EINFORCEMENT LEARNING PADA PENERAPAN SPATIAL - TEMPORAL POST PROCESSING UNTUK GAME HEROES DAYIsyar MartuaSihiombingauthorenelitian ini dilatarbelakangi oleh permasalahan performa rendering pada permainan digital berbasis lingkungan 3D dengan kompleksitas objek tinggi dan jarak pandang yang luas, yang menyebabkan penurunan Frame per Second (FPS), munculnya lonjakan waktu render (spike), serta ketidakstabilan performa sehingga berdampak pada kualitas visual dan kenyamanan pengguna. Untuk mengatasi permasalahan tersebut, penelitian ini menerapkan pendekatan optimasi berbasis reinforcement learning yang merupakan percabangan dari machine learning yang diintegrasikan dengan teknik Spatial Temporal Post Processing, di mana agent dilatih untuk mempelajari kebijakan optimal dalam menyesuaikan parameter rendering secara adaptif sesuai kondisi lingkungan. Proses pelatihan dilakukan melalui integrasi Unity dan Python menggunakan ML-Agents, serta pemantauan performa menggunakan TensorBoard dengan indikator cumulative reward, value loss, dan policy entropy guna memastikan proses pembelajaran berjalan stabil dan konvergen. Hasil penelitian menunjukkan bahwa metode yang diusulkan mampu meningkatkan performa rendering secara signifikan, yang ditandai dengan penurunan waktu frame rata-rata, berkurangnya spike yang melebihi 33 ms, meningkatnya stabilitas FPS, serta distribusi beban rendering yang lebih seimbang. Selain itu, sistem mampu melakukan penyesuaian skala render secara adaptif tanpa mengorbankan kualitas visual, sehingga pendekatan ini terbukti efektif dalam mengoptimalkan kinerja grafis pada permainan digital dengan lingkungan kompleks.006 Metode komputer khusus2026-02-24Universitas AMIKOM Yogyakarta;Fakultas Ilmu KomputerThesis