Perkembangan game simulasi modern menuntut perilaku Non-Player Character (NPC) yang semakin cerdas dan realistis, khususnya dalam hal navigasi dan pengambilan keputusan. Salah satu tantangan utama dalam pengembangan NPC adalah menentukan jalur pergerakan yang efisien dan optimal pada lingkungan dengan tingkat kompleksitas map yang beragam. Algoritma A-Star (A*) merupakan algoritma pathfinding yang banyak digunakan karena kemampuannya mengombinasikan biaya aktual dan estimasi heuristic, namun performanya sangat dipengaruhi oleh jenis heuristic yang digunakan. Penelitian ini bertujuan untuk menerapkan algoritma A* pada sistem navigasi NPC di Roblox Studio serta menganalisis pengaruh penggunaan heuristic Manhattan Distance dan Euclidean Distance terhadap kinerja pathfinding. Metode penelitian yang digunakan adalah pendekatan kuantitatif eksperimental dengan eksperimen komputasional berbasis simulasi game tiga dimensi. Pengujian dilakukan pada tiga level map dengan tingkat kompleksitas berbeda, menggunakan dua mode pergerakan NPC (4-arah dan 8-arah). Data yang dikumpulkan meliputi waktu pencarian jalur, panjang jalur, dan tingkat optimalitas jalur yang dicatat secara otomatis melalui sistem logging. Hasil penelitian menunjukkan bahwa Manhattan Distance unggul dalam efisiensi waktu pencarian, khususnya di map level 3 dengan mode pergerakan 8-arah (1220,1 ms dibandingkan 6990,5 ms pada Euclidean Distance), sedangkan Euclidean Distance menghasilkan jalur yang lebih pendek dan optimal, terutama pada pergerakan diagonal (99 node dibandingkan 106 node pada Manhattan Distance). Temuan ini menunjukkan adanya trade-off, yaitu tidak bisa mendapatkan semuanya sekaligus secara maksimal antara efisiensi waktu dan kualitas jalur. Penelitian ini memberikan kontribusi dalam pemahaman pemilihan heuristic yang tepat pada algoritma A* untuk navigasi NPC, serta membuka peluang penelitian lanjutan pada lingkungan dinamis dan perbandingan dengan algoritma pathfinding lainnya.