Teknologi game saat ini berkembang sangat pesat dengan banyak fitur yang ditawarkan. Hal tersebut tidak lain adalah demi memberikan sensasi kepada pemain saat bermain game. Sudah seharusnya game menjadi hal yang menyenangkan untuk dimainkan karena kesenangan merupakan hal yang pertama dipikirkan oleh seseorang ketika mendengar kata “game”. Dari situ lah para pengembang game atau game developer menggunakan berbagai cara agar game yang dibuatnya selalu menghasilkan kesenangan. Salah satu teknik yang digunakan adalah melevelkan tingkat kesulitan. Pada penelitian ini, tingkat kecerdasan musuh dibuat dengan menggunakan algoritma NEAT (Neuroevolution of Augmenting Topologies) pada game balap drone dengan menggunakan game engine unity dan aplikasi penunjang untuk membuat model 3D seperti Blender. Drone musuh diberikan sensor yang dapat mendeteksi jarak dan mengenali objek yang tertangkap yang kemudian dijadikan input pada jst yang dibuat oleh algoritma NEAT (Neuroevolution of Augmenting Topologies) agar musuh dapat mempelajari lintasan dengan baik. Dari hasil uji terhadap NPC (Non Player Character) yang dilakukan, algoritma NEAT berhasil memberikan rata-rata akurasi sebesar 0.9784 untuk testing tanpa deteksi NPC lain dan 0.9148 dengan deteksi NPC lain pada tiga lintasan yang berbeda.

Game technology is currently growing very rapidly with many features offered. This is none other than to give sensation to players while playing games. Games should be fun to play because fun is the first thing someone thinks about when they hear the word "game". From there, game developers or game creators use various methods so that the games they make always produce fun. One technique used is to increase the level of difficulty. In this study, the level of enemy intelligence was made using the NEAT (Neuroevolution of Augmenting Topologies) algorithm in drone racing games using unity game engine and supporting applications to create 3D models such as Blender. Enemy drones are provided with sensors that can detect distances and recognize captured objects which are then used as input on ANN made by NEAT (Neuroevolution of Augmenting Topologies) algorithms so that the enemy can learn the track properly. From the results of tests on NPC, the NEAT algorithm succeeded in giving an average accuracy of 0.9784 for testing without detection of other NPCs and 0.9148 with the detection of other NPCs on three different trajectories.