<![CDATA[Abstrak. Interaksi antara pemain dan Non-Playable Character (NPC) pada game naratif umumnya masih menggunakan sistem dialog statis yang membatasi fleksibilitas komunikasi. Beberapa penelitian telah menerapkan Natural Language Processing (NLP) pada NPC, namun sebagian besar masih berfokus pada pengembangan model klasifikasi tanpa implementasi langsung pada lingkungan game naratif, khususnya untuk interaksi berbasis teks dalam bahasa Indonesia. Penelitian ini bertujuan mengimplementasikan intent classification pada NPC menggunakan metode Term Frequency–Inverse Document Frequency (TF-IDF) dan Multinomial Naive Bayes. Dataset terdiri atas 100 kalimat berbahasa Indonesia yang dikelompokkan ke dalam lima kategori intent. Data diproses melalui tahapan case folding, cleaning, stopword removal, dan stemming, kemudian diekstraksi menggunakan TF-IDF sebelum diklasifikasikan menggunakan Multinomial Naive Bayes. Evaluasi dilakukan menggunakan pembagian data latih dan data uji sebesar 80:20. Hasil pengujian menunjukkan akurasi sebesar 85%, dengan nilai precision, recall, dan F1-score yang menunjukkan kemampuan model dalam mengklasifikasikan sebagian besar intent secara tepat. Model kemudian diintegrasikan ke dalam game Clean Room sehingga NPC mampu memberikan respons berdasarkan hasil klasifikasi intent pemain.]]>
Copyrights © 2026
