balanced with the skill of the player. To be able to determine the right scenario balance, it can be calculated using the Feedforward Neural Network method so that good accuracy results can be found. Scenario balancing is a challenge in the form of fog levels contained in the game, the fog is the output of the Feedforward Neural Network method implemented in the game by finding the optimal network architecture. Network architecture testing uses 10 tests involving different hidden layers, activation functions, and different optimizers. Then the results of the optimal architecture will be tested with 80:20 and 70:30 scenarios. The results obtained are that the 70:30 test scenario is more optimal with an accuracy of 90%, 85% precision, 80% recall, and 79% f1 score. There are weight and bias values from the results of the 70:30 test scenario which are then implemented in educational games.

لتحديد توازن السيناريوهات في اللعبة ، يلزم التخصيص وهو ما يميز اللاعب. يؤثر تخصيص اللاعب على توازن سيناريوهات اللعبة التي يلعبها اللاعبون. توازن السيناريو على أساس الملف الشخصي للاعب ، حيث يتم موازنة التحدي في اللعبة بمهارة اللاعب. لتكون قادرًا على تحديد توازن السيناريو الصحيح ، يمكن إجراء الحسابات باستخدام طريقة Feedforward Neural Network حتى يتم الحصول على نتائج دقة جيدة. تمثل موازنة السيناريو تحديًا في شكل مستويات الضباب الموجودة في اللعبة ، والضباب هو ناتج طريقة Feedforward Neural Network المطبقة في اللعبة من خلال إيجاد بنية الشبكة المثلى. يستخدم اختبار بنية الشبكة 10 اختبارات تتضمن طبقات مخفية مختلفة ووظائف التنشيط والتحسينات. ثم يتم اختبار النتائج المعمارية المثلى باستخدام سيناريوهات 80:20 و 70:30. النتائج التي تم الحصول عليها هي سيناريو اختبار أمثل 70:30 بدقة 90٪ ، دقة 85٪ ، تذكر 80٪ ، ودرجة 79٪ f1. توجد قيم وزن وتحيز من نتائج سيناريو الاختبار 70:30 والتي يتم تنفيذها بعد ذلك في الألعاب التعليمية.