Abstract:
Pengembangan kecerdasan buatan telah menjadi fokus utama dalam berbagai bidang,
termasuk permainan komputer, Reinforcement Learning (RL), sebuah metode
pembelajaran mesin di mana agen belajar membuat keputusan terbaik dengan berinteraksi
dengan lingkungannya secara berkelanjutan, khususnya model Deep Q-Network (DQN),
untuk membangun dan melatih agen kecerdasan buatan yang bertanggung jawab untuk
mengontrol pergerakan ular dalam permainan ular. Untuk melakukan ini, bahasa
pemrograman Python dan pustaka PyTorch digunakan di dalam proses pembuatan agen.
Agen ini belajar melalui interaksi dengan lingkungan permainannya. Di lingkungan ini,
agen menerima sinyal imbalan dari tindakan yang telah dilakukan, seperti makan
makanan atau menghindari tabrakan. Tujuannya adalah untuk mendapatkan skor yang
setinggi mungkin dengan menggunakan strategi pergerakan terbaik. Adaptasi terhadap
perubahan lingkungan, menghindari overfitting, dan mempercepat konvergensi
pembelajaran adalah tujuan dari agen pada saat training dilakukan. Diharapkan bahwa
implementasi ini akan menunjukkan penerapan Reinforcement Learning dalam game dan
memungkinkan pengembangan aplikasi serupa dengan pemanfaatan kecerdasan buatan
