CONVOLUTIONAL NEURAL NETWORK PADA PERMAINAN ULAR

Machine Learning telah diaplikasikan untuk permainan sederhana sejak beberapa tahun lalu. Metode ini menunjukkan bagaimana sebuah komputer belajar memainkan video game Atari 2600 dengan mengamati piksel layar dan menerima hadiah saat skor game meningkat. Convolutional Neural Network merupakan sebuah pembelajaran Deep Learning yang beberapa tahun terakhir ini menjadi sangat populer ketika mencapai hasil yang sangat mengesankan dalam pengenalan gambar, pada bidang computer vision. Agen belajar memainkan permainan ular berdasarkan snapshot dari layar. Convolutional Neural Network digunakan untuk memilih tindakan terbaik berdasarkan pengamatan dari lingkungan dan pengetahuan sebelum dipelajari. Selain itu Convolutional Neural Network tidak perlu melakukan feature extraction karena metode ini memiliki kemampuan feature learning pada saat proses konvolusi dilakukan. Serangkaian empat screenshot dari layar digunakan sebagai input jaringan. Oleh karena itu, jaringan dapat menangkap informasi game termasuk arah dan posisi, dan kemudian output yang dihasilkan berupa sebuah tindakan. Berdasarkan percobaan yang telah dilakukan, terdapat 3 model yang masing-masing memiliki jumlah dataset yang berbeda-beda, dilakukan 3 perbandingan performa, yakni rata-rata skor tertinggi, rata-rata skor total dan rata-rata jumlah tabrakan yang dilakukan dalam durasi waktu tertentu yakni 3 menit, 5 menit dan 7 menit. Perolehan akurasi tertinggi yakni 47,93% untuk 105.000 data (model 3), 40,66% untuk 55.000 data (model 2) dan 26,30% untuk 15.000 data (model 1). Akurasi tersebut mempengaruhi hasil prediksi arah saat agen bermain. Dalam pencapaian skor, model 3 lebih unggul daripada kedua model lainnya dan dalam jumlah tabrakan model 3 memiliki jumlah tabrakan terendah dibandingkan model 1 yang memiliki jumlah tabrakan terbanyak.