PERBANDINGAN EFESIENSI FINATE STATE MACHINE, BEHAVIOR TREE DAN GOAL ORIENTED ACTION PLANNING UNTUK PERILAKU NPC DALAM GAME

Industri game mengalami perkembangan pesat, meningkatkan kebutuhan akan Non-Player Characters (NPC) yang adaptif dan cerdas. Tiga metode utama dalam desain perilaku NPC adalah Finite State Machine (FSM), Behavior Tree (BT), dan Goal-Oriented Action Planning (GOAP). Penelitian ini membandingkan efisiensi tiga metode kecerdasan buatan dalam mengelola perilaku NPC (Non-Player Character) dalam game, yaitu Finite State Machine (FSM), Behavior Tree (BT), dan Goal-Oriented Action Planning (GOAP), dengan fokus pada efisiensi penggunaan memori dan kecepatan respons. Tujuan penelitian ini adalah mengevaluasi performa ketiga metode tersebut melalui simulasi menggunakan Unity Engine untuk mengukur runtime dan konsumsi memori. Metode penelitian mencakup studi literatur, observasi, dan simulasi berbasis skenario tertentu. Setiap metode dievaluasi dalam hal efisiensi runtime dan penggunaan memori menggunakan simulasi yang dilakukan di Unity Game Engine. FSM menunjukkan kesederhanaan dan penggunaan memori yang rendah 1394 MB, sehingga cocok untuk lingkungan dengan keterbatasan sumber daya, tetapi menunjukkan pengambilan keputusan yang lebih lambat dengan runtime rata-rata 4,72 ms. BT mencapai pengambilan keputusan tercepat dengan runtime rata-rata 3,88 ms karena struktur hierarkisnya, meskipun dengan mengorbankan konsumsi memori yang lebih tinggi 1454 MB. GOAP menunjukkan kemampuan beradaptasi dan penentuan prioritas tujuan yang dinamis, unggul dalam skenario yang kompleks tetapi membutuhkan sumber daya komputasi yang signifikan, dengan runtime rata-rata 5,87 ms dan penggunaan memori 1404 MB. Temuan ini menyoroti kekuatan dan kelemahan masing-masing metode, yang menekankan kesesuaiannya untuk berbagai skenario permainan. FSM direkomendasikan untuk aplikasi yang mudah, BT untuk lingkungan yang dinamis dan kritis terhadap kinerja, dan GOAP untuk permainan yang membutuhkan perilaku NPC yang canggih dan adaptif.