Reinforcement Learning for Automated Systems: Review of Concepts and Implementations

Abstract

Abstrak: Studi ini bertujuan untuk melakukan kajian mendalam terhadap implementasi dan konsep Reinforcement Learning (RL) dalam sistem otomatis melalui pendekatan Systematic Literature Review. Penelitian ini menggunakan sumber literatur dari database seperti Scopus, DOAJ, dan Google Scholar dengan rentang tahun 2014-2024. Tinjauan ini menyoroti aplikasi RL dalam berbagai domain sistem otomatis seperti robotika, kendaraan otonom, manajemen lalu lintas, kedirgantaraan, manajemen energi, dan perawatan kesehatan. Hasil tinjauan menunjukkan bahwa RL memberikan kontribusi signifikan dalam meningkatkan efisiensi, adaptabilitas, dan kecerdasan sistem otomatis. Namun, implementasi RL juga dihadapkan pada tantangan seperti efisiensi data yang buruk, biaya komputasi yang tinggi, dan ketergantungan pada infrastruktur teknologi yang memadai. Berbagai solusi telah diusulkan, seperti pengoptimalan perangkat keras, metode hemat data, dan integrasi informasi struktural tambahan, untuk mengatasi tantangan ini. Meskipun demikian, masih diperlukan penelitian lanjutan untuk mengembangkan teknik-teknik yang lebih efisien dan adaptif dalam penggunaan data serta integrasi RL dengan infrastruktur otomatisasi yang lebih luas. Penelitian ini mengidentifikasi kesenjangan dalam literatur dan merumuskan topik riset mendesak untuk mengeksplorasi solusi-solusi inovatif guna memperluas aplikasi RL di masa mendatang.

Abstract: This study aims to conduct an in-depth review of the implementation and concepts of Reinforcement Learning (RL) in automated systems through a Systematic Literature Review approach. The research utilizes literature sources from databases such as Scopus, DOAJ, and Google Scholar spanning the years 2014 to 2024. The review highlights RL applications in various domains of automated systems including robotics, autonomous vehicles, traffic management, aerospace, energy management, and healthcare. The findings reveal that RL significantly contributes to enhancing efficiency, adaptability, and intelligence in automated systems. However, RL implementation faces challenges such as poor data efficiency, high computational costs, and dependence on adequate technological infrastructure. Various solutions have been proposed, such as hardware optimization, data-efficient methods, and the integration of additional structural information, to address these challenges. Nevertheless, further research is needed to develop more efficient and adaptive techniques in data utilization and the integration of RL with broader automation infrastructure. This study identifies gaps in the literature and formulates urgent research topics to explore innovative solutions for expanding RL applications in the future.