Getting Started with Machine Learning in Game Development
DOI:
https://doi.org/10.55824/jpm.v4i2.539Keywords:
Game Development, Machine Learning, Ml Agent, Reinforcement Learning, Unity Engine,Abstract
The The webinar and workshop titled "Getting Started with Machine Learning in Game Development", held on January 18, 2025, aimed to deliver foundational knowledge on Machine Learning (ML), with a specialized focus on Reinforcement Learning (RL) and its applications in game development, featuring two main sessions: a public webinar for theoretical education and a hands-on technical workshop. The webinar introduced core ML concepts, including Supervised Learning, Unsupervised Learning, and Reinforcement Learning, while the workshop emphasized the practical implementation of RL using Unity ML-Agents, PyTorch, Anaconda, and the C# programming language, attracting 45–56 participants from diverse institutions and highlighting significant interest in ML applications within the creative industry, particularly game development. Pre-test results (administered prior to the sessions) yielded an average score of 64.68 and a median of 60, while post-test scores (conducted after the sessions) showed marked improvement, with an average of 81.22 and a median of 90, and participant feedback was overwhelmingly positive, with attendees expressing satisfaction regarding the quality of content, expertise of speakers, and overall event organization, underscoring the effective reception of Machine Learning education and its potential to enhance skill development across sectors, including the creative and technology industries.Webinar dan Workshop "Getting Started with Machine Learning in Game Development", yang diselenggarakan pada 18 Januari 2025, bertujuan memberikan pengetahuan dasar tentang Machine Learning (ML) dengan fokus khusus pada Reinforcement Learning (RL) dan penerapannya dalam pengembangan game. Acara terdiri dari dua sesi utama: edukasi publik melalui webinar dan pelatihan teknis melalui Workshop. Webinar membahas dasar-dasar Machine Learning, Supervised Learning, Unsupervised Learning, dan Reinforcement Learning, sementara Workshop berfokus pada penerapan RL menggunakan Unity ML-Agents, PyTorch, dan Anaconda dengan bahasa pemrograman C#. Acara ini berhasil menarik 45–56 peserta dari berbagai institusi, menunjukkan minat besar terhadap penerapan Machine Learning di industri kreatif, khususnya pengembangan game. Hasil dari Pre-test yang di mana peserta mengerjakan tes tersebut sebelum pemaparan materi memiliki nilai rata rata sebanyak 64,68 poin dan median sebanyak 60 poin, sedangkan di Post-Test, yang di mana peserta mengerjakan tes tersebut setelah mendengarkan paparan materi yang diberikan, memiliki rata-rata sebanyak 81,22 poin dan median sebanyak 90 poin. Selain itu, mayoritas peserta memberikan umpan balik positif, menyatakan kepuasan terhadap kualitas materi, narasumber, dan penyelenggaraan acara. Kegiatan ini menegaskan bahwa edukasi teknologi Machine Learning diterima dengan baik dan berpotensi mendukung pengembangan keterampilan di berbagai sektor, termasuk industri kreatif dan teknologi.
References
introduction to deep reinforcement learning. In Foundations and Trends in Machine Learning (Vol. 11, Issues 3–4). https://doi.org/10.1561/2200000071
Ibarz, J., Tan, J., Finn, C., Kalakrishnan, M., Pastor, P., & Levine, S. (2021). How to train your robot with deep reinforcement learning: lessons we have learned. International Journal of Robotics Research, 40(4–5), 698–721. https://doi.org/10.1177/0278364920987859
Kober, J., Bagnell, J. A., & Peters, J. (2013). Reinforcement learning in robotics: A survey. The International Journal of Robotics Research, 32(11), 1238–1274. https://doi.org/10.1177/0278364913495721
Raza, E., Sabaruddin, L. O., & Komala, A. L. (2020). Manfaat dan Dampak Digitalisasi Logistik di Era Industri 4.0. In Jurnal Logistik Indonesia (Vol. 4, Issue 1). http://ojs.stiami.ac.id
Roihan, A., Sunarya, P. A., & Rafika, A. S. (2020). Pemanfaatan Machine Learning dalam Berbagai Bidang: Review paper. IJCIT (Indonesian Journal on Computer and Information Technology), 5(1), 75–82. https://doi.org/10.31294/ijcit.v5i1.7951
Silver, D., Huang, A., Maddison, C. J., Guez, A., Sifre, L., Van Den Driessche, G., Schrittwieser, J., Antonoglou, I., Panneershelvam, V., Lanctot, M., Dieleman, S., Grewe, D., Nham, J., Kalchbrenner, N., Sutskever, I., Lillicrap, T., Leach, M., Kavukcuoglu, K., Graepel, T., & Hassabis, D. (2016). Mastering the game of Go with deep neural networks and tree search. Nature, 529(7587), 484–489. https://doi.org/10.1038/nature16961
Sun, Y., Van, M., McIlvanna, S., Nhat, N. M., Olayemi, K., Close, J., & McLoone, S. (2024). Digital Twin-Driven Reinforcement Learning for Obstacle Avoidance in Robot Manipulators: A Self-Improving Online Training Framework. http://arxiv.org/abs/2403.13090
Downloads
Published
Issue
Section
License
Penulis yang menerbitkan jurnal ini menyetujui persyaratan berikut:
- Hak cipta atas artikel apa pun dipegang oleh penulisnya.
- Penulis memberikan jurnal, hak publikasi pertama dengan karya yang dilisensikan secara bersamaan di bawah Lisensi Atribusi Creative Commons yang memungkinkan orang lain untuk membagikan karya dengan pengakuan atas kepenulisan dan publikasi awal karya tersebut dalam jurnal ini.
- Penulis dapat membuat pengaturan kontrak tambahan yang terpisah untuk distribusi non-eksklusif dari versi jurnal yang diterbitkan dari karya tersebut (misalnya, mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan dari publikasi awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk memposting karya mereka secara online (misalnya, di repositori institusional atau di situs web mereka) sebelum dan selama proses pengiriman, karena hal itu dapat mengarah pada pertukaran yang produktif, serta kutipan yang lebih awal dan lebih besar dari karya yang diterbitkan.
- Artikel dan materi terkait yang diterbitkan didistribusikan di bawah Lisensi Internasional Creative Commons Attribution-ShareAlike 4.0
