<![CDATA[Perkembangan game simulasi modern menuntut sistem navigasi Non-Player Character (NPC) yang efisien dan adaptif dalam lingkungan virtual yang kompleks. Algoritma A-Star (A*) banyak digunakan dalam pathfinding karena mengombinasikan biaya aktual dan estimasi heuristic untuk menghasilkan jalur optimal. Namun, performanya dipengaruhi oleh jenis heuristic yang digunakan. Penelitian ini bertujuan mengimplementasikan A* pada sistem navigasi NPC berbasis Roblox Studio serta menganalisis kinerja Manhattan Distance dan Euclidean Distance. Metode yang digunakan adalah eksperimen komputasional pada tiga tingkat kompleksitas map (25×25, 50×50, dan 75×75 node) dengan dua mode pergerakan, yaitu 4-arah dan 8-arah. Parameter evaluasi meliputi waktu pencarian, panjang jalur, dan tingkat optimalitas. Hasil menunjukkan bahwa Manhattan Distance lebih efisien dalam waktu pencarian, terutama pada map Level 3 mode 8-arah (1.220,1 ms dibandingkan 6.990,5 ms pada Euclidean Distance). Sebaliknya, Euclidean Distance menghasilkan jalur lebih pendek dan optimal pada mode 8-arah (99 node dibandingkan 106 node pada Manhattan Distance). Temuan ini menunjukkan adanya trade-off, yaitu tidak bisa mendapatkan semuanya sekaligus secara maksimal antara efisiensi waktu dan kualitas jalur. Penelitian ini memberikan dasar empiris dalam pemilihan heuristic yang sesuai untuk sistem navigasi NPC tiga dimensi.]]>
Copyrights © 2026
