Pada arsitektur jaringan yang digunakan saat ini yaitu IP address, dengan digunakannya IP Address dalam proses pengiriman data, masalah-masalah seperti skalabilitas, keamanan, dan efisiensi dalam pengambilan konten dapat muncul. Untuk mengatasi masalah tersebut, Named Data Networking (NDN) muncul sebagai paradigma baru yang bertujuan untuk mengembangkan arsitektur internet dalam jaringan yang sebelumnya host-centric menjadi data-centric. Namun pada NDN sendiri memiliki kelemahan dalam pengoperasiannya yang ada pada dua strategi yang digunakan yaitu kemacetan (congestion) pada interface dalam pengiriman data pada strategi Forwarding dan keterbatasan dalam penyimpanan data yang di-cache pada strategi Caching. Intelligent NDN menggunakan Reinforcement Learning dirancang untuk memecahkan masalah yang telah dipaparkan. Dalam simulasi yang dijalankan akan dibuat environment dalam sistem Reinforcement Learning dengan skenario dari strategi Forwarding dan Caching yang ada pada jaringan NDN. Untuk mengukur keberhasilan sistem tersebut dilakukan pengujian menggunakan nilai learning rate dan discount factor hingga mencapai hasil yang maksimal. Proses yang dilakukan pada Reinforcement Learning menggunakan komponen dalam proses pelatihan dengan eksplorasi dan eksploitasi (trial and error) yaitu agent, action, policy, dan reward. Jenis data yang digunakan dalam penelitian ini yaitu data kuantitatif, yang diambil dari Mini-NDN berupa data acuan yang dipresentasikan dalam bentuk tabel. Dari data yang didapatkan, terdapat parameter yang digunakan dalam proses pengiriman data yaitu SRTT untuk strategi Forwarding dan RTT untuk strategi Caching. Berdasarkan hasil penelitian yang telah dilakukan, untuk strategi Forwarding dengan nilai learning rate sebesar 0.8 dan nilai discount factor sebesar 0.3 didapatkan hasil yang optimal yaitu mendapatkan reward 5 sebanyak 62. Pada strategi Caching dengan nilai learning rate sebesar 0.7 dan nilai discount factor sebesar 0.5 didapatkan hasil yang optimal yaitu mendapatkan reward 3 sebanyak 88.