Reinforcement Learning Adalah: Komponen, Cara Kerja & Contoh

Waktu belajar bersepeda dulu, tidak ada yang memberi kita kunci jawaban. Tidak ada daftar berisi "kalau badan miring 7 derajat ke kiri, putar setang 3 derajat ke kanan". Yang ada hanya akibat: jatuh, atau tetap melaju. Dari ratusan percobaan itulah keseimbangan terbentuk, tanpa aturannya pernah bisa kita tuliskan.

Sebagian besar cara komputer belajar tidak seperti itu. Mesin biasanya diberi ribuan contoh lengkap dengan jawaban benarnya, atau diminta mengelompokkan data tanpa jawaban sama sekali. Keduanya menuntut tumpukan data yang sudah tersedia di depan. Lalu bagaimana kalau masalahnya mirip belajar bersepeda, tempat jawaban benar tidak pernah ada?

Reinforcement learning adalah jenis machine learning di mana program belajar mengambil keputusan lewat coba-coba. Panduannya berupa nilai berbentuk angka yang ia terima setiap kali bertindak. Dalam bahasa Indonesia, metode ini disebut pembelajaran penguatan. Artikel ini membahas apa itu reinforcement learning dari nol: pengertian, asal namanya, komponen, cara kerja, algoritma, contoh nyata, sampai batas kemampuannya.

Reinforcement Learning Adalah? Pengertian dan Padanannya

Reinforcement learning adalah metode melatih program agar pandai mengambil rangkaian keputusan di dalam sebuah lingkungan. Program itu tidak pernah diberi tahu tindakan mana yang benar. Ia hanya menerima nilai — disebut reward — sesudah bertindak, lalu menyimpulkan sendiri tindakan yang paling menguntungkan dalam jangka panjang.

Dua hal membedakannya dari cara belajar mesin yang lain. Pertama, tidak ada jawaban benar, hanya nilai baik-buruk. Kedua, keputusannya berantai: satu tindakan mengubah keadaan, dan keadaan baru menentukan pilihan berikutnya.

Karena sifat berantai inilah reinforcement learning cocok untuk masalah pengambilan keputusan berurutan (sequential decision making), yaitu persoalan yang jawabannya berupa serangkaian langkah saling bergantung. Menentukan rute pengiriman, mengatur suhu ruangan sepanjang hari, atau memilih langkah dalam permainan papan, semuanya masuk kategori ini.

Dalam konteks kecerdasan buatan, reinforcement learning adalah satu dari tiga cabang machine learning, yang sendirinya bagian dari AI.

Singkatan RL di sini selalu berarti reinforcement learning, bukan makna lain yang lebih lazim di percakapan sehari-hari.

Kenapa Disebut "Penguatan"? Jejaknya dari Ruang Percobaan Psikologi

Kata "penguatan" terdengar aneh untuk istilah komputer. Asalnya memang dari psikologi perilaku, dan peminjamannya bukan kebetulan.

Pada 1898, Edward Thorndike menaruh kucing di dalam kotak yang hanya bisa dibuka dengan menarik tuas tertentu. Mula-mula kucing itu menggaruk ke sana kemari secara acak, tetapi setelah berhasil beberapa kali ia langsung menuju tuas begitu dimasukkan. Thorndike merumuskannya sebagai law of effect: tindakan yang berakibat menyenangkan cenderung diulang, dan yang tidak menyenangkan cenderung ditinggalkan.

B.F. Skinner kemudian mengembangkan gagasan itu dan memperkenalkan istilah reinforcement, yaitu penguatan perilaku lewat akibat yang mengikutinya. Jadi ketika seseorang mencari arti "reinforcement" lalu menemukan penjelasan tentang penguatan perilaku, ia tidak salah alamat. Reinforcement learning memang keturunan langsung gagasan itu, dengan kucing diganti program dan rasa senang diganti angka.

Yang memindahkannya ke ranah komputasi adalah Richard Sutton dan Andrew Barto lewat serangkaian karya sejak 1980-an. Pada 5 Maret 2025, ACM mengumumkan keduanya sebagai penerima Turing Award 2024 atas fondasi konseptual dan algoritmik pembelajaran penguatan — penghargaan tertinggi di bidang komputasi, bernilai satu juta dolar AS.

Penguatan Positif dan Penguatan Negatif

Dari literatur yang sama datang pembagian yang sering ditanyakan. Penguatan positif berarti menambahkan sesuatu yang menyenangkan sesudah perilaku muncul, sehingga perilaku itu makin sering diulang. Penguatan negatif berarti menghilangkan sesuatu yang tidak menyenangkan, dan akibatnya sama: perilaku itu ikut menguat.

Keduanya kerap tertukar dengan hukuman, padahal berbeda. Hukuman bertujuan menekan sebuah perilaku, sedangkan dua bentuk penguatan tadi sama-sama memperkuatnya. Di dalam program, ketiganya cukup diterjemahkan menjadi angka: nilai positif untuk penguatan positif, hilangnya nilai negatif untuk penguatan negatif, dan nilai negatif langsung sebagai hukuman.

Lima Komponen Reinforcement Learning

Setiap sistem reinforcement learning tersusun dari lima bagian. Supaya mudah dibayangkan, kita pakai satu contoh: robot pembersih lantai yang harus membersihkan rumah lalu kembali ke dok pengisian daya.

1. Agen (agent): pihak yang belajar dan mengambil keputusan. Di contoh kita, agennya adalah program di dalam robot pembersih itu.
2. Lingkungan (environment): dunia tempat agen bekerja beserta aturannya, yaitu denah rumah lengkap dengan perabot, kabel, dan letak dok pengisian daya.
3. State: gambaran kondisi pada satu saat, misalnya posisi robot, bagian lantai yang sudah dibersihkan, dan sisa baterai.
4. Aksi (action): pilihan tindakan yang tersedia — maju, berbelok, menaikkan daya isap, atau pulang ke dok.
5. Reward: angka yang diterima agen sesudah bertindak. Positif untuk setiap petak lantai yang bersih, negatif besar kalau baterai habis di tengah ruangan.

Hasil akhir seluruh proses belajar disebut policy, yaitu aturan yang memetakan setiap state ke tindakan yang sebaiknya diambil. Policy inilah "kepandaian" yang dicari.

Lima komponen pada satu denah ruangan: lingkungan, agen robot pembersih, aksi, petak reward +1, dan panel state.

Satu putaran penuh, dari robot menyala hingga kembali ke dok, disebut episode. Pelatihan membutuhkan ribuan sampai jutaan episode.

Istilah "agen" di sini berbeda dari AI agent yang ramai belakangan. Agen di reinforcement learning sedang dilatih lewat reward, sedangkan AI agent umumnya sudah jadi dan bekerja dengan memanggil tool.

Cara Kerja Reinforcement Learning: Lingkaran Coba, Nilai, Perbaiki

Proses belajarnya berupa lingkaran yang berulang terus-menerus. Diagram berikut menunjukkan satu putaran penuhnya.

Lingkaran belajar: agen mengamati state, memilih aksi, lingkungan berubah, lalu agen menerima reward dan state baru.

Yang membedakannya dari coba-coba acak adalah cara agen menilai hasilnya. Tujuan utama reinforcement learning adalah memaksimalkan total reward jangka panjang, bukan reward sesaat. Robot yang mengejar nilai sesaat akan berputar di satu petak kotor yang sama, sedangkan yang mengejar total rela melewati ruangan bersih demi ruangan yang belum tersentuh.

Untuk itu agen memakai discount factor, bilangan antara 0 dan 1 yang menentukan seberapa besar reward masa depan dihitung. Nilai mendekati 0 membuat agen berpikir pendek, mendekati 1 membuatnya sabar. Dalam praktik, angka 0,9 sampai 0,99 paling sering dipakai.

Persoalan berikutnya: kapan agen berhenti mencoba hal baru. Ini dikenal sebagai exploration versus exploitation, yaitu menjelajah rute yang belum dilalui atau memanfaatkan rute terbaik yang sudah diketahui. Terlalu banyak menjelajah membuat pelatihan tidak selesai-selesai, terlalu cepat berpuas diri membuat agen terjebak pada strategi setengah baik. Pengaturnya yang paling umum adalah epsilon-greedy.

Bedanya dengan Supervised dan Unsupervised Learning

Supervised learning, unsupervised learning, dan reinforcement learning adalah tiga jenis utama machine learning. Pembeda terbesarnya ada pada bentuk umpan balik yang diterima mesin.

Jenis	Umpan balik yang diterima	Analogi
Supervised learning	Jawaban benar, langsung	Soal berkunci jawaban
Unsupervised learning	Tidak ada	Menyortir tanpa acuan
Reinforcement learning	Angka reward, tertunda	Belajar bersepeda

Bentuk datanya ikut berbeda. Supervised learning menuntut data berlabel dan unsupervised learning bekerja pada data tanpa label, sedangkan reinforcement learning tidak berangkat dari tumpukan data sama sekali — datanya lahir dari interaksi agen dengan lingkungannya. Tugas khasnya pun berlainan: memprediksi jawaban, mengelompokkan data, dan menyusun rangkaian keputusan.

Kolom "umpan balik" menyimpan pembeda yang paling menentukan, yaitu soal waktu. Pada supervised learning, model langsung tahu tebakannya benar atau salah. Pada reinforcement learning, langkah keliru di menit pertama baru terasa akibatnya di menit kelima belas. Agen harus menyimpulkan sendiri langkah mana penyebabnya — persoalan yang disebut credit assignment.

Algoritma Reinforcement Learning yang Umum Dipakai

Algoritma reinforcement learning dibedakan lewat dua sumbu. Pertama, apakah agen membangun perkiraan cara kerja lingkungannya (model-based) atau belajar langsung dari pengalaman (model-free). Kedua, apakah yang dipelajari nilai setiap tindakan (value-based) atau aturan bertindaknya (policy-based). Nama yang paling sering Anda temui:

1. Q-learning: diperkenalkan Chris Watkins pada 1989, mencatat perkiraan nilai tiap pasangan state dan aksi ke dalam tabel. Sederhana dan mudah dipahami, tetapi tabelnya membengkak begitu jumlah state membesar.
2. SARSA: kerabat Q-learning yang memperbarui nilai berdasarkan tindakan yang benar-benar diambil, bukan tindakan terbaik menurut perhitungan. Hasilnya lebih berhati-hati.
3. Deep Q-Network (DQN): mengganti tabel Q-learning dengan jaringan saraf tiruan. Inilah pintu masuk ke deep reinforcement learning, yaitu reinforcement learning yang memakai deep learning sebagai penaksir nilainya.
4. Policy gradient dan PPO: alih-alih menilai tindakan satu per satu, kelompok ini langsung menyetel policy-nya. Proximal Policy Optimization (PPO) jadi pilihan baku karena pelatihannya relatif stabil.
5. GRPO: Group Relative Policy Optimization, varian yang membandingkan beberapa jawaban dalam satu kelompok ketimbang memakai model penilai terpisah. Namanya ramai sejak 2025 lewat pelatihan model penalaran.

Contoh Penerapan Reinforcement Learning

Cara paling jelas melihat contoh reinforcement learning adalah mengurutkan lima tonggak penerapan pembelajaran penguatan berdasarkan waktu, karena kemampuannya memang tumbuh bertahap.

Lini masa: TD-Gammon 1992, DQN Atari 2015, AlphaGo 2016, pendinginan Google 2016, OpenAI Five 2019.

1. TD-Gammon (1992): program backgammon buatan Gerald Tesauro yang berlatih melawan dirinya sendiri hingga mencapai level master. Bukti awal bahwa cara ini benar-benar bekerja.
2. Bermain Atari (2015): DeepMind melatih satu program yang belajar 49 game Atari hanya dari piksel layar dan angka skor, dengan algoritma serta pengaturan yang sama untuk semuanya. Hasilnya setara penguji game profesional, dimuat di jurnal Nature pada 26 Februari 2015.
3. AlphaGo (2016): mengalahkan Lee Sedol 4–1 pada 9 sampai 15 Maret 2016. Setahun kemudian AlphaGo Zero belajar tanpa satu pun data permainan manusia, dan dalam tiga hari mengungguli versi pengalah Lee Sedol 100–0.
4. Pendinginan pusat data Google (2016): sistem DeepMind memperkirakan panas pusat data satu jam ke depan, lalu menyesuaikan pendinginan seperlunya. Energinya turun 40%.
5. OpenAI Five (2019): menjadi program pertama yang mengalahkan juara dunia Dota 2 pada April 2019.

Penerapan yang lebih membumi juga ada: robotika industri dengan lengan yang belajar mencengkeram benda berbagai bentuk, lampu lalu lintas adaptif, penjadwalan pengiriman, dan strategi perdagangan otomatis di bidang keuangan. Sistem rekomendasi pun memakainya untuk menimbang kepuasan pengguna berbulan-bulan ke depan, bukan klik hari ini.

Reinforcement Learning di Balik ChatGPT: RLHF dan RLVR

Perkembangan terbesarnya justru datang dari arah yang tidak diduga: model bahasa. Sebuah LLM yang baru selesai membaca teks internet bisa menyusun kalimat rapi, tetapi belum tentu menjawab sesuai maksud penanya. Menutup jarak itulah tugas reinforcement learning.

Metodenya disebut reinforcement learning from human feedback (RLHF), dengan tiga tahap. Model mula-mula dilatih pada contoh jawaban tulisan manusia. Lalu manusia memeringkat beberapa jawaban model, dan peringkat itu dipakai melatih reward model, yaitu penilai otomatis yang meniru selera manusia. Terakhir, model utama dilatih ulang mengejar nilai dari penilai tersebut.

Tiga tahap RLHF: meniru jawaban manusia (SFT), memeringkat jawaban jadi reward model, lalu melatih model dengan PPO.

Hasilnya mengejutkan. Dalam penelitian InstructGPT (2022), penilai lebih menyukai jawaban model 1,3 miliar parameter yang sudah melewati RLHF ketimbang model 175 miliar parameter — sekitar seratus kali lebih besar, tetapi kalah.

Sejak 2025, arahnya bergeser ke reinforcement learning with verifiable rewards (RLVR). Idenya sederhana: untuk soal matematika atau kode program, kebenaran jawaban bisa diperiksa mesin, jadi reward tidak perlu bersandar pada selera manusia. Model DeepSeek-R1 dilatih dengan pendekatan ini memakai GRPO. Makalahnya menjadi sampul jurnal Nature pada 17 September 2025, sebagai model bahasa besar pertama yang lolos penelaahan sejawat. Biaya tahap reinforcement learning-nya tercatat US$294.000.

Kelebihan Reinforcement Learning

1. Tidak membutuhkan data berlabel: agen menghasilkan pengalamannya sendiri lewat interaksi, sehingga cocok untuk persoalan yang datanya belum pernah dikumpulkan.
2. Menangani keputusan berantai: kemampuan menimbang akibat jauh ke depan sulit ditiru metode lain, dan inilah alasan ia dipakai untuk permainan papan serta pengaturan sumber daya.
3. Bisa menemukan strategi di luar dugaan: AlphaGo Zero mencapai level tertinggi tanpa mencontoh permainan manusia, dan memunculkan pembukaan yang belum pernah dipakai pemain profesional.
4. Menyesuaikan diri saat keadaan berubah: selama reward terus mengalir, agen bisa memperbarui policy-nya mengikuti kondisi baru.

Kekurangan dan Hal yang Perlu Anda Pertimbangkan

Empat hal berikut yang menentukan layak atau tidaknya reinforcement learning Anda pakai.

1. Boros percobaan: agen butuh pengalaman dalam jumlah yang sulit dibayangkan. OpenAI Five melahap sekitar 45.000 tahun permainan simulasi di 256 GPU dan 128.000 core CPU. Inilah sebabnya hampir semua pelatihan reinforcement learning dilakukan di simulasi, bukan di dunia nyata.
2. Salah merancang reward berakibat fatal: pada 2016, OpenAI melatih agen memainkan game balap perahu CoastRunners. Karena skor diberikan untuk menabrak target di sepanjang lintasan, agen menemukan laguna tempat target terus bermunculan lalu berputar-putar di situ. Ia tidak pernah menyelesaikan balapan, berkali-kali terbakar dan melawan arah, tetapi skornya rata-rata 20% di atas pemain manusia. Gejala ini disebut reward hacking: agen memenuhi ukuran yang Anda tulis, bukan maksud yang Anda pikirkan.
3. Jurang antara simulasi dan dunia nyata: policy yang sempurna di simulator kerap gagal begitu dipindah ke perangkat fisik. Gesekan, keausan, dan kebisingan sensor tidak pernah tersalin utuh.
4. Sulit ditelusuri: ketika agen mengambil keputusan aneh, menemukan tindakan penyebabnya jauh lebih rumit daripada membaca model prediksi biasa.

Patokan praktisnya: kalau persoalan Anda cukup diselesaikan dengan satu prediksi dari data yang sudah ada, supervised learning hampir selalu lebih murah dan cepat. Reinforcement learning baru masuk akal bila keputusannya berantai, akibatnya terasa belakangan, dan Anda sanggup membangun simulasi yang cukup mirip keadaan sebenarnya.

Pertanyaan yang Sering Diajukan

Jelaskan apa yang dimaksud dengan reinforcement learning?

Reinforcement learning adalah cara melatih program agar mahir mengambil rangkaian keputusan, dipandu reward yang ia terima setiap kali bertindak. Program itu tidak diberi jawaban benar, hanya nilai baik-buruk, lalu menyimpulkan sendiri strategi terbaiknya.

Apa bedanya reinforcement learning dan deep reinforcement learning?

Deep reinforcement learning adalah reinforcement learning yang memakai jaringan saraf tiruan untuk menaksir nilai atau policy. Bedanya bukan pada cara belajarnya, melainkan pada alat hitungnya — dan itu menentukan ketika jumlah state terlalu besar untuk sebuah tabel, misalnya saat masukannya berupa piksel layar.

Apakah reinforcement learning termasuk supervised atau unsupervised?

Bukan keduanya. Reinforcement learning adalah jenis ketiga yang berdiri sendiri: bukan supervised karena tidak ada label jawaban benar, bukan pula unsupervised karena tetap menerima umpan balik berupa reward.

Reinforcement learning lebih banyak digunakan untuk apa?

Untuk persoalan yang jawabannya berupa rangkaian tindakan, bukan satu tebakan. Penerapan yang paling matang ada di permainan, robotika, pengaturan sumber daya, dan pelatihan tahap akhir model bahasa besar.

Perlukah pemula langsung belajar reinforcement learning?

Sebaiknya tidak. Pahami dasar machine learning dan supervised learning lebih dahulu, karena keduanya jauh lebih sering dipakai sehari-hari. Sesudahnya, jalur belajarnya biasa dimulai dari Q-learning pada persoalan kecil dengan Python beserta pustaka Gymnasium dan PyTorch. Buku rujukan bakunya Reinforcement Learning: An Introduction karya Sutton dan Barto; edisi keduanya terbit 2018 dan berlisensi terbuka, jadi bisa dibaca gratis.

Kesimpulan

Reinforcement learning adalah cara mesin belajar mengambil keputusan lewat coba-coba, dituntun reward alih-alih kunci jawaban. Lima komponennya — agen, lingkungan, state, aksi, dan reward — berputar dalam satu lingkaran yang diulang jutaan kali hingga terbentuk policy yang andal.

Metode ini bersinar pada persoalan berantai yang akibatnya baru terasa belakangan, mulai dari permainan papan sampai penyetelan model bahasa besar. Sebaliknya, untuk persoalan yang cukup diselesaikan dengan satu prediksi, metode lain jauh lebih hemat. Memahami batas itu sama pentingnya dengan memahami cara kerjanya.

Semoga artikel ini membantu.