Salah satu tantangan dalam perkembangan robot mobile yaitu memiliki kemampuan robot untuk bernavigasi dengan aman. Seperti algoritma A* dan Dijkstra sudah cukup banyak dikembangkan dan dapat bernavigasi menuju ke targetnya. Namun, metode ini memiliki kekurangan yaitu ketika posisi robot diubah dari posisi sebelumnya, robot harus melakukan komputasi ulang sehingga membutuhkan waktu yang lebih lama. Penelitian ini menawarkan perbaikan dari metode yang sudah ada yaitu menggunakan metode reinforcement learning yang memungkinkan robot tidak perlu melakukan komputasi ulang Ketika bergerak dengan posisi robot yang berbeda tanpa melakukan komputasi ulang. Algoritma Q-Learning, salah satu metode Reinforcement Learning, digunakan dalam eksperimen ini untuk melatih agen berupa robot mobile dengan tiga aksi navigasi: maju, hadap kanan, dan hadap kiri. Pelatihan dilakukan selama 30.000 episode dengan parameter discount rate sebesar 0.95 dan learning rate sebesar 0.35 Hasil penelitian menunjukkan bahwa agent yang dilatih menggunakan metode ini mampu bergerak menuju target dengan efisien dan beradaptasi dengan perubahan posisi awal tanpa melakukan komputasi ulang. Agen juga berhasil mencapai konvergensi dalam lingkungannya, membuktikan keandalannya dalam navigasi.