Today's research on the topic of Machine learning has increased sharply. Machine learning is the future of the world, in the future it will be a revolution in every computer-bound science. This paper examines the field of Reinforcement learning from a computer science perspective. Reinforcement learning is part of Machine learning. In general machine learning is divided into three categories, namely supervised learning, unsupervised learning, and reinforcement learning. Supervised learning requires labeled data to analyze data, training and make conclusions, which can be used for mapping new values. Otherwise, Unsupervised learning does not use labeled data, which is more suitable for relatively irregular problems. In contrast to Reinforcement learning that is based on trial and error, by experimenting on the environment then get a response that will improve its ability. This work is summarized based on the history of Reinforcement learning and the selection of current research. This paper discusses central issues in reinforcement learning, from history, Reinforcement learning models, multiinform Reinforcement learning, including comparison of exploration and exploitation. Ends with a Reinforcement learning implementation survey of several systems. Reinforcement learning is the most suitable Machine learning in learning new things from scratch without human intervention in learning, most of Reinforcement learning is used for in-game learning. But the learning may takes a long time and is uncertain.Dewasa ini penelitian mengenai topik Machine learning telah meningkat tajam. Machine learning adalah masa depan dunia, kedepannya ini akan menjadi revolusi dalam segalah ilmu yang terikat dengan komputerisasi. Paper ini meneliti bidang Reinforcement learning dari perspektif ilmu komputer. Reinforcement learning merupakan bagian dari Machine learning. Secara umum machine learning dibagi menjadi tiga kategori, yaitu supervised learning, unsupervised learning, dan reinforcement learning. Supervised learning memerlukan data berlabel untuk menganalisis data, pelatihan dan membuat kesimpulan, yang dapat digunakan untuk pemetaan nilai-nilai baru. Sebaliknya, Unsupervised learning tidak memenggunakan data berlabel, yang mana lebih cocok untuk masalah yang relatif tidak beraturan. Berbeda dengan Reinforcement learning yang berbasis trial and error, dengan mencoba-coba pada lingkungannya kemudian mendapatkan respon yang akan meningkatkan kemampuannya. Karya ini dirangkum berdasarkan sejarah bidang Reinforcement learning dan pemilihan riset saat ini. Paper ini membahas isu-isu sentral dalam reinforcement learning, mulai dari sejarah, model Reinforcement learning, multiagent Reinforcement learning termasuk melakukan perbandingan dari eksplorasi dan eksploitasi. Diakhiri dengan survei penerapan Reinforcement Learning terhadap beberapa sistem. Reinforcement learning merupakan Machine learning yang paling cocok dalam mempelajari hal baru dari nol tanpa campur tangan manusia dalam pembelajarannya, kebanyakan dari Reinforcement learning digunakan untuk belajar dalam game. Namun pembelajaran yang dilakukan membutuhkan waktu lama dan tidak pasti.