Penerapan Algoritma Minimax dan Alpha Beta Pruning Dalam Permainan Tactical Role-Playing Game

Abstract

Tactical Role-Playing Game (TRPG) merupakan permainan strategi berbasis giliran yang menggabungkan elemen role-playing dan pengambilan keputusan taktis pada papan/grid, sehingga kualitas tantangan permainan sangat dipengaruhi oleh kecerdasan buatan (AI) dalam menentukan langkah optimal. Penelitian ini menerapkan algoritma Minimax sebagai pengambil keputusan AI dan mengoptimalkannya menggunakan Alpha-Beta Pruning untuk mempercepat proses pencarian tanpa mengubah keputusan pada kedalaman yang sama. Evaluasi dilakukan melalui pengujian performa keputusan AI pada permainan TRPG berbasis papan 8×8 yang memiliki atribut HP/MP dan multi-aksi (move, attack, magic attack, dan end turn). Hasil pengujian pada depth = 5 menunjukkan bahwa Minimax tanpa pruning menghasilkan waktu eksekusi lebih dari 6 detik per langkah dengan perluasan node rata-rata 182.400, sedangkan penerapan Alpha-Beta Pruning menurunkan waktu menjadi sekitar 2-3 detik dengan rata-rata expanded nodes 61.700. Pengujian variasi depth juga menunjukkan bahwa kedalaman pencarian berpengaruh langsung terhadap responsivitas permainan; depth rendah lebih responsif, sedangkan depth lebih tinggi meningkatkan beban komputasi dan berpotensi menyebabkan keterlambatan. Dengan demikian, optimasi Alpha-Beta Pruning terbukti meningkatkan efisiensi pengambilan keputusan AI pada TRPG dan membuat permainan lebih responsif pada perangkat dengan sumber daya terbatas.