S KOM 0905887 Chapter5
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan pada penelitian “Implementasi Metode Pathfinding Dengan
Menggunakan Algoritma A* (A Bintang) dan Grid Graph Pada Kecerdasan
Buatan Non-Player Character Dalam Game Action Puzzle” dan mengacu pada
rumusan masalah yang dikemukakan pada BAB I, maka dalam penelitian ini
dapat disimpulkan bahwa:
1.
Metode pathfinding dengan menggunakan Algoritma A* dan grid graph
dapat diimplementasikan dengan cara membuat beberapa class diantaranya:
a)
Node Class, digunakan untuk menangani status node berupa nilai g dan
h, dan penanda apakah node merupakan obstacle atau bukan.
b)
PriorityQueue Class, digunakan untuk mengurutkan node di dalam list.
c)
GridManager Class, digunakan untuk membuat grid kotak-kotak dan
mengetahui posisi dari node yang ada.
d)
AStar Class, digunakan untuk mencari posisi node yang menjadi jalur
dari node awal sampai ke node tujuan dengan menggunakan Algoritma
A*.
e)
CPController class, digunakan untuk membuat NPC bergerak sesuai
jalur yang ditentukan oleh AStar Class.
2.
Berdasarkan uji kinerja waktu eksekusi (runtime) Algoritma A* dan grid
graph dihasilkan bahwa Algoritma A* selalu berhasil menemukan node akhir.
Namun jika jumlah node yang dibangkitkan terlalu besar, maka Algoritma
A* relatif membutuhkan waktu eksekusi yang cuku lama. Sehingga
berdasarkan data pada Tabel 4.28 dapat disimpulkan bahwa dimensi grid 3x3
sampai 73x73 merupakan luas world game yang termasuk memiliki performa
baik untuk digunakan pada game Treasure Hunter. Sedangkan untuk
penggunaan memori pada masing- masing dimensi grid memiliki selisih yang
tidak begitu jauh.
Abdul Ghofur, 2016
IMPLEMENTASI METOD E PATHFIND ING D ENGAN MENGGUNAKAN ALGORITMA A* (A BINTANG)
D AN GRID GRAPH PAD A KECERD ASAN BUATAN NON-PLAYER CHARACTER D ALAM GAME ACTION
PUZZLE
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
74
5.2 Saran
Berdasarkan hasil penelitian yang dilakukan, game yang dibuat pada
penelitian ini masih bisa dikembangkan menjadi lebih baik lagi. Untuk itu adapun
saran yang diberikan sebagai berikut:
1.
Berdasarkan hasil uji kinerja Algortima A* dan grid graph, untuk game
dengan dimensi grid yang lebih luas sebaiknya fungsi untuk hasil pathfinding
tidak dimuat di awal game mulai. Karena akan memakan waktu yang cukup
lama untuk memuat game secara keseluruhan.
2.
Node Class yang diimplementasikan hanya sebatas apakah itu node yang bisa
dilalui atau tidak (obstacle) berupa wall. Untuk itu sebaiknya node diberikan
nilai yang memiliki variasi lebih dari dua. Sehingga untuk keoptimalan
Algoritma A* dapat terlihat lebih jelas.
Abdul Ghofur, 2016
IMPLEMENTASI METOD E PATHFIND ING D ENGAN MENGGUNAKAN ALGORITMA A* (A BINTANG)
D AN GRID GRAPH PAD A KECERD ASAN BUATAN NON-PLAYER CHARACTER D ALAM GAME ACTION
PUZZLE
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan pada penelitian “Implementasi Metode Pathfinding Dengan
Menggunakan Algoritma A* (A Bintang) dan Grid Graph Pada Kecerdasan
Buatan Non-Player Character Dalam Game Action Puzzle” dan mengacu pada
rumusan masalah yang dikemukakan pada BAB I, maka dalam penelitian ini
dapat disimpulkan bahwa:
1.
Metode pathfinding dengan menggunakan Algoritma A* dan grid graph
dapat diimplementasikan dengan cara membuat beberapa class diantaranya:
a)
Node Class, digunakan untuk menangani status node berupa nilai g dan
h, dan penanda apakah node merupakan obstacle atau bukan.
b)
PriorityQueue Class, digunakan untuk mengurutkan node di dalam list.
c)
GridManager Class, digunakan untuk membuat grid kotak-kotak dan
mengetahui posisi dari node yang ada.
d)
AStar Class, digunakan untuk mencari posisi node yang menjadi jalur
dari node awal sampai ke node tujuan dengan menggunakan Algoritma
A*.
e)
CPController class, digunakan untuk membuat NPC bergerak sesuai
jalur yang ditentukan oleh AStar Class.
2.
Berdasarkan uji kinerja waktu eksekusi (runtime) Algoritma A* dan grid
graph dihasilkan bahwa Algoritma A* selalu berhasil menemukan node akhir.
Namun jika jumlah node yang dibangkitkan terlalu besar, maka Algoritma
A* relatif membutuhkan waktu eksekusi yang cuku lama. Sehingga
berdasarkan data pada Tabel 4.28 dapat disimpulkan bahwa dimensi grid 3x3
sampai 73x73 merupakan luas world game yang termasuk memiliki performa
baik untuk digunakan pada game Treasure Hunter. Sedangkan untuk
penggunaan memori pada masing- masing dimensi grid memiliki selisih yang
tidak begitu jauh.
Abdul Ghofur, 2016
IMPLEMENTASI METOD E PATHFIND ING D ENGAN MENGGUNAKAN ALGORITMA A* (A BINTANG)
D AN GRID GRAPH PAD A KECERD ASAN BUATAN NON-PLAYER CHARACTER D ALAM GAME ACTION
PUZZLE
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
74
5.2 Saran
Berdasarkan hasil penelitian yang dilakukan, game yang dibuat pada
penelitian ini masih bisa dikembangkan menjadi lebih baik lagi. Untuk itu adapun
saran yang diberikan sebagai berikut:
1.
Berdasarkan hasil uji kinerja Algortima A* dan grid graph, untuk game
dengan dimensi grid yang lebih luas sebaiknya fungsi untuk hasil pathfinding
tidak dimuat di awal game mulai. Karena akan memakan waktu yang cukup
lama untuk memuat game secara keseluruhan.
2.
Node Class yang diimplementasikan hanya sebatas apakah itu node yang bisa
dilalui atau tidak (obstacle) berupa wall. Untuk itu sebaiknya node diberikan
nilai yang memiliki variasi lebih dari dua. Sehingga untuk keoptimalan
Algoritma A* dapat terlihat lebih jelas.
Abdul Ghofur, 2016
IMPLEMENTASI METOD E PATHFIND ING D ENGAN MENGGUNAKAN ALGORITMA A* (A BINTANG)
D AN GRID GRAPH PAD A KECERD ASAN BUATAN NON-PLAYER CHARACTER D ALAM GAME ACTION
PUZZLE
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu