Reinforcement Learning (RL) adalah jenis Machine Learning di mana agen belajar membuat keputusan dengan berinteraksi dengan lingkungan dan menerima umpan balik dalam bentuk hadiah atau hukuman. Tujuan agen adalah memaksimalkan total hadiah yang diterima seiring waktu.
Konsep RL terinspirasi dari psikologi perilaku—bagaimana hewan dan manusia belajar melalui trial and error. Agen RL tidak diberi tahu tindakan mana yang benar; ia harus menemukannya sendiri dengan mencoba berbagai tindakan dan mengamati hasilnya. Tindakan yang menghasilkan hadiah positif diperkuat, sementara yang menghasilkan hukuman dihindari.
Komponen utama RL meliputi: agen (pembuat keputusan), lingkungan (dunia tempat agen beroperasi), tindakan (apa yang dapat dilakukan agen), state (kondisi lingkungan saat ini), hadiah (umpan balik numerik), dan kebijakan (strategi agen untuk memilih tindakan).
RL telah mencapai keberhasilan luar biasa di berbagai domain. AlphaGo menggunakan RL untuk mengalahkan juara dunia dalam permainan Go—sebuah pencapaian yang sebelumnya dianggap mustahil. Robotika menggunakan RL untuk mengajarkan robot berjalan, menggenggam objek, dan melakukan tugas fisik lainnya. Kendaraan otonom menggunakan RL untuk navigasi dan pengambilan keputusan di jalan raya. Game AI dalam video game menggunakan RL untuk menciptakan lawan yang cerdas.
RL juga digunakan dalam aplikasi bisnis: optimasi rantai pasok, manajemen inventaris, penjadwalan produksi, dan trading keuangan—di mana keputusan berurutan harus dibuat dalam kondisi ketidakpastian.
Tantangan RL termasuk exploration-exploitation trade-off (menyeimbangkan mencoba hal baru vs memanfaatkan apa yang sudah diketahui), sparse rewards (hadiah yang jarang membuat sulit belajar), dan sample efficiency (RL sering membutuhkan banyak interaksi untuk belajar).