Di antara berbagai paradigma machine learning, reinforcement learning (RL) mungkin yang paling terasa seperti proses belajar manusia sesungguhnya: mencoba, melihat hasilnya, lalu menyesuaikan perilaku berikutnya. Alih-alih diberi jawaban benar secara eksplisit, sebuah sistem RL belajar melalui interaksi berulang dengan lingkungannya dan umpan balik atas tindakan yang diambil.
Apa Itu Reinforcement Learning
Reinforcement learning adalah pendekatan machine learning di mana sebuah sistem - disebut agent - belajar mengambil keputusan dengan cara mencoba berbagai tindakan dalam suatu lingkungan dan menerima umpan balik berupa reward (imbalan) atau penalti atas hasil tindakan tersebut. Tujuan agent adalah memaksimalkan akumulasi reward dalam jangka panjang, bukan sekadar mendapat hasil baik sesaat.
Agent, Environment, dan Reward
Tiga elemen inti dalam RL adalah agent (pengambil keputusan), environment (lingkungan tempat agent beroperasi), dan reward (sinyal yang menunjukkan seberapa baik suatu tindakan). Pada setiap langkah, agent mengamati kondisi environment saat ini, memilih suatu tindakan, lalu menerima reward dan kondisi baru sebagai hasilnya. Siklus ini berulang terus-menerus, dan dari pengalaman berulang inilah agent secara bertahap menyempurnakan strategi pengambilan keputusannya, yang biasa disebut policy.
Bedanya dengan Supervised dan Unsupervised Learning
Supervised learning belajar dari data yang sudah diberi label jawaban benar, sementara unsupervised learning mencari pola tersembunyi dari data tanpa label sama sekali. Reinforcement learning berbeda dari keduanya: tidak ada "jawaban benar" yang diberikan secara langsung untuk setiap situasi, hanya sinyal reward yang menunjukkan apakah suatu tindakan cenderung baik atau buruk. Agent harus menyimpulkan sendiri strategi terbaik lewat trial and error, bukan meniru contoh yang sudah disediakan.
Dilema Eksplorasi vs Eksploitasi
Salah satu tantangan khas dalam RL adalah menyeimbangkan eksplorasi (mencoba tindakan baru yang belum pernah dicoba, untuk melihat apakah hasilnya lebih baik) dengan eksploitasi (mengulangi tindakan yang sudah terbukti memberi reward tinggi). Terlalu banyak eksploitasi membuat agent terjebak pada strategi yang sebenarnya belum optimal, sementara terlalu banyak eksplorasi membuang waktu pada tindakan yang ternyata buruk. Menyeimbangkan keduanya adalah inti dari banyak algoritma RL.
Area Penerapan di Dunia Nyata
Reinforcement learning cocok diterapkan pada masalah yang melibatkan pengambilan keputusan berurutan dengan umpan balik yang tertunda, bukan sekadar prediksi satu kali. Contoh area yang umum disebut meliputi robotika - mengajari robot bergerak atau memanipulasi objek melalui percobaan berulang, permainan strategi - di mana agent belajar strategi optimal lewat jutaan simulasi permainan, dan sistem rekomendasi - di mana keputusan yang diambil sekarang memengaruhi interaksi pengguna di masa depan. Kesamaan dari semua area ini adalah adanya rangkaian keputusan yang saling memengaruhi, bukan keputusan tunggal yang berdiri sendiri.