Pendekatan Teknis Procedural Content Generation dalam Sebuah Game

Sumber Gambar : 6th workshop pcg 2015.

SainsKomputer - Kemajuan pada dunia game tumbuh begitu cepat seiring dengan perkembangan jaman. Hal tersebut memicu semakin melimpahnya game dengan berbagai kesulitan dan tantangan. untuk menunjang pembuatan konten kesulitan dan tantangan yang melimpah digunakanlah PCG. artikel berikut ini akan menjelaskan pendekatan teknis PCG dalam sebuah game.

Definisi Singkat Procedural Content Generation (PCG)

Procedural Generation (PG) adalah kemampuan untuk membuat konten acak "sebagian" oleh komputer. Dalam sebuah game Procedural Content Generation (PCG) mengacu pada pembuatan konten game secara otomatis menggunakan algoritma. hal ini memungkinkan bahwa dengan sedikit ataupun tanpa masukan , Kamu dapat memprogram konten tak terbatas untuk pemain Kamu. PCG sering kali digunakan sebagai pembuat konten baik itu monster, lingkungan, drop dll.

Sebagai contoh misalnya Kamu membuat sebuah game yang mengabungkan konten monster, lingkungan maupun drop dengan mengimplementasikan PCG disetiap kontennya. Kamu akan menciptakan dunia yang unik dan tak terbatas yang memungkinkan game yang kamu buat mempunyai repayability (penggunaan ulang data, misalnya data lingkungan) yang tak terbatas.

*perlu diingat : meskipun PCG dapat memberikan inovasi konten yang beragam tetapi tidak semua game cocok menggunakan ini yang membuat pemain betah untuk terus bermain contohnya minecraft. oke lanjut.

Sampai saat ini meskipun tidak ada alat atau kerangka kerja siap pakai untuk membuat sistem PCG Kamu sendiri, tapi ada beberapa pendekatan dan metode umum untuk representasi pengetahuan. Berikut ini gambaran tentang pendekatan dan metode ini dan membahas sedikit di antara mereka.

Algoritma dan Pendekatan

Salah satu pertimbangan utama ketika memilih pendekatan untuk merancang sebuah gen operator adalah tingkat dan jenis kontrol yang dibutuhkan. Pendekatan ke PCG berkisar dari murni bottom-up, metode berbasis simulasi yang hanya mengizinkan kontrol atas keadaan awal dunia dan operator untuk mengubahnya menjadi metode top-down, berbasis kendala yang memungkinkan sistem memenuhi batasan authoring perusahaan tetapi mungkin lebih mahal untuk dibuat dan di-debug.

Pendekatan Berbasis Simulasi

Pendekatan berbasis simulasi untuk PCG dimulai dengan dunia awal dan serangkaian operator
yang dapat mengubah dunia itu dan kemudian menjalankan simulasi untuk jangka waktu yang telah ditentukan. Misalnya, pendekatan berbasis simulasi untuk membuat medan mungkin dimulai dengan satu daratan di lautan, model iklim/curah hujan, dan model erosi untuk menciptakan hujan dengan sungai, danau, tebing, dan pantai.

Pendekatan berbasis simulasi tidak mengizinkan kontrol apa pun atas keluaran akhir sistem tanpa menggunakan parameter generate-and-test digm (dijelaskan lebih lanjut di bagian sistem konstruksionis). Sementara simulasi bisa menjadi proses yang lambat dengan kontrol terbatas, ia memiliki dua manfaat potensial yang dapat membuatnya menjadi
pilihan yang baik:

(1) ini memberi Kamu riwayat konten yang dapat dirujuk atau diputar ulang.

(2) dapat dijalankan selama bermain game untuk menciptakan dunia yang bereaksi terhadap pilihan pemain dan tindakan.

Pendekatan Konstruksionis

Pendekatan konstruksionis adalah pendekatan yang menyatukan blok bangunan yang telah dibuat sebelumnya sesuai dengan algoritma yang dibuat khusus untuk game. Algoritma ini memiliki pengetahuan desain secara implisit dimasukkan ke dalamnya. Kecerdasan apa pun dalam proses hanya ada dalam pilihan yang dibuat oleh algoritma yang satu ini, daripada lebih eksplisit dinyatakan sebagai fungsi optimasi atau sebagai serangkaian batasan desain.

Misalnya, banyak generator level seperti pada game Rogue menggunakan pendekatan konstruksionis yang membangun ruangan yang berbeda dan kemudian membangun koridor diantara mereka. Pendekatan konstruksionis biasanya dalah hal ini, khusus untuk satu pihak. permainan tertentu dengan sedikit penerapan di luarnya, dan dapat diakses terutama oleh pengembang, daripada desainer dan seniman.

Pendekatan konstruksionis sering mengandalkan sepenuhnya pada representasi pengetahuan mereka (lihat di bawah). Banyak, meskipun tidak semua, pendekatan melibatkan pengambilan besar, bagian pra-penulisan konten dan menempatkan mereka di samping satu sama lain secara acak, seperti dalam permainan pelari tak berujung seperti Robot Unicorn Attack atau Canabalt.

Konstruksi semacam ipendekatan tionist mungkin lebih tepat disebut pemilihan konten, di mana tidak ada upaya untuk membuat pilihan cerdas dalam proses yang diikuti, tetapi ada yang sangat ketat kontrol desainer atas blok bangunan.

Sistem konstruksionis sulit dikendalikan dan sulit untuk mendapatkan variasi yang baik;
mudah bagi semua konten untuk mulai merasakan hal yang sama jika ada kumpulan blok penyusun yang terbatas untuk memilih dari struktur aliran kontrol percabangan besar juga bisa sulit untuk di-debug, terutama jika bug terletak pada potongan kode yang sangat jarang dieksekusi. Dan Kamu bisa menghabiskan banyak waktu untuk mengubah algoritme Kamu untuk mendapatkan konten yang tepat dalam satu situasi, tanpa menyadari bahwa Kamu secara bersamaan melanggar konten untuk beberapa yang berbeda situasi.

Namun, merancang algoritma Kamu sendiri dari awal memang memiliki beberapa manfaat.
Dari perspektif desain, pemilihan konten adalah pendekatan ringan yang cukup baik untuk beberapa game, terutama di mana tidak ada banyak batasan tentang apa yang dimaksud playability (mis., game platform sederhana seperti Canabalt hanya membutuhkan platform yang dapat dijangkau, sedangkan game puzzle kunci-dan-kunci seperti game Zelda-seperti Joris Dormans memiliki batasan yang lebih dalam).

Pendekatan Tata Bahasa

Pendekatan berbasis tata bahasa dimulai dengan menentukan kemungkinan ruang konten (atau gen-
ruang eratif) sebagai tata bahasa formal. Selanjutnya, seorang juru bahasa untuk tata bahasa itu (yang akan parse dan proses aturan untuk membuat konten) dibangun. Pemisahan eksplisit tata bahasa ini
aturan dari perakitan konten menawarkan lebih banyak organisasi daripada pendekatan konstruksionis,
di mana aturan sering didefinisikan secara implisit dalam kode, dan juga dapat berguna untuk teknik
cal desainer yang mungkin dapat mengedit aturan tata bahasa tanpa perlu menyentuh sistem perakitan konten. Tata bahasa telah digunakan untuk membuat level untuk game platforming dan game aksi-petualangan, serta alat untuk cepat merancang bangunan. Tata bahasa bentuk juga merupakan jenis tata bahasa yang berguna untuk membuat konten visual.

Ketika digunakan dalam proses di mana konten diuji terhadap persyaratan dan dibuang jika itu tidak lulus tes, pendekatan ini menyeimbangkan antara kemunculan bottom-up dari aturan yang ditentukan desainer (dalam bentuk tata bahasa) dan kontrol atas-bawah atas konten (dalam bentuk aturan penerimaan untuk konten yang dihasilkan). Itu masih memungkinkan komputer untuk jelajahi ruang desain dan dapatkan hasil yang mengejutkan dan beragam.

Tata bahasa dapat menghasilkan konten dalam jumlah besar seringkali dengan sangat cepat. Sayangnya,
tata bahasa rentan terhadap generasi yang berlebihan, di mana mereka dapat membuat konten yang tidak
dimaksudkan ketika aturan tata bahasa dirancang. Jika tata bahasanya terlalu longgar, tegang, tidak ada jaminan bahwa semua yang dapat dibuatnya akan menjadi konten yang baik. Pemasangan overgenerasi dalam aturan tata bahasa terkadang dapat membatasi kemampuan tata bahasa terlalu banyak, mengarah ke generasi yang lebih rendah. Semua konten sekarang mungkin dianggap bagus, tapi itu juga akan terasa terlalu mirip dan dapat diprediksi. Jadi, memilih untuk menghasilkan lebih banyak dan kemudian menjalankan-melakukan serangkaian tes pada hasil dapat memastikan bahwa konten yang mengejutkan masih dihasilkan, tetapi konten yang tidak dapat diterima akan dibuang.

kekuatan pendekatan berbasis tata bahasa terletak pada kombinasi sederhana, mudah dijangkau. Representasi berbasis tata bahasanya mampu menciptakan sepuluh ribu kandidat tingkat hanya dalam beberapa detik. Kecepatan pendekatan ini sebagian besar tergantung pada aturan tata bahasa, tetapi karena dimungkinkan untuk menentukan aturan rekursif, kecepatan juga tergantung pada kedalaman rekursi yang diizinkan. Kelemahan tata bahasa adalah mereka kesulitan dalam memenuhi batasan desain keras dan dalam men-debug sistem aturan, yang dapat menjadi cukup kompleks.

Optimasi

Generator berbasis optimasi melibatkan proses pencarian (seringkali tidak terbatas) yang mencari
kombinasi komponen yang optimal menurut beberapa fungsi evaluasi. Ini fungsi evaluasi biasanya ditentukan sebagai rumus yang mencoba untuk menghitung kemampuan, dan pencarian mencoba untuk memaksimalkan nilai ini. Bergantian, mungkin ada manusia dalam lingkaran, dengan pemain atau desainer manusia memilih konten favorit mereka dari antara para kandidat.

Algoritma evolusioner adalah pendekatan populer untuk pembuatan konten berbasis optimasi.
tion dalam penelitian akademis. Mereka mencoba meniru evolusi alami. Sebuah populasi awal
dibuat dan kemudian dibiakkan dan dimutasi menjadi populasi baru yang dapat dievaluasi oleh
fungsi kebugaran (atau oleh manusia dalam lingkaran).

Kandidat terbaik dibiakkan dan dimutasi sekali lagi, dan anak-anak mereka dievaluasi. Siklus ini berlanjut sampai ada bagian dari konten yang sesuai dengan fungsi evaluasi atau sampai jumlah maksimum kandidat generasi tanggal telah dibuat, pada titik mana kandidat dengan evaluasi terbaik
skor dipilih.

Sebagai contoh sederhana dari algoritma evolusioner, pertimbangkan masalah prosedur sekutu menghasilkan labirin. Sebuah algoritma evolusioner mungkin dimulai dengan populasi ribu labirin yang benar-benar acak. Itu kemudian akan menghitung skor kebugaran untuk masing-masing labirin berdasarkan seberapa baik kandidat tersebut memenuhi kriteria evaluasi dan akan menghasilkan populasi labirin baru dengan membiakkan labirin berperingkat tinggi bersama-sama mungkin dengan menggabungkan bagian kiri dan kanan dari dua labirin yang berbeda menjadi yang baru. Proses ini akan diulang baik sampai jumlah waktu yang telah ditentukan telah berlalu atau sampai labirin yang memenuhi kriteria penerimaan telah dihasilkan.

Ada banyak nuansa untuk membuat algoritma genetika. Berbasis pengoptimalan pendekatan juga sangat sensitif terhadap representasi pengetahuan yang digunakan (misalnya, representasi labirin sebagai satu set dinding dengan titik akhir dan panjang atau sebagai grid dengan terbuka dan tertutup sel), serta implementasi tertentu dari algoritma.

Apa yang seharusnya menjadi operator mutasi dan pemuliaan? Bagaimana seharusnya fungsi evaluasi
tion dibuat? Bagaimana seharusnya persentase populasi yang dipilih untuk berkembang biak?
sus bermutasi dipilih? Haruskah beberapa kandidat diselamatkan untuk generasi berikutnya?
tanpa pembiakan (dikenal sebagai elitisme)?

Ada artikel survei tentang metode berbasis pencarian Semua pendekatan berbasis optimasi untuk PCG harus memiliki fungsi evaluasi beberapa cara mengukur kebaikan keseluruhan dari konten yang berubah-ubah. Evaluasi ini fungsi dapat berupa perkiraan yang cukup sederhana, seperti jarak dari
distribusi komponen dalam konten ke distribusi yang diinginkan dari komponen tersebut.

Namun, mungkin sulit untuk menangkap segala sesuatu yang penting tentang konten dalam satu
fungsi evaluasi. Pemodelan pengalaman pemain adalah upaya untuk mengobati fungsi evaluasi lebih abstrak dengan mempelajari model preferensi pemain individu dengan meminta mereka memainkan beberapa konten dan kemudian menerapkan model sebagai kebugaran berfungsi untuk membuat konten yang dipersonalisasi.

Penggunaan pemodelan pemain yang lebih sederhana adalah dengan menggunakan manusia sebagai fungsi evaluasi. Galactic Arms Race adalah gim yang melibatkan manusia dalam pendekatan loop dan menggunakan model preferensi pemain sederhana yang disimpulkan (senjata-senjata itu yang paling sering digunakan pemain adalah yang paling diinginkan) untuk menghasilkan senjata baru yang bersifat pribadi. disesuaikan dengan gaya permainan tertentu.

Penggunaan pendekatan berbasis optimasi bergantung pada kenyamanan dengan gagasan bahwa
ada yang namanya potongan atau potongan konten yang optimal dan memungkinkan untuk
nyatakan ini secara matematis. Perhatikan bahwa fungsi evaluasi ini tidak perlu direduksi menjadi definisi matematis tentang kesenangan. Alih-alih, itu bisa menjadi seperangkat properti yang diinginkan. hubungan yang harus dituju oleh sistem.

Jika generator dirancang dengan tujuan konkret yang dapat diekspresikan secara matematis, maka pendekatan ini mungkin bagus. Ini juga bisa bekerja cukup baik jika ada cara untuk melibatkan manusia dalam membimbing proses generasi di waktu berjalan. Manfaat lainnya adalah, seperti pendekatan generate-and-test yang digunakan dengan tata bahasa, pendekatan berbasis pengoptimalan dapat berguna untuk kendala lunak—properti konten yang diinginkan tetapi tidak penting untuk fungsi permainan.

Namun, algoritma evolusioner rithms yang tidak memiliki human-in-the-loop bisa menjadi lambat, dan pemain mengalami pemodelan mengharuskan pemain untuk menjalani level pelatihan, yang dapat memakan waktu untuk pemain dan harus dirancang ke dalam game.

Didorong Kendala

Metode yang digerakkan oleh kendala adalah pendekatan deklaratif di mana kendala desain keras
ditentukan, dan kemudian pemecah kendala digunakan untuk menemukan semua solusi potensial yang memenuhi kendala tersebut. Semua konten dinyatakan sebagai variabel dengan rentang potensial
nilai, dengan batasan yang menentukan hubungan antara variabel-variabel ini. Ini sepenuhnya
pendekatan top-down memungkinkan spesifikasi pengetahuan tentang konten apa yang seharusnya
terlihat seperti terpisah dari algoritma pencarian yang mendasarinya.

Kepuasan kendala telah digunakan untuk menghasilkan interior ruangan menggunakan
kendala semantik, yang memperkenalkan pengetahuan tentang apa objek dan bagaimana mereka
berhubungan dengan orang lain (misalnya, meja harus dikelilingi oleh kursi). Pemecahan kendala numeriking telah digunakan untuk penempatan platform dan geometri level lainnya di level platformer. Pemrograman kumpulan jawaban, metode untuk menentukan masalah kendala dalam logika orde pertama, telah digunakan untuk level dalam permainan puzzle pendidikan serta game strategi real-time Warzone 2100.

Tantangan dalam kepuasan kendala untuk pembuatan konten berasal dari spesifikasi penuh
mengatasi semua kendala. Kendala yang masuk akal, seperti gagasan bahwa dua objek
tidak dapat menempati posisi yang sama pada saat yang sama, harus ditentukan bersama lebih banyak
batasan khusus permainan.

Namun, kendala adalah metode yang ampuh untuk mengekspresikan desain ruang, dan pendekatan ini bekerja dengan baik ketika ada banyak kendala yang harus dipenuhi agar isinya dapat diterima. Performa runtime untuk kendala pendekatan kepuasan terhadap PCG bervariasi secara drastis berdasarkan ukuran masalahnya, bagaimana masalah dijelaskan, dan jumlah kendala.

Banyak pemecah, seperti kumpulan jawaban pemrograman, bekerja dengan mengurangi masalah menjadi masalah kepuasan Boolean, yaitu masalah NP-lengkap. Namun, untuk domain berukuran kecil hingga menengah, seperti labirin, game puzzle berbasis grid, dan bahkan platformer sederhana, pembuatan konten berbasis kendala dapat menghasilkan hasil dalam hitungan detik, atau beberapa menit paling buruk. Terlebih lagi, menambahkan batasan sebenarnya dapat meningkatkan kinerja runtime. pembentukan beberapa sistem berbasis kendala, karena memungkinkan sistem untuk dengan cepat menghilangkan bagian dari ruang pencarian yang tidak mengandung solusi yang memuaskan.

Representasi Pengetahuan

Banyak pendekatan yang dijelaskan di bagian sebelumnya dapat lebih bervariasi dengan mengubah representasi pengetahuan yaitu, blok bangunan yang menghasilkan konten akan bersatu. Di sini, ada empat jenis utama blok bangunan yang saling menguntungkan authoring kontrol terhadap risiko pemain mengenali pola umum. Mereka sebelum dikirim secara berurutan dari yang paling banyak dibuat oleh manusia.

Potongan Pengalaman

Potongan pengalaman menangkap sejumlah besar konten yang, dengan sendirinya
dan di luar konteks seluruh konten, itu masih bisa dialami oleh
pemain sebagai entitasnya sendiri. Contohnya adalah potongan level yang digunakan di Robot Unicorn
Menyerang. Salah satu keuntungan dari representasi ini adalah bahwa ada banyak seni dan
kontrol desain atas tampilan konten yang dihasilkan, tetapi ada yang signifikan
kesempatan bahwa pemain akan mulai memperhatikan potongan yang sama berulang-ulang.
Raph Koster mencatat bahwa pemain game adalah mesin pengenalan pola [Koster 04], dan
ini memang benar untuk PCG. Kecuali pengenalan pola diinginkan, potongan pengalaman
harus dihindari atau dikurangi dengan menggunakan campuran pendekatan untuk merancang
generator (lihat Bagian 40.2.3). Potongan pengalaman biasanya digunakan dengan konstruksionis
algoritma, tetapi juga dapat digunakan dengan tata bahasa.

Template

Template adalah bentuk yang lebih umum dari potongan pengalaman, di mana tim desain dapat
masih mengontrol konten, tetapi membiarkan kosong untuk diisi oleh AI secara otomatis. Template adalah seperti Mad Libs dari PCG dan, kecuali jika ada perhatian untuk membuat template dan aturannya untuk konten apa yang dapat mengisi kekosongan, dapat memiliki konsekuensi unik yang sama dengan kata permainan. Namun, template dapat memberikan keseimbangan yang baik antara kontrol penulis dan variasi untuk game dengan ketelitian tinggi.

Template adalah semacam pola desain tingkat tinggi, dan literatur pola desain dapat menjadi tempat yang baik untuk menarik inspirasi untuk template untuk generator. Bjork dan Holopainen buku [Bjork 04] adalah kumpulan pola umum yang bagus, tetapi ada juga pola khusus 508 Analisis, Pembuatan Konten, dan Manajemen Pengalaman untuk genre seperti penembak orang pertama [Hullett 10], level permainan peran dan pencarian [Smith, G. 11a, Onuczko 05], dan platformer 2D [Smith, G. 11c], untuk menyebutkan beberapa contoh.

Komponen

Seperti halnya template, komponen adalah pola yang telah dirancang oleh manusia. Namun, tidak seperti template dan potongan pengalaman, komponen tidak dapat berdiri sendiri untuk menjadi
dialami sebagai konten dalam hak mereka sendiri.

Misalnya, musuh dalam penembak orang pertama memiliki perilaku umum yang ditentukan oleh perancang manusia, tetapi tidak dapat eksis tanpa yang lebih luas konteks tingkat yang mereka huni.

Menggunakan komponen mengurangi risiko konten pola akan terlihat oleh pemain. Namun, itu juga berarti bahwa algoritma generasi perlu memainkan peran yang jauh lebih kuat, karena hampir sepenuhnya bertanggung jawab atas kualitas dari konten yang dihasilkan. Pola komponen dapat bekerja dengan baik dengan semua pendekatan yang disebutkan dalam bab ini.

Subkomponen

Representasi subkomponen menggunakan aset sekecil mungkin. Subkomponen tidak
telah menyematkan informasi semantik tentang apa konten itu atau bagaimana konten itu harus digunakan. Mereka dapat dibayangkan sebagai jenis blok bangunan yang sama yang digunakan manusia untuk membangun level mereka, seperti aset seni dari ubin.

Sangat sedikit generator yang menggunakan pendekatan ini untuk pembuatan tenda karena sulit bagi generator untuk memahami cara memotong sesuatu bersama-sama tanpa sejumlah informasi semantik tentang konten, dan dengan demikian lebih umum bagi generator untuk menggunakan representasi komponen.

Misalnya, sangat membantu untuk generator untuk memahami konsep ruangan atau peti dan bagaimana mereka diperbolehkan untuk cocok bersama. Namun, Galactic Arms Race, sebuah game eksperimental yang menciptakan senjata sistem partikel, adalah salah satu contoh permainan yang menggunakan representasi ini.

Mencampur dan Mencocokkan

Pendekatan dan teknik representasi pengetahuan ini dapat digabungkan untuk menghasilkan sistem yang lebih canggih dan untuk memenuhi tuntutan desain game yang menarik. Untuk contoh, menggunakan pemilihan konten untuk membuat level saat runtime yang menggunakan potongan yang telah dibuat pada konten sebelumnya (yaitu, potongan pengalaman) memberikan pengurangan beban penulisan dan berbagai PCG sementara masih memungkinkan untuk algoritma generasi ringan; lebih-lebih lagi, penggunaan potongan konten yang dibuat sebelumnya dapat memberikan lebih banyak variasi di antara potongan daripada yang mudah dibuat oleh desainer manusia.

Polymorph adalah sebuah generator level adaptif eksperimental yang menggunakan pendekatan ini untuk membuat level yang disesuaikan dengan kemampuan pemain. Setiap potongan yang dibuat sebelumnya ditandai dengan kesulitan skor, dan saat pemain maju menuju level selanjutnya, potongan dengan perbedaan yang sesuai skor kesulitan (berdasarkan perkiraan tingkat keterampilan pemain melalui mengamati kegagalan mereka).

Menggunakan teknik pembuatan konten yang berbeda pada lapisan abstraksi yang berbeda dapat
membantu menyeimbangkan authoring manusia dengan kompleksitas algoritma. Misalnya, sebuah konstruksitionist, pendekatan berbasis template untuk membuat level crawler penjara bawah tanah dapat digabungkan dengan pemecah kendala untuk menempatkan item ke dalam kamar di slot yang tidak terisi. Ini akan memungkinkan kontrol ketat atas keseluruhan penampilan ruangan dan memastikan bahwa persyaratan gameplay terpenuhi, tetapi tetap memberikan variasi tingkat tinggi di ruangan isi.

Paradigma mencampur-dan-mencocokkan bisa sangat kuat, tetapi memiliki satu kekurangannya: secara umum, lapisan generator yang berbeda tidak akan dapat dengan mudah berkomunikasi satu sama lain. Dalam contoh perayap bawah tanah diberikan, jika pemecah kendala adalah tidak dapat menempatkan item ke dalam ruangan untuk memenuhi semua batasan desain, generator harus pergi mkembali dan pilih satu set templat ruang, lalu minta pemecah kendala untuk mencoba lagi. Ini karena pemecah kendala tidak memiliki kekuatan untuk mengubah tata letak ruangan, dan algoritma tata letak ruangan tidak memiliki pengetahuan tentang jenis kendala yang pemecah peduli. Dalam sistem berbasis kendala murni, tata letak ruangan berpotensi dapat bergeser untuk memenuhi kendala pada komponen tingkat.

Akhir Kata

Sekian artikel saya kali ini terkait Pendekatan Teknis Procedural Content Generation dalam Sebuah Game semoga bisa bermanfaat bagi kalian semua. Jika masih bingung jangan ragu untuk bertanya di kolom komentar dan jangan lupa bagikan artikel ini ke teman teman kalian agar bisa mendapatkan manfaatnya juga. Sekian dan Terima Kasih! BYe...