Fakultas Ilmu Komputer
Universitas Brawijaya 2416
Implementasi Procedural Generation untuk Membangun Level Tactical RPG dengan menggunakan Metode Occupancy Regulated Extension
Anindita Setyamurti1, Wibisono Sukmo Wardhono2, Tri Afirianto3 Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya
Email: 1[email protected], 2[email protected], 3[email protected]
Abstrak
Game Tactical RPG merupakan suatu game dimana player mengontrol sejumlah unit untuk berlaku taktis untuk menyelesaikan tujuan dalam suatu level. Game dengan genre ini sudah amat banyak namun, hanya sedikit yang menggunakan Procedural Content Generation (PCG) untuk membangkitkan konten didalamnya untuk meningkatkan nilai replayability dari game dan secara tidak langsung memperpanjang umur game. Pada game dengan genre Tactial RPG pembangkitan dapat dilakukan untuk membangkitkan level, quest maupun karakter. Untuk membangkitan level dapat dilakukan dengan menggunakan metode Occupancy Regulated Extension (ORE) yang bekerja dengan memasangkan beberapa chunk untuk menjadi suatu level yang utuh yang kemudian dihitung nilai expressiveness linearity untuk mengukur seberapa baik level yang dihasilkan dari beberapa kali pembangkitan.
Berdasarkan pengujian yang dilakukan, diperoleh 93% hasil pembangkitan yang memiliki tingkat expressiveness linearity marginal atas. Sehingga pembangkitan level dengan menggunakan metode Occupancy Regulated Extension dapat dilakukan dan menghasilkan level yang cukup baik.
Kata kunci: Procedural Content Generator, Occupacy Regulated Extension, Tactical RPG, Pembangkitan Konten Abstract
Tactical RPG is a game where player controlling some unit tactically to complete goals in the level.There many game with this kind of genre, unfortunately only a few of them used Procedural Content Geneator (PCG) to generate content procedurally which used to increase replayability value and indirectly increase game lifespan. PCG on Tactical RPG games can be used to generate level, quest even a character. Level generation can be done using Occupancy Regulated Extension (ORE) method which putting some chunk together to create a complete level which can be measured how good the generated level using linearity expressiveness range. According to test, 93% of all generated level having high marginal values. In short, generating level using occupancy regulated extension will be resulted in pretty good level.
Keywords: Procedural Content Generator, Occupancy Regulated Extension, Tactical RPG, Content Generation
1. PENDAHULUAN
PCG atau Pembangkitan Konten Secara Prosedural merupakan sebuah cara untuk membuat sebuah konten dalam permaninan, bisa berupa karakter, cerita, misi, level, musuh dan lain lain, secara otomatis dengan menggunakan metode tertentu. Penggunaan PCG untuk membangkitkan berbagai macam konten pada saat ini umumnya hanya digunakan untuk membangkitkan konten dengan ruang lingkup terbatas seperti pembangkitan pohon yang dilakukan oleh SpeedTree (Linden, Lopes, &
Bidarra, 2014). Penggunaan PCG sendiri
memiliki kelemahan berupa kurangnya kontrol desainer terhadap hasil pebangkitan sehingga dapat berpengaruh ke gameplay (Linden, Lopes,
& Bidarra, 2014). Dibalik kelemahan yang ada, minat pembuat permainan untuk menggunakan PCG diorong oleh kemampuan PCG untuk meringankan beban artist dan content designer (Linden, Lopes, & Bidarra, 2014), memenuhi kebutuhan pemain yang telah diidentifikasi berdasarkan perilaku pemain selama permainan ( Lawrence Johnson, Georgios N. Yannakakis, Julian Togelius , 2010), dan membangkitkan konten secara prosedural yang lebih sulit diprediksi sehingga dapat membangkitkan rasa
penasaran pemain dan memperpanjang umur permainan.
Pada kenyataannya, PCG sudah sering digunakan oleh permaninan dengan genre platformer untuk membangkitkan level untuk permainan bertipe endless runner. Pada permainan dengan tipe tersebut metode yang sering digunakan adalah Notch, Parameterized Notch, Hopper, Rhythm-based, Pattern-based, Grammatical Evolution, dan Occupancy Regulated Extension (ORE) (Horn, Dahlskog, Shaker, Smith, & Togelius, 2014) . Selain permaninan dengan genre platformer, PCG juga digunakan oleh Minecraft, permaninan dengan genre survival, untuk membangkitkan dunia (Fingas, 2015), dan juga XCOM 2, permainan dengan genre Tactical RPG, untuk membangkitkan level (Tyrrel, 2015).
Dari banyak genre yang ada, permaninan dengan genre Tactical RPG jarang dibuat dengan menggunakan PCG didalamnya. Hal ini sangat disayangkan dikarenakan permainan dengan genre tersebut memiliki banyak potensi yang bisa dikembangkan seperti untuk membangkitkan level dan musuh (Smith A. , 2016). Genre Tactical RPG adalah sebuah perpanjangan tangan dari genre RPG tradisional berupa Wargame yang bertempatkan pada sebuah level berbentuk grid atau matrix yang mengempasiskan pada pergerakan taktis dari karakter (Harris, 2009).
Dari beberapa metode yang dapat digunakan untuk membangkitkan level, metode Occupancy Regulated Extension (ORE) memiliki kelebihan dimana metode ini menggunakan pendekatan secara geometris yang menyebabkan metode ini tidak bergantung pada mekanik permainan yang dibangkitkan sehingga dapat diimpelemtasikan pada berbagai jenis genre dan mekanik (Mawhorter & Mateas, 2010).
2. PROCEDURAL CONTENT GENERATOR (PCG)
PCG adalah sebuah sebuah cara pembuatan sebuah konten dengan mengkuti metode tertentu yang memungkinkan konten untuk dibangkitkan secara otomatis (Linden, et al., 2014). Dengan menggunakan metode pembangkitan yang sesuai maka dapat didapatkan berbagai kelebihan, diantara lain:
1. Dapat mengurangi beban kerja artist dan desainer.
2. Memperbanyak keanekaragaman konten
yang dibangkitkan sehingga dapat meningkatkan replayability dari permainan.
3. Memangkas waktu dan uang yang diperlukan oleh pembuat permainan untuk membangun permainan mereka.
Procedural Content Generation bukan hanya dapat menjadi pembuat konten tambahan tetapi dapat menjadi sebuah mekakik utama dari sebuah permainan (Johnson, et al., 2010) , sebagai contoh adalah game dengan genre Roguelike, Simulation, atau Sandbox.
3. TACTICAL RPG (TRPG)
Tactical Role Playing Game (TRPG) merupakan perpanjangan tangan dari genre RPG tradisional berupa sebuah wargame yang bertempatkan pada sebuah level berbentuk grid atau matrix. Pada genre ini pemain mengontrol pergerakan sejumlah unit untuk bergerak dan beraksi secara taktis dan berusaha untuk melawan musuh atau menyelesaikan goal lain yang ada di dalam level (Harris, 2009).
4. OCCUPANCY REGULATED EXTENSION (ORE)
Occupancy Regulated Extension merupakan sebuah metode pembangkitan level yang menggunakan pendekatan geometris berupa berdasarkan posisi potensial yang mungkin ditempati oleh player selama permainan yang dinyatakan sebagai anchor.
ORE menggunakan chunk, yang berupa sebuah bagian level yang akan. ORE bekerja dengan menambahkan chunk kedalam level yang dibangun pada posisi anchor yang ditentukan (Peter Mawhorter , Michael Mateas, 2010).
Gambar 1 merupakan langkah langkah yang diiterasi dalam penggunaan metode ORE.
Pertama, dipilih satu anchor yang akan menjadi context untuk mengembangkan level. Kedua, dipilih sebuah chunk dari dalam library yang cocok dengan context yang dipilih. Kemudian, chunk diintegrasikan dengan level yang dibangun.
Gambar 1 Langkah metode ORE yang disesuaikan
Context Selection merupakan langkah yang berfungsi untuk memilih bagian level yang ada untuk dikembangkan. ORE tidak peduli dengan cara yang digunakan dalam pemilihan context selama menghasilkan satu buah anchor. Cara termudah untuk memilih context adalah dengan memilih secara acak dari seluruh anchor yang ada dalam sebuah level yang akan dibangkitkan.
Chunk Selection terdiri atas langkah filtering dari chunk library untuk memilih kandidat yang kompatibel dengan level yang kemudian dilanjutkan dengan langkah selection untuk memilih salah satu dari kandidat untuk diintegrasikan. ORE sendiri tidak peduli dengan metode yang digunakan dalam proses filtering dan selection selama langkah ini menghasilkan sebuah chunk yang digunakan mengembangkan level.
Metode filtering yang digunakan dalam pengerjaan ini adalah dengan membagi filtering menjadi dua yaitu dengan tag filtering, dan geometric filtering. Tag filtering dilakukan dengan memilih chunk yang memiliki tag yang sama dengan context dari dalam chunk library.
Sementara, Geometric filtering bekerja dengan mencoba memasangkan setiap chunk yang telah terpilih pada tag filtering pada context:
1. Memasang chunk yang dites pada context.
2. Untuk setiap tile dalam chunk, dibandingkan dengan tile yang ada dalam level relatif pada posisi context.
a. Jika tile berada diluar bound level, maka chunk akan ditolak.
b. Jika tile pada chunk dan level sama, maka lanjutkan ke tile selanjutnya.
c. Jika tile pada level kosong, maka lanjutkan ke tile selanjutnya.
d. Jika tile pada chunk dan level berbeda maka chunk akan ditolak.
Metode selection yang digunakan dalam pengerjaan ini adalah dengan menggunakan weighted selection dimana setiap chunk memiliki nilai bobot tertentu kemudian diambil
sebuah nilai acak yang proporsional terhadap jumlah bobot dan frekwensi penggunaan chunk untuk membangun level dari seluruh chunk yang terpilih pada langkah filtering.
Pada langkah terakhir, chunk yang telah dipilih diintegrasikan pada context dengan memasang chunk pada posisi anchor.
Ketiga langkah ini diiterasi sampai tidak ada anchor lagi yang dapat dipilih sebagai context.
4.1. Chunk
Pada metode ORE, chunk memiliki komponen dasar yang membangun chunk seperti tile atau platform serta anchor untuk penanda posisi yang akan dikembangkan. Pada pengerjaan ini anchor dibagi menjadi dua, yaitu anchor keluar yang dapat dipilih sebagai context, dan anchor masuk yang digunakan sebagai posisi pusat untuk dipasangkan dengan context.
Gambar 2 Contoh chunk yang digunakan dalam pembangkitan
4.2. Tile
Pada pengerjaan ini, komponen dasar chunk direpresentasikan dalam bentuk tile yang memiliki ketinggian 0, 1 dan 3 seperti pada Gambar 5
Gambar 3 Representasi tile. i) bernilai 1. ii) bernilai 3. iii) bernilai 0
5. EVALUASI EXPRESSIVENESS RANGE
Evaluasi expressiveness range merupakan salah satu cara yang dapat dilakukan untuk
mengetahui ciri yang muncul dari sebuah pembangkitan (Shaker, Togelius, & Nelson, 2016). Dari pengevaluasian expressiveness range dicari tingkat linearity dari sebuah level yang dibangkitkan dengan membuat sebuah garis dengan menggunakan metode regresi linear yang dinormalisasikan menjadi antara 0 sampai 1 dan menentukan bagaimana tingkat kecocokan pola geometris yang ada dengan garis yang dihasilkan (Smith & Whitehead, Analyzing the Expressive Range of a Level Generator, 2010).
Pencarian nilai linearity digunakan untuk mencari apakah hasil pembangkitan sangat linear atau tidak dimana semakin linear sebuah nilai semakin baik (Smith, Whitehead, Mateas, Treanor, March, & Cha, 2011).
6. ACCEPTABILITY RANGE
Acceptability range merupakan sebuah skala yang digunakan untuk mempermudah pembacaan dari sebuah nilai (Bangor, Kortum,
& Miller, 2009). Dalam hal ini acceptability digunakan untuk menentukan apakah sebuah level dapat diterima sebagai linear atau tidak.
Gambar 4 Skala Acceptability Range Berdasarkan Gambar 4, diketahui bahwa nilai 0 sampai 51 berarti tidak dapat diterima.
Nilai 51 sampai 63 merupakan marginal bawah.
Nilai 63 sampai 70 merupakan marginal atas.
Nilai 70 sampai 100 merupakan dapat diterima.
7. HASIL DAN PEMBAHASAN 7.1. Pembangkitan Level
Pembangkitan level dilakukan dengan membangkitkan sebanyak 30 level dengan ukuran, posisi anchor, dan chunk library yang sama. Pembangkitan level ini menghasilkan beberapa level seperti pada Gambar 5 yang memiliki nilai linearity 0.380638751 , yang kemudian dinormalisasikan menjadi skala 0 sampai 100 dengan nilai 61.93612487 yang berarti dalam skala Acceptability Range level ini bernilai marginal bawah.
Gambar 5 Salah satu hasil pembangkitan level
7.2. Pengujian Expressiveness Range
Setelah dilakukan pembangkitan sebanyak 30 level dicari nilai expressiveness range berupa linearity yang digunakan unutk menilai apakah metode yang digunakan menghasilkan level yang baik dimana semakin linear sebuah level maka semakin baik. Pada pembangkitan level yang dilakukan, didapatkan 93% dari seluruh level yang dibangkitkan bernilai lebih dari 63 atau marginal atas seperti tertera pada Gambar 6.
Gambar 6 Grafik Expressiveness Range
8. KESIMPULAN
Berdasarkan pengujian yang dilakukan pada hasil pembangkitan dengan mencari nilai expressiveness range dari tiap hasil pembangkitan diperoleh nilai 93% dari seluruh data menghasilkan level yang bernilai marginal atas atau menghasilkan level yang cukup baik.
DAFTAR PUSTAKA
Lawrence Johnson, Georgios N. Yannakakis, Julian Togelius . (2010). Cellular automata for real-time generation of infinite cave levels. Proceedings of the 2010 Workshop on Procedural Content Generation in Games.
Bangor, A., Kortum, P., & Miller, J. (2009).
0 50 100
0 10 20 30 40
Expressiveness Range
Determining What Individual SUS Scores Mean: Adding an Adjective Rating Scale.
Journal of Usability Studies , 4(3).
Fingas, J. (2015). Engadget. Diakses Agustus
18, 2017, Tersedia di:
<https://www.engadget.com/2015/03/04/h ow-minecraft-worlds-are-made/>
Harris, J. (2009). Gamasutra.com. Diakses Agustus 05, 2017, tersedia di:
<http://www.gamasutra.com/view/feature/
4066/game_design_essentials_20_rpgs.php
?page=14>
Horn, B., Dahlskog, S., Shaker, N., Smith, G., &
Togelius, J. (2014). A Comparative Evaluation of Procedural Level Generators in the Mario AI Framework. Proceedings of the 9th International Conference on the Foundations of Digital Games.
Linden, R., Lopes, R., & Bidarra, R. (2014).
Procedural Generation of Dungeons. IEEE Transactions on Computational Intelligence and AI in Games, 6(1), 78 - 89.
Peter Mawhorter , Michael Mateas. (2010).
Procedural level generation using occupancy-regulated extension.
Computational Intelligence and Games (CIG), 2010 IEEE Symposium.
Shaker, N., Togelius, J., & Nelson, M. J. (2016).
Procedural Content Generation in Games.
New York: Springer.
Smith, A. (2016). Rock, Paper, Shotgun. Diakses Agustus 20, 2017, tersedia di :<https://www.rockpapershotgun.com/201 6/06/14/phoenix-point-new-xcom-julian- gollop/>
Smith, G., & Whitehead, J. (2010). Analyzing the Expressive Range of a Level Generator.
Proceedings of the 2010 Workshop on Procedural Content Generation in Games, 4.
Smith, G., Whitehead, J., Mateas, M., Treanor, M., March, J., & Cha, M. (2011).
Launchpad: A Rhythm-Based Level Generator. IEEE TRANSACTIONS ON COMPUTATIONAL INTELLIGENCE AND AI IN GAMES, 3(1).
Tyrrel, B. (2015). IGN. Diakses Agustus 18,
2017, Tersedia di:
<http://www.ign.com/articles/2015/06/04/
xcom-2s-procedurally-generated-maps-
ign-first>
