Mata Kuliah: Game Engine

Pengantar Artificial Intelligence untuk Game

Referensi Utama: "Artificial Intelligence for Games" oleh Ian Millington.

Tools: Unity Game Engine (C#).

Tekan tombol Next atau Panah Kanan untuk memulai.

Tujuan Mata Kuliah

Memahami perbedaan mendasar antara Academic AI dan Game AI.
Menguasai konsep dasar pergerakan (Movement) dan Steering Behaviors.
Mengimplementasikan Pathfinding (A*) dan Navigasi.
Merancang pengambilan keputusan (Decision Making) menggunakan FSM dan Behavior Trees.
Menerapkan teori Ian Millington ke dalam Unity Game Engine.

Roadmap Perkuliahan (Sesuai Millington)

Minggu 1-2: Intro & Dasar Pergerakan (Ch 1-3).
Minggu 3-5: Pathfinding & Graph Theory (Ch 4).
Minggu 6-8: Decision Making (FSM, Behavior Trees) (Ch 5).
Minggu 9-11: Tactical & Strategic AI (Ch 6-8).
Minggu 12-14: Learning & Implementasi Proyek (Ch 9+).

Apa itu Game AI?

Game AI tidak selalu tentang menciptakan kecerdasan yang sesungguhnya.

"The goal of game AI is not to be smart, but to look smart."
— Ian Millington

Game AI berfokus pada:

Ilusi Kecerdasan: NPC terlihat hidup dan responsif.
Fun Factor: AI harus bisa dikalahkan (atau menantang), bukan sempurna.
Efisiensi CPU: Harus berjalan real-time bersama rendering dan physics.

Struktur Dasar AI (The AI Model)

Millington membagi arsitektur AI menjadi 3 lapisan utama:

Movement (Pergerakan): Bagaimana karakter bergerak dari titik A ke B.
Decision Making (Keputusan): Apa yang harus dilakukan karakter sekarang? (Misal: Serang, Lari, Sembunyi).
Strategy (Strategi): Koordinasi tim atau rencana jangka panjang.

Bab 2: Kinematic Movement

Bentuk pergerakan paling sederhana. Tidak memperhitungkan massa, inersia, atau gaya.

Hanya memanipulasi Posisi dan Kecepatan secara langsung.
Cocok untuk game platformer 2D sederhana atau menu navigasi.

            // Unity Implementation

            transform.position += velocity * Time.deltaTime;

Bab 3: Steering Behaviors

Pergerakan yang lebih natural dibanding Kinematic. Menggunakan gaya (forces) dan percepatan.

Konsep Utama:

AI tidak langsung mengubah posisi, tapi memberikan gaya dorong.
Menghasilkan gerakan melengkung yang halus.

Algoritma dasar: Seek, Flee, Arrive, Wander.

Algoritma Seek & Flee

Seek: Menghitung vektor arah menuju target, lalu menerapkan akselerasi ke arah tersebut.
Flee: Kebalikan dari Seek, menjauhi target.

            Vector3 desiredVelocity = (target - me).normalized * maxSpeed;

            Vector3 steering = desiredVelocity - currentVelocity;

Algoritma Arrive

Masalah dengan Seek: Karakter akan "overshoot" (melewati) target karena kecepatan penuh.

Arrive: Memperlambat karakter saat mendekati target (dalam radius tertentu).

Seperti mengerem mobil saat mendekati lampu merah.
Sangat penting agar NPC berhenti tepat di depan pemain.

Implementasi Steering di Unity

Kita memiliki dua opsi:

Custom Script: Menulis algoritma Millington secara manual (menggunakan Vector3 math). Memberikan kontrol penuh.
Unity NavMeshAgent: Sistem bawaan Unity. Menggabungkan Steering, Pathfinding, dan Obstacle Avoidance menjadi satu.

Di mata kuliah ini, kita akan belajar keduanya.

Bab 4: Pathfinding

Steering hanya menangani gerakan lokal. Bagaimana jika ada tembok di antara NPC dan Target?

Pathfinding adalah proses mencari rute terbaik dari A ke B dalam sebuah lingkungan yang kompleks (Graph).

Mengubah level game menjadi data matematis (Graph/Grid).
Mencari jalur terpendek (Shortest Path).

Representasi Dunia

Sebelum pathfinding bekerja, dunia game harus disederhanakan:

Tile/Grid Graphs: Dunia dibagi menjadi kotak-kotak (seperti catur).
Waypoint Graphs: Titik-titik spesifik yang dihubungkan garis.
Navigation Mesh (NavMesh): Poligon yang merepresentasikan area yang "bisa diinjak". (Standar Unity).

Algoritma A* (A-Star)

Algoritma pathfinding paling populer di dunia game.

Menggabungkan dua konsep:

Dijkstra: Menjamin rute terpendek.
Heuristic (Greedy): Estimasi jarak ke target untuk mempercepat pencarian.

Rumus: $$f(n) = g(n) + h(n)$$

Unity NavMesh System

Unity menggunakan A* di atas Navigation Mesh.

Bake: Proses pra-kalkulasi area yang bisa dilalui.
NavMeshAgent: Komponen yang ditempelkan pada NPC untuk otomatis mencari jalan.
NavMeshObstacle: Komponen untuk rintangan dinamis (misal: pintu yang bisa menutup).

Contoh Code NavMesh

Sangat sederhana dibanding menulis A* dari nol:

            using UnityEngine.AI;

            public NavMeshAgent agent;

            public Transform target;

            void Update() {

               agent.SetDestination(target.position);

            }

Namun, kita tetap perlu memahami teori A* untuk kasus di mana NavMesh tidak bisa digunakan (misal: game grid turn-based).

Bab 5: Decision Making

Karakter sudah bisa bergerak dan mencari jalan. Tapi, kapan dia harus bergerak?

Metode pengambilan keputusan:

Decision Trees: Pohon keputusan sederhana (If-Else bercabang).
Finite State Machines (FSM): Standar industri lama.
Behavior Trees: Standar industri modern.

Finite State Machines (FSM)

Sistem di mana NPC hanya bisa berada dalam SATU kondisi (State) pada satu waktu.

States: Patrol, Chase, Attack, Flee.
Transitions: Syarat perpindahan (Misal: Jika Player terlihat -> Pindah dari Patrol ke Chase).

Mudah dibuat, tapi sulit dikelola jika game menjadi sangat kompleks ("Spaghetti Code").

Implementasi FSM di Unity

            enum State { Patrol, Chase, Attack }

            State currentState;

            void Update() {

               switch (currentState) {

                  case State.Patrol: PatrolLogic(); break;

                  case State.Chase: ChaseLogic(); break;

               }

            }

Kita akan mempelajari pola State Pattern (C# Class-based) agar kode lebih rapi.

Behavior Trees (BT)

Evolusi dari FSM. Struktur hierarki yang lebih fleksibel dan modular.

Terdiri dari Nodes (Sequence, Selector, Action).
Dieksekusi dari akar ke daun setiap frame.
Digunakan di game AAA (Halo, Uncharted) dan Unity (melalui Graph View atau aset pihak ketiga).

Fuzzy Logic & Markov Systems

Millington juga membahas logika samar (Fuzzy).

Bukan sekadar "Ya/Tidak" (Binary), tapi ada "Agak", "Sangat", "Sedikit".
Contoh: "Jika darah agak kritis dan musuh sangat dekat, maka lari."
Membuat perilaku NPC terasa lebih manusiawi dan kurang robotik.

Bab 6: Tactical & Strategic AI

AI tidak hanya soal individu, tapi juga pemahaman lingkungan dan kerja tim.

Waypoint Tactics: Menandai titik strategis (misal: tempat sniper, tempat berlindung).
Influence Maps: Membagi peta menjadi grid untuk mengetahui area mana yang dikuasai musuh atau aman.

Influence Maps

Teknik merepresentasikan data taktis spasial.

Bayangkan "Heatmap".
Area merah = Bahaya (Banyak musuh).
Area hijau = Aman.

AI bisa menggunakan data ini untuk memutuskan rute pathfinding yang paling aman, bukan hanya yang terpendek.

Group AI & Koordinasi

Bagaimana agar musuh tidak menyerang pemain satu per satu seperti di film laga lama?

Slot Assignment: Hanya izinkan 2 musuh menyerang jarak dekat, sisanya menunggu di belakang.
Messaging System: NPC "Berteriak" ke NPC lain ("Saya butuh bantuan!", "Saya menyerang dari kiri!").

Bab 7 & 8: Board Games & Turn Based

Meski fokus kita Real-time (Unity), teori Minimax penting.

Minimax Algorithm: Melihat beberapa langkah ke depan untuk meminimalkan kerugian maksimum.
Relevan jika kalian membuat game strategi berbasis giliran (Turn-based Strategy) di Unity.

Bab 9: Learning (Pembelajaran)

Topik yang sedang hangat: Machine Learning (ML).

Bedanya Classic AI vs ML:

Classic AI: Programmer menulis aturan (If Health < 10 then Run).
Learning AI: Komputer belajar aturan sendiri melalui Trial & Error (Reinforcement Learning).

Unity ML-Agents

Implementasi modern dari Bab 9 Millington di Unity.

Menggunakan Python (TensorFlow) untuk melatih otak AI.
Hasil latihan dimasukkan kembali ke Unity.
Contoh: Melatih NPC bermain sepak bola atau menyeimbangkan bola.

Tantangan Modern

Predictability: AI yang terlalu pintar justru tidak seru.
Cheating: AI punya akses data pemain (posisi), tapi harus berpura-pura tidak tahu.
Performance: Ribuan unit (RTS) membutuhkan teknik optimasi tinggi (DOTS/ECS di Unity).

Evaluasi & Penilaian

Tugas Individu (30%): Implementasi Steering & Pathfinding kecil.
UTS (20%): Teori konsep Millington & Coding dasar.
Proyek Akhir (50%): Membuat Demo Game dengan AI lengkap (FSM + Pathfinding + Sensing).

Tugas Untuk Minggu Depan

Install Unity Hub dan versi Unity 2022 LTS atau terbaru.
Install Visual Studio atau VS Code.
Baca Bab 1 & 2 dari buku Ian Millington.
Siapkan project Unity 3D kosong.

Q & A

Terima Kasih

Mari ciptakan AI yang cerdas (atau terlihat cerdas)!

Ada Pertanyaan?