48
s1, a
12
0
s1, a
14
0
s2, a
21
0
s2, a
23
0
s2, a
25
0
s3, a
32
0
s3, a
36
100
s
4
,
a
41
0
s
4
,
a
45
0
s
5
,
a
54
0
s
5
,
a
52
0
s
5
,
a
56
0
?
Update
Q
(s , a
Q
(s , a
2
)
:
Q
(s
,
a
23
)
=
0
Action yang dipilih : a
36
Posisi sekarang : s
6
?
3
36
?
3
36
)
=
100
 |