<![CDATA[Gim turn-based membutuhkan Non-Player Character (NPC) yang mampu memilih aksi berdasarkan perubahan kondisi permainan. Keputusan berbasis aturan sederhana dapat menghasilkan perilaku yang mudah diprediksi, sedangkan Monte Carlo Tree Search (MCTS) mampu menghasilkan keputusan yang lebih terarah dengan konsekuensi kebutuhan komputasi dari proses pencarian berulang. Penelitian ini merancang sistem smart decision menggunakan MCTS sebagai generator keputusan dan Multi-Layer Perceptron (MLP) sebagai model yang mengaproksimasi distribusi keputusan tersebut. Penelitian meliputi perancangan gim turn-based, implementasi MCTS terbatas, pembentukan dataset melalui simulasi MCTS melawan MCTS, preprocessing dan embedding, serta pelatihan MLP menggunakan KL divergence. Evaluasi pertama menggunakan 6.894 sampel dan evaluasi kedua menggunakan 15.288 sampel. Hasil menunjukkan bahwa MLP mampu mempelajari sebagian pola keputusan MCTS. Rata-rata akurasi meningkat dari 57,57% menjadi 62,84% pada tiga fase pembelajaran evaluasi pertama. Namun, keterbacaan sinyal keputusan masih rendah dengan mean interpretability sebesar -46,31 dan win ratio MLP sebesar 0,45. Nilai evaluasi berbobot mencapai 27,29 dan belum memenuhi kriteria 60. Pada evaluasi kedua, akurasi terbaik sebesar 54,82%, sehingga penambahan perspektif hero dan data belum meningkatkan generalisasi secara langsung. Meskipun demikian, MLP memiliki mekanisme inferensi yang lebih sederhana karena keputusan dihasilkan melalui satu proses propagasi maju.]]>
