Simulasi Perilaku Agen Otonom Dalam Dunia Virtual Menggunakan Logika Fuzzy M. Faizal Rochman
1)
Moch. Hariadi, ST., MSc., PhD.
Game Technology Research Group, Department of electrical Engineering Sepuluh Nopember Institute of Technology, Surabaya. 1) 2) email:
[email protected] [email protected] Abstrak–Tujuan utama dari pengembangan kecerdasan buatan adalah untuk membuat aksi dan reaksi otonom agen dari game atau simulasi yang seakan-akan agen tersebut mempunyai kecerdasan dan pergerakan sealami mungkin sesuai dengan keadaan dunia nyata. Penelitian kali ini menjelaskan tentang bagaimana membuat perancangan perilaku jalan dari agen dalam dunia virtual menggunakan fuzzy dan mensimulasikannya dalam potential field sebagai representasi dunia virtual. Perilaku jalan didefinisikan sebagai cara, tindakan atau respon agen ketika berjalan di dunia virtual dalam mencapai tujuan yang ditetapkan dengan menghadapi rintangan yang ada. Dalam penelitian kali ini ditetapkan dua perilaku yang menjadi fokus dalam penelitian : pertama menciptakan sistem fuzzy yang menghasilkan perilaku kecepatan jalan agen agar dinamis. Yang kedua adalah membangun sistem fuzzy untuk pengambilan keputusan agen ketika mendapatkan halangan dalam mencapai tujuan yang ditetapkan melalui dunia virtual (potential field). Dalam simulasi pertama dan kedua, agen yang terburu-buru cenderung untuk mengambil lintasan yang mendekati dengan halangan. Akan tetapi lintasan yang diambil jadi lebih jauh, terbukti dengan banyaknya langkah yang ditempuh oleh agen, yaitu 17 langkah untuk model potential field pertama dan 24 langkah untuk model potential field kedua. Agen yang cenderung santai memiliki lintasan yang lebih pendek, yaitu 13 dan 16 langkah. Sedangkan agen normal membutuhkan 16 dan 21 langkah untuk sampai ke tujuan. Untuk simulasi yang terakhir, agen yang terburu-buru malah lebih mudah untuk mencapai tujuan dengan lintasan yang lebih sedikit dibandingkan agen yang lainnya. Jumlah langkah untuk agen terburu-buru adalah 28 langkah, sedangkan agen yang santai membutuhkan 25 langkah untuk sampai ke tujuan. Agen yang terlihat lebih sulit mencapai tujuan adalah agen normal dengan jumlah langkah yang ditempuh adalah 28 langkah.
agen dari game atau simulasi yang seakan-akan agen tersebut mempunyai kecerdasan dan pergerakan sealami mungkin sesuai dengan keadaan dunia nyata [4]. Salah satu komponen penting dalam aplikasi simulasi dunia virtual di industri komputer grafis, film dan game adalah pengembangan pergerakan dan perilaku agen yang mendekati keadaan dunia sebenarnya [5]. Agen otonom mendiami dunia virtualnya dilengkapi dengan sensor, salah satunya adalah penglihatan yang dapat menginformasikan keberadaan lingkungan virtualnya. Dengan efektor yang dimiliki/diberikan kepadanya agen otonom dapat merasakan dunia virtualnya yang kemudian menuntunnya untuk melakukan aksi tertentu. Di dunia virtual, agen akan berhadapan dengan beberapa halangan yang bergerak maupun diam. Dalam hubungannya antara perilaku agen dengan dunia virtualnya, agen dikendalikan oleh serangkaian perilaku untuk memperoleh sifat life-like yang kemudian digunakan oleh agen itu sendiri untuk memilih kombinasi perilaku yang sesuai [3]. Penelitian kali ini bertujuan untuk membuat simulasi yang memfokuskan pada perilaku jalan agen dalam dunia virtual. Dalam dunia nyata, terdapat perbedaan kecepatan jalan antara satu orang dengan orang lainnya dikarenakan beberapa faktor yang mempengaruhinya, mulai dari usia, gender, berat badan, berat beban yang dibawa, dan lain-lain [2]. Dalam penelitian ini, akan dijelaskan bagaimana menggabungkan perilaku agen dalam metode fuzzy untuk menghasilkan kecepatan jalan agen yang dinamis. Tentunya dalam dunianya, dalam berjalan menuju tujuan agen akan menemui hambatan. Untuk itu dalam penelitian ini juga akan dihasilkan bagaimana perilaku agen ketika menghadapi halangan dengan memberikan logika fuzzy sebagai penentu arah digabungkan dengan potential field sebagai data lingkungan sebagai penentu gerak agen dalam dunia virtual.
Kata Kunci : Agen otonom, perilaku agen, logika fuzzy, potential field.
Perilaku sendiri mempunyai arti yang luas, salah satunya perilaku dapat dinyatakan sebagai sekumpulan aksi dari manusia atau hewan yang didasari oleh kemauannya atau insting [7]. Perilaku juga bisa dikatakan sebagai respon dari setiap individu, grup kelompok atau spesies tertentu terhadap lingkungannya [8]. Dalam penelitian kali ini, perilaku jalan dapat didefinisikan sebagai cara, tindakan atau
1. PENDAHULUAN Tujuan utama dari pengembangan kecerdasan buatan adalah untuk membuat aksi dan reaksi otonom
2. PERILAKU JALAN
respon agen ketika berjalan di dunia virtual dalam mencapai tujuan yang ditetapkan dengan menghadapi rintangan yang ada. Berjalan merupakan bentuk transportasi manusia tanpa kendaraan atau mengendarai hewan. Kecepatan jalan bisa bervariasi tergantung dari beberapa faktor, seperti tinggi badan, berat badan, bentuk struktur tanah, dan lain-lain [2]. Kecepatan rata-rata manusia berjalan adalah sekitar 3 mil per jam. Studi secara spesifik menemukan bahwa kecepatan jalan orang dewasa adalah antara 4.11 sampai 4.33 kaki per detik (2.8 mil/jam ~ 2.95 mil/jam atau sekitar 4.51 km/jam ~ 4.75 km/jam). Untuk anak muda mempunyai kecepatan 4.85 sampai 4.95 kaki/detik (3.3 mil/jam ~ 3.38 mil/jam atau sekitar 5.32 km/jam ~ 5.43 km/jam) [1]. Dalam penelitian kali ini diambil kecepatan rata-rat jalan normal adalah 3.5 mil/jam. Dan untuk jalan lambat diambil nilai 2.5 mil/jam.
3. AGEN OTONOM Untuk menghasilkan simulasi agen realistis, kita harus mengetahui terlebih dahulu karakteristik dasar dari agen tersebut. Karakteristik dasar dari agen yang berperilaku realis dapat dinyatakan sebagai berikut [8] : Perilaku (behaviour) : Respon tiap individu, grup atau spesies terhadap lingkungannya. Kecerdasan (Intelligence) : Kemampuan belajar dan mengerti situasi baru. Otonom (autonomy) : Kualitas atau state dari penguasaan diri. Adaptasi (adaptation) : Kemampuan bertahan dari lingkungan yang tidak bisa diprediksikan. Persepsi (perception) : Kesadaran mengenai lingkungannya berdasarkan elemen fisik. Daya ingat (memory) : Proses memproduksi kembali atau memanggil kembali apa yang telah dipelajari. Emosi (emotion) : Aspek reaktif dari kesadaran; state dari perasaan. Kesadaran (consciousness) : Kualitas dari kesadaran terutama dari diri sendiri atau keadaan pengagenan dengan sensasi, emosi, kemauan dan gagasan. Kebebasan (freedom) : Tingkat perilaku agen kedepan yang tidak bisa diprediksi. Agen yang otonom merupakan agen yang bergerak dinamis, perilakunya tidak bisa diprediksi sesuai dengan lingkungan, kondisi dan tujuan yang diberikan kepadanya [6]. Misalnya, Agen berjalan dari sini menuju kesana dengan menghindari halangan yang datang (ada), mengikuti jalan setapak, bergabung dengan sekelompok agen ini, dan lain-lain. Jadi, untuk menjadi otonom, agen tersebut harus bisa merasa lingkungannya dan menentukan sendiri apa yang harus dilakukan untuk mencapai tujuan yang telah ditentukan sebelumnya lewat perilaku [8].
4. DESAIN PERILAKU AGEN Pertama kali dalam penelitian ini, yang dilakukan adalah membuat desain kecepatan jalan dari agen ketika berjalan di dunia virtual. Dalam pergerakannya, untuk dapat mencapai tujuan yang telah ditetapkan dalam dunia virtual, agen juga harus dapat melalui halangan (obstacle avoidance) yang ada. Berarti agen juga dibekali dengan persepsi tentang dunia virtual, baik itu tentang tujuan maupun halangan yang ada dan akhirnya agen dapat mengambil keputusan tentang perilaku yang harus diambil untuk mencapai tujuannya. Potential field digunakan sebagai representasi dunia virtual dari agen agar agen mengetahui informasi jalur yang bisa dan tiak bisa dilaluinya ketika berada di dunianya. 4.1. Desain Fuzzy Kecepatan Jalan Karena banyak variabel yang mentukan kecepatan jalan manusia, maka variabel yang diambil dipersempit menjadi 2 atribut, yaitu stamina (sakit, normal, sehat, segar) dan keadaan (santai, normal dan buru-buru). Dengan pemberian dua variabel atribut tersebut diharapkan keluar nilai kecepatan jalan yang variatif. Misalnya jika agen dalam stamina sakit tapi keadaan buru-buru, akan diketahui kecepatan jalan agen dengan memberikan bentuk kecepatan jalan yang diatur dalam logika fuzzy. Dua atribut yang diberikan, yaitu stamina dan keadaan dalam logika fuzzy masingmasing menggunakan fungsi keanggotaan segitiga.
(a)
(b)
(c) Gambar 1. Derajat keanggotaan variabel input stamina (a) keadaan (b) dan output kecepatan (c).
Dengan menggunakan model Mamdani, Mean of Maximum (MOM) defuzzification untuk menghasilkan kecepatan jalan minimal 3.5 mil/jam dan yang maksimal 5.5 mil/jam. Stamina agen diberikan empat buah parameter masukan, yaitu : sakit (SK), normal (N), sehat (S) dan segar (SG). Untuk keadaan diberikan tiga buah parameter masukan, yaitu : santai (S), normal (N) dan buru-buru (B). Hasil keluaran kecepatan diberikan empat buah parameter, yaitu : lambat (L), normal (N), cepat (C) dan sangat cepat (SC). Dalam perancangan perilaku kecepatan jalan ini diharapkan : - Agen mampu menentukan sendiri kecepatan jalannya sesuai parameter dari yang mempengaruhinya. - Ketika jumlah agen diperbnyak, tiap agen yang nantinya mendiami dunia virtual akan mempunyai kecepatan jalan yang bebeda dan dinamis sesuai variabel yang menempel padanya. Table 1. Aturan fuzzy menghasilkan kecepatan jalan.
(b)
(c) Gambar 2. Derajat keanggotaan variabel input kecepatan (a) keadaan (b) dan output besaran agen (c).
Variabel
SK
N
S
SG
S
L
L
N
C
N
L
N
C
SC
B
N
N
C
SC
4.2. Desain Fuzzy Pergerakan Agen Karena dalam potential field setiap poin terdapat nilai potensialnya, maka untuk menentukan besaran nilai yang harus dilalui oleh agen digunakan dua buah sistem. Pertama sistem fuzzy untuk menentukan besaran arah yang fungsinya sebagai penentu nilai potensial yang akan dilewati agen dalam dunianya dan yang kedua adalah sistem fuzzy yang menghasilkan keputusan arah yang diambil oleh agen ketika menghadapi halangan.
Dalam perancangan fuzzy ini, perilaku yang diterapkan diharapkan mampu : - Mengetahui adanya halangan yang menghambat dalam menuju tujuan yang ditetapkan. - Pengambilan keputusan dari agen sendiri. - Agen tidak membutuhkan training dan kontrol perilaku yang diterapkan sederhana. Ditetapkan dua buah variabel penentu besaran arah, yaitu kecepatan agen dan keadaan agen. Variabel kecepatan agen diberikan empat buah parameter, yaitu : lambat (L), normal (N), cepat (C) dan sangat cepat (SC). Sedangkan untuk keadaan agen diberikan tiga buah parameter masukan, yaitu : santai (S), normal (N) dan buru-buru (B). Dalam besaran arah ditetapkan 3 parameter masukan, yaitu : rendah (R), medium (M) dan tinggi (T). Keluaran besaran arah karena yang dipilih/dihitung dari tiga poin berdasarkan arah dari agen, maka besaran arah yang ditentukan adalah 0, 1 dan 2. Table 2. Aturan fuzzy menghasilkan besaran arah. Kecepatan Agen
(a)
Keadaan
Keadaan
Stamina
Variabel
L
N
C
SC
S
R
R
S
T
N
R
S
S
T
B
R
S
T
T
Ditetapkan dua buah variabel penentu keputusan arah, yaitu jarak agen terhadap halangan dan sudut antara agen dengan halangan. Variabel jarak didapat dari penentuan jarak agen terhadap halangan dibagi jarak agen terhadap tujuan kemudian dikalikan 100%. Jadi jarak agen ditetapkan dalam nilai %. Jarak agen terhadap halangan diberikan 3 buah parameter
inputan, yaitu dekat (D), medium (M) dan jauh (J). Jadi, jika hambatan berada persis ditengah-tengah antara posisi awal agen dan tujuan, maka dapat ditetapkan bahwa jaraknya 50%. Jarak ini dihitung terus menerus sesuai letak agen pada tiap poin dalam potential field dengan jarak tujuan. Jarak Agen =
AT x100% AH
Dimana : AT = Jarak agen ke tujuan AH = Jarak agen ke halangan
(b)
!
(c) Gambar 3. Penghitungan jarak halangan.
Gambar 5. Derajat keanggotaan variabel input jarak (a) sudut (b) dan output keputusan arah (c).
Sudut hambatan dihitung berdasarkan letak agen dengan tujuan. Titik perpotongan hambatan ditarik garis sejajar dengan arah hadap agen. Jika agen menghadap tujuan, arah hadap agen merupakan arah O O 90 . Karena sudut hambatan didefinisi antara 90 O sampai -90 , maka sudut sebelah kiri agen dihitung O sebagai sudut negatif (-90 ) dan sebelah kanan agen O merupakan sudut positif (90 ). Parameter ini dijadikan masukan sudut yang secara linguistik dibagi menjadi 3, lurus (L), kanan (Ka) dan kiri (Ki).
Hasil penghitungan defuzzification pada penghindaran hambatan adalah antara 1 dan -1 yang secara linguistik dijabarkan dalam 3 variabel, yaitu : lurus (L), kanan (Ka) atau kiri (Ki). Angka 1 agen akan belok kanan, -1 agen akan belok kiri dan agen akan jalan lurus jika keluar hasil fuzzy nol. Bentuk aturan fuzzy untuk menghasilkan besaran arah dan keputusan arah yang akan diambil oleh agen dapat dilihat pada tabel 3 dan 4 dibawah. Table 3. Aturan fuzzy menghasilkan besaran arah. Kecepatan Agen L
N
C
SC
S
R
R
S
T
N
R
S
S
T
B
R
S
T
T
Keadaan
Variabel
Gambar 4. Penentuan arah penghindaran hambatan berdasarkan sudut hambatan.
Table 4. Aturan fuzzy menghasilkan keputusan arah yang akan diambil oleh agen.
Jarak Halangan
Sudut Halangan
(a)
Ki
L
Ka
D
L
Ka
L
M
L
Ki
L
J
L
L
L
4.2. Kontrol Pengambil Keputusan Arah
Stamina
Keadaan
Potensial field digunakan sebagai penentu besaran arah ketika agen menemui halangan ketika menuju tujuan yang ditetapkan.
Table 5. Hasil percobaan kecepatan jalan dengan menggunakan beberapa parameter masukan yang berbeda. 0
30
60
86
100
0
3
3
3.16
4.26
4.5
30
3
3.23
3.87
4.38
4.68
50
3
3.5
4.41
4.76
5.5
76
3.39
4.4
4.4
4.74
5.5
100
3.5
4.5
4.5
4.76
5.5
Gambar 6. Pengambilan keputusan arah agen (berwarna abu-abu) dalam potential field jika menghadap : (a) utara (b) barat (c) selatan (d) timur (e) barat laut (f) barat daya (g) tenggara (h) timur laut. Terdapat tiga pixel dalam setiap pengambilan keputusan arah ini. Dari ketiganya akan terpilih salah satu sesuai dengan angka keluaran yang telah dibuat dalam fuzzy. Dalam aturan pergerakan agen tiap pixel dalam potential field ditetapkan sebagai berikut : - Jika agen menempati satu area pixel, maka area sekeliling agen akan dicari nilai terkecil dan kemudian semua area disekeliling agen dikurangi dengan nilai terkecil tersebut. - Jika dalam keputusan besaran arah yang diambil terdapat dua pixel yang angkanya sama, maka pixel yang diambil adalah yang terdekat dengan tujuan. - Area pixel yang dicari hanya sebatas area depan, samping kiri dan kanan. Ini berarti area pixel yang dicari sebanyak 5 pixel. Hal ini berlaku pada semua area potential field. - Arah hadap agen tidak tergantung pada arah jalan, akan tetapi mengarah pada arah tujuan. - Jadi arah pergerakan agen selain ditentukan oleh hasil besaran yang keluar dari penghitungan fuzzy, juga berpengaruh pada letak sudut hambatan dan juga jarak hambatan dan juga letak antara agen dan tujuan untuk menentukan arah hadap agen ketika penghitungan tiap pixel.
5. PENGUJIAN SISTEM FUZZY 5.1. Pengujian Fuzzy Kecepatan Jalan Untuk mendapatkan variasi kecepatan jalan, diberikan pengujian parameter masukan yang berbedabeda dari dua variabel yang telah ditetapkan.
Gambar 7. Respon fuzzy kecepatan agen dalam grafik permukaan. Dari hasil pengujian Table 5 diatas dapat diketahui : - Jika stamina dan keadaan minimum (0), maka kecepatan jalan akan dihasilkan adalah 3 mil/jam - Jika stamina dan keadaan maksimum (100), maka kecepatan jalan yang dihasilkan adalah maksimum 5.5 mil/jam. - Jika stamina normal (30) dan keadaan normal (50), maka kecepatan yang dihasilkan adalah 3.5 mil/jam. Nilai keluaran ini mengindikasikan bahwa kecepatan jalan normal tercapai jika stamina agen dan keadaannya normal. 5.1. Pengujian Fuzzy Pergerakan Agen 5.1.2. Besaran Arah Variasi masukan parameter digunakan untuk menguji bahwa sistem fuzzy berjalan sesuai dengan apa yang diinginkan. Dari masukan parameter yang maksimum dihasilkan besaran arah yang maksimum. Jadi jika agen dengan kecepatan yang tinggi dan dalam keadaan buru-buru, maka agen akan melewati besaran potential field yang susah untuk dilewati. Dalam hal ini yang mempunyai nilai yang besar. Begitu pula sebaliknya, dalam tabel diatas juga dapat dilihat bahwa jika kecepatan agen rendah dan dalam keadaan santai/tidak buru-buru, maka besaran arah agen ditentukan yang kecil atau paling gampang dilewati dalam potential field.
Table 6. Hasil percobaan untuk keluaran besaran arah dengan menggunakan beberapa parameter masukan yang berbeda.
Keadaan
Kecepatan Agen 3
3.6
4.4
4.8
5.5
0
0
0.04
1
1
2
2.4
0.24
0.24
1.01
1.01
1.76
5
0
1
1
1
2
7.9
0.2
1.01
1.79
1.79
1.79
10
0
1
1.97
1.89
2
Gambar 9. Respon fuzzy keputusan arah agen dalam grafik permukaan.
6. SIMULASI DENGAN POTENTIAL FIELD Dari hasil yang telah dicapai dalam memperoleh keputusan arah dan besaran arah, kemudian diterapkan pada potential field yang telah ditentukan bentuknya. Untuk pengujian simulasi nilai yang dimasukkan untuk besaran arah dibuat konstan 0, 1 atau 2 saja. Nilai besaran arah 0 diasumsikan bahwa agen dalam berjalan dalam keadaan santai. Nilai 1 diasumsikan bahwa agen dalam berjalan keadaannya normal. Dan nilai besaran arah 2 diasumsikan bahwa agen dalam keadaan buru-buru. Sedangkan keputusan arah tergantung dunia potential field yang ada.
Gambar 8. Respon fuzzy besaran arah dalam grafik permukaan. 5.1.2. Penghindaran Halangan Pengujian penghindaran halangan prosesnya sama dengan sistempengujian fuzzy yang lainnya. Untuk mengetahui apakah sistem fuzzy untuk penghindaran halangan tersebut berhasil atau tidak, diberikan masukan parameter yang berbeda-beda berdasar variabel yang telah ditentukan. Table 7. Hasil percobaan keputusan arah dengan menggunakan beberapa parameter masukan yang berbeda.
(a)
Sudut Halangan
Jarak Halangan
-90
o
-65
o
-48
o
0
o
48
o
65
o
90
0
0
0.6
0.74
1
0.7
0.6
0
30
0
0
-0.7
-0.8
-0.7
0
0
50
0
-0.6
-0.7
-1
-0.7
-0.6
0
74
0
-0.3
-0.3
-0.7
-0.3
-0.3
0
100
0
0
0
1
0
0
0
o
Dari data Table 7 penentuan arahnya telah ditentukan sebagai berikut : Lurus jika -0.5< sudut < 0.5 Kanan jika 0.5 sudut 1 Kiri jika -1 sudut -0.5
"
! ! ! !
"
"
"
(b) Gambar 10. Hasil simulasi model potential field pertama (a) dan kedua (4) dengan 4 lintasan berdasarkan masukan nilai yang berbeda. Keterangan Gambar 10 : -
Kotak biru = titik start agen Kotak Merah = titik tujuan agen
-
Kotak Hitam = Halangan Warna lintasan orange = metode dengan potential field biasa. Warna lintasan biru = besaran nilai 0 Warna lintasan hijau = besaran nilai 1 Warna lintasan merah = besaran nilai 2
Dari hasil Gambar 10 dapat dilihat bahwa untuk besaran yang menggunakan nilai 0, lintasan menunjukkan bahwa agen cenderung untuk menghindari halangan lebih menjauh. Hal ini dikarenakan dalam halangan terdapat medan penolak yang dalam potential field bernilai lebih besar. Nilai ini sesuai dengan perilaku agen yang dalam keadaan santai yaitu cenderung memilih keadaan yang aman/memilih jalan yang mudah untuk dilewati. Pada besaran yang diberikan 1, lintasan agen cenderung untuk lebih mendekati, bahkan kadang menempel pada halangan. Hal ini dikarenakan keputusan besaran yang bisa dilalui oleh agen. Dalam kehidupan nyata, keadaan simulasi dapat mewakili keadaan jika orang sedang berjalan normal. Diasumsikan bahwa orang jika dalam keadaan normal berjalan ketika menemui halangan, maka mereka akan berfikir jika ada jalan yang bisa dilewati maka akan dia lewati meski jalan itu mungkin susah untuk dilewati. Untuk besaran yang bernilai 2, lintasan menunjukkan bahwa agen cenderung untuk mendekati /menempel halangan yang ada. Hal ini menunjukkan bahwa dalam keadaan buru-buru, agen akan memilih jalan yang susah untuk dilewati dengan selalu memilih angka yang lebih besar. Selain itu agen dalam memilih langkah menjadi agak tidak teratur. Dari keempat lintasan yang ditunjukkan dalam simulasi, lintasan dari metode potential field biasa membutuhkan langkah yang lebih banyak untuk sampai ke tujuan. Yang paling sedikit langkahnya untuk mencapai tujuan adalah besaran dengan nilai 0, kemudian nilai 1 dan setelah itu nilai besaran 2.
4. Agen yang jalannya normal terkadang mendekat atau menjauh dari halangan. 5. Agen yang berjalan terburu-buru akan cenderung akan mengambil lintasan lebih jauh. Ini terbukti dengan banyaknya langkah yang ditempuh agen ketika mencapai tujuan. 6. Dari ketiga simulasi yang telah dilakukan, agen yang terburu-buru akan terlihat lebih sulit menuju tujuannya. Dan dalam dunia nyata memang ketika orang terburu-buru terkadang keputusan yang diambil tidak selalu tepat. Parameter kondisi statis yang diberikan pada agen untuk melakukan percobaan simulasi ini dapat menghasilkan perbedaan perilaku jalan agen dalam potential field. Dengan parameter besaran yang diberikan secara statis, variasi perilaku agen dapat dicapai. Agar berjalan dalam dunia virtual terlihat lebih dinamis, percobaan simulasi harus dilakukan dengan kondisi dan parameter agen juga harus dinamis/bervariasi. Dalam game, bisa diasumsikan bahwa ketika agen berjalan dengan stamina dan keadaan maksimum. Di tengah jalan agen bertemu agen lain dan melakukan pertempuran. Selesai bertempur dan menang ternyata stamina agen menurun. Hal ini akan berpengaruh pada perilaku jalannya kemudian. Jadi parameter kondisi yang dinamis kemungkinan akan menghasilkan perilaku jalan agen yang akan terlihat lebih hidup. Tidak menutup kemungkinan bahwa dalam simulasi akan diberikan dua agen dengan kondisi dan stamina yang berbeda. Sistem fuzzy yang telah dibangun dalam penelitian ini juga tidak menutup kemungkinan untuk diterapkan banyak agen dalam satu dunia virtual potential field. DAFTAR REFERENSI [1]
7. KESIMPULAN DAN SARAN Dari penelitian dan simulasi yang telah dilakukan, maka penggunaan fuzzy dan dengan pengabungan potential field untuk mendapatkan perilaku kecepatan jalan dan keputusan pengambilan arah agen ketika menghadapi halangan dapat disimpulkan sebagai berikut : 1. Aturan fuzzy dapat diterapkan untuk menghasilkan variasi perilaku jalan dari agen dengan menggunakan aturan tertentu. 2. Perilaku berjalan agen dalam dunia virtual (potential field) dapat bervariasi sesuai keadaan dan aturan yang diberikan pada sistem fuzzy. 3. Untuk agen yang jalannya santai, cenderung untuk memilih jalan yang terlihat agak menjauh dari halangan. Akan tetapi ketika dilihat banyaknya langkah yang diambil, agen dengan keadaan yang santai lebih efisien.
[2]
[3]
[4]
[5]
Aspelin, Karen (2005). "Establishing Pedestrian Walking Speeds". Karen Aspelin, P.E., P.T.O.E. , ITE District 6 Technical Chair Parsons Brinckerhoff Albuquerque, New Mexico. Portland State University. Daamen, W, & Hoogendoorn, SP (2003). “Experimental research on pedestrian walking behavior”. In Transportation Research Board annual meeting 2003 (pp. 1-16). Washington DC: National Academy Press. Jaafar, J., McKenzie, E., (2006) “Behaviour Coordination of Virtual Agent Navigation Using Fuzzy Logic” IEEE International Conference on Fuzzy Systems Sheraton Vancouver Wall Centre Hotel, Vancouver, BC, Canada. Kienzle, J., Denault, A., Vangheluwe, H., (2008) “Model-based Design of ComputerControlled Game Character Behavior”, McGill University, Montreal, QC H3A 2A7, Canada. Lau, M., dan Kuffner, J.J., (2005) “Behavior Planning for Character Animation”, dalam
[6]
[7]
[8]
Behavior Planning for Character Animation, eds Anjyo, K., Faloutsos, P., Eurographics/ACM SIGGRAPH Symposium on Computer Animation. Maes, P. (1994), “Modeling Adaptive Autonomous Agents”, dalam MIT MediaLaboratory 20 Ames Street Rm 305 Cambridge, MA 02139. Reynolds, C.W. (1999) “Steering Behaviors For Autonomous Characters”, dalam Sony Computer Entertainment America 919 East Hillsdale Boulevard Foster City, California 94404. Thalmann, D., Musse, S.R., Kallmann, M. (1999), “Virtual Humans’ Behaviour : Individuals, Groups, and Crowds”, dalam Proceedings of Digital Media Futures.
