PENERAPAN REINFORCEMENT LEARNING MODEL DEEP Q NETWORK UNTUK SIMULASI PADA SNAKE GAME

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