Sejarah, Penerapan, dan Analisis Resiko dari Neural Network: Sebuah Tinjauan Pustaka | Cristina | Jurnal Informatika: Jurnal Pengembangan IT 1 PB

Sejarah, Penerapan, dan Analisis Resiko dari Neural Network : Sebuah Tinjauan Pustaka

Cristina 1*) , Ade Kurniawan 2 1,2 Jurusan Teknik Informatika, Universitas Universal

1,2 Kompleks Maha Vihara Duta Maitreya, Sungai Panas, Batam 29456, Kepulauan Riau - Indonesia email: 1 cristinashuw@gmail.com, 2 adekurniawanrusdy@gmail.com

Abstract

A Neural network is a form of artificial intelligence menentukan kontribusinya terhadap bahaya sistem dan that has the ability to learn, grow, and adapt in a dynamic memvalidasi kontrol atau mitigasi setiap bahaya. Setelah selesai environment. Neural network began since 1890 because a great tahap pertama pada HAZOPS dan tahap kedua menentukan

American psychologist named William James created the book persyaratannya, tahap selanjutnya yaitu mendesain. Neural

pengembangan design-train-test yang number of facts related to the structure and function of the berulang berkali-kali. Pada tahap desain, analisis bahaya harus brain. The history of neural network development is divided into memperhatikan aspek desain dari pengembangan, yang

"Principles of Psycology". James was the first one publish a network menjalani

4 epochs, the Camelot era, the Depression, the Renaissance, and mencakup arsitektur neural network , ukuran, penggunaan yang the Neoconnectiosm era. Neural networks used today are not 100 dimaksudkan, dan lain-lain. Kemudian akan dilanjutkan pada percent accurate. However, neural networks are still used tahap implementasi, tahap uji coba, tahap instalasi dan because of better performance than alternative computing pemeriksaan, tahap pengoperasian, dan berakhir pada tahap models. The use of neural network consists of pattern maintenance . recognition, signal analysis, robotics, and expert systems. For

risk analysis of the neural network, it is first performed using Kata Kunci  Neural Network , Analisis Resiko, Analisis Bahaya, hazards and operability studies (HAZOPS). Determining the Tinjauan Pustaka neural network requirements in a good way will help in determining its contribution to system hazards and validating the control or mitigation of any hazards. After completion of the

I. PENDAHULUAN

first stage at HAZOPS and the second stage determines the

Sejak awal, kecerdasan buatan telah difokuskan pada requirements, the next stage is designing. Neural network perbaikan di bidang ilmu komputer yang luas, dan telah underwent repeated design-train-test development. At the design memberikan kontribusi yang cukup besar untuk penelitian di

stage, the hazard analysis should consider the design aspects of berbagai bidang ilmiah dan teknis. Karya ini terutama the development, which include neural network architecture, mempertimbangkan penggunaan teknik pemodelan komputasi size, intended use, and so on. It will be continued at the di bidang kecerdasan buatan [1].

implementation stage, test phase, installation and inspection

Neural network merupakan salah satu bagian dari

phase, operation phase, and ends at the maintenance stage.

kecerdasan buatan yang memiliki kemampuan untuk belajar, tumbuh, dan beradaptasi dalam lingkungan yang dinamis.

Abstrak  Neural network adalah bentuk kecerdasan buatan Neural network yaitu metode pembelajaran yang biasa yang memiliki kemampuan belajar, tumbuh, dan beradaptasi digunakan untuk permasalahan diskrit, real ataupun vektor

tahun 1890 karena seorang psikolog Amerika terbesar yang dan

dalam lingkungan yang dinamis. Neural network mulai ada sejak

saraf manusia dalam bernama William James menciptakan buku “ Principles of melaksanakan tugas. Proses belajar neural network yaitu

juga pemodelan sistem

Psycology ”. James adalah orang pertama menerbitkan sejumlah dirangsang oleh lingkungan, kemudian mengubah dirinya fakta yang berkaitan dengan struktur dan fungsi otak. Sejarah sebagai hasil rangsangan ini, dan memberikan respon dengan

perkembangan neural network dibagi menjadi 4 zaman, yaitu cara yang baru kepada lingkungan.

Proses pembelajaran neural network terdiri dari zaman Neoconnectiosm . Neural network yang digunakan Supervised Learning dan Unsupervised Learning. Supervised sekarang tidak seratus persen akurat. Walaupun demikian, Learning adalah proses belajar yang perlu pengetahuan

zaman Camelot , zaman Depression , zaman Renaissance , dan

neural network masih digunakan karena kinerja yang lebih baik lingkungan yang akan direpresentasikan sebagai input dan daripada model komputasi alternatif. Penggunaan neural network terdiri dari pattern recognition , signal analysis , robotics , output . Model neural network yang termasuk Supervised dan expert systems . Untuk analisis resiko terhadap neural Learning adalah dengan arsitektur MultiLayer Perceptron network , pertama-tama dilakukan dengan menggunakan hazards (MLP) yang kebanyakan digunakan untuk pendidikan.

and operability studies ( HAZOPS ). Menentukan persyaratan

Sejarah yang ditinjau pada paper ini fokusnya adalah pada neural network dengan cara yang baik akan membantu dalam orang-orang yang telah berkontribusi terhadap neural network dan bukan hanya pada teori atau teknologi. Pada paper ini, *) Corresponding author: Cristina

sejumlah individu, dan Email: cristinashuw@gmail.com

menghubungkannya dengan bagaimana sebuah neural menghubungkannya dengan bagaimana sebuah neural

verifikasi & validassi lainnya untuk memastikan sistem Sejarah perkembangan neural network dibagi menjadi perangkat lunak neural network untuk misi NASA di masa empat segmen atau zaman. Kita mulai melihat sejarah neural depan. network pada Era Camelot dengan seorang psikolog Amerika

Standar ini yang dimaksudkan bersifat umum dan berlaku terbesar yang pernah ada, yaitu William James. Era Camelot untuk semua jenis perangkat lunak. Namun, panduan khusus kemudian berakhir pada tahun 1969, dengan penerbitan buku untuk analisis resiko dan bahaya yang terkait dengan dari Minsky dan Papert tentang perceptron. Zaman karakteristik khusus perangkat lunak neural network selanjutnya yaitu zaman Depression yang berlangsung dari diperlukan, dan saat ini tidak tersedia.[3] dan [4] memberikan tahun 1969 hingga 1982, ketika paper Hopfield mengenai kerangka umum untuk penilaian probabilitas-probabilitas neural networks and physical systems dipublikasikan. Zaman perangkat lunak. Ini juga berlaku secara umum untuk ketiga yaitu zaman Renaissance yang dimulai ketika paper perangkat lunak, namun tidak spesifik, atau tidak berlaku Hopfield

dengan dalam beberapa kasus, ke neural network. Tujuan penelitian dipublikasikannya paper dari Rumelhart dan McClelland pada yang diuraikan dalam paper ini adalah untuk menyediakan tahun 1986 [2]. Zaman keempat, yang bernama zaman jalur penelitian yang disarankan untuk penilaian resiko sistem Neoconnectionism dimulai setelah artikel dari Cowan dan neural network. Sharp tentang neural nets and artificial intelligence di revisi, berlangsung dari tahun 1987 hingga sekarang.

II. NEURAL NETWORK Dengan kemampuan untuk belajar dan beradaptasi, neural

Awal bermunculnya neural network berasal dari network mengenalkan solusi dan pendekatan potensial baru penelitian pada otak manusia, dimana komponen dasarnya ke beberapa masalah yang lebih menantang yang dihadapi yaitu otak dan saraf, yang ditemukan pada tahun 1836. Sel Amerika Serikat karena mengejar visi penjelajahan luar saraf memiliki nukleus dan dua pelengkap yang lain yaitu angkasa. Misalnya, salah satu bidang masalah potensial yang dendrit dan akson. Dendrit memiliki fungsi untuk menerima ada pada kontrol kendaraan udara dan darat. Agar sukses impuls dari saraf lain dan diteruskan ke badan sel, sedangkan dalam misi ke Mars dan Bulan, sistem adaptif yang cerdas, akson bertujuan untuk

menghantarkan impuls yang seperti neural network, diperlukan untuk membantu sebuah meninggalkan badan sel dan diteruskan ke neuron lain. kapal dalam mengakomodasi lingkungan yang senantiasa Sinapsis adalah jarak antara dendrit dan akson, seperti pada berubah. Kendala utama untuk menerapkan sistem yang Gbr 1. sangat kompleks adalah verifikasi dan validasi dari sistem ini.

Kebutuhan tersebut diakui oleh organisasi seperti NASA, bahwa fungsi pendukung verifikasi dan validasi harus diajukan untuk sistem neural network demi mendapatkan penerimaan yang diperlukan dalam domain masalah masing- masing. Sebagai fasilitas yang bertanggung jawab untuk memastikan keamanan perangkat lunak, kehandalan, dan kualitas program dan misi, NASA Independent Verification and Validation (IV&V) akan semakin ditantang untuk mengesahkan dan mengevaluasi sistem perangkat lunak yang berisi teknologi neural network. NASA IV & V Facility telah mengenali kebutuhan dan pentingnya teknologi neural network karena hal ini menjadi lebih layak untuk digunakan dalam aplikasi antariksa masa depan. Untuk mengatasi

kebutuhan ini, NASA IV&V F acility mensponsori Institute for Gbr.1 Diagram sel saraf secara biologis

Scientific Research, Inc. (ISR) di bawah Research Grant Karena adanya sebuah akson yang menghantarkan impuls NAGS-12069 melalui Pusat Penerbangan Antariksa Goddard dan juga adanya dendrit yang menerima impuls, maka sebuah

NASA , untuk meneliti dan mengembangkan metodologi untuk saraf bisa menerima beberapa saraf lainnya yang kemudian verifikasi dan validasi neural network.

akan membawa sinyal listrik dengan melintasi sinapsis. Selama penelitian tiga tahun terakhir, NASA IV & V Dalam sebuah otak, semua saraf saling terhubung antar

Facility telah memeriksa beberapa metode dan prosedur yang sesama saraf, bekerja sama, maka dapat disebut sebagai lebih menjanjikan untuk verifikasi dan validasi neural jaringan sel saraf. Saraf melakukan penjumlahan sinyal listrik network dan sistem adaptif. Neural network bukan solusi yang tiba di dendritnya. Kemudian penjumlahan ini sempurna, namun mampu menyebarkan metode dan prosedur dibandingkan terhadap sebuah acuan untuk menentukan untuk memverifikasi dan memvalidasi sistem yang sangat apakah saraf tersebut akan merangsang, yang menghasilkan kompleks sehingga dapat digunakan dalam aplikasi yang satu generasi sinyal ke dendrit saraf lain. Pada akhir abad ke- kritis. Metode dan prosedur yang disajikan dipilih karena

19, sinyal masukan ke saraf ditemukan mengalami pengecilan penerapannya, tingkat kematangan teknologi, kelayakan dalam

sinapsis membantu teknis, dan kegunaan dalam verifikasi dan validasi neural mengendalikan kekuatan sinyal listrik yang masuk ke neuron.

sinapsis,

yang

berarti

network .

A. Zaman Camelot

B. Zaman Depression

Sejarah perkembangan neural network dibagi menjadi Zaman kedua setelah zaman Camelot adalah masa empat zaman. Berawal dari zaman William James, disebut kegelapan (zaman Depression) yang berlangsung dari 1969 juga dengan zaman Camelot pada sekitar tahun 1890[5]. hingga 1982. Walaupun peminat neural network telah Neural network mulai terlihat pada era Camelot ketika menurun, namun tetap ada beberapa peneliti yang masih aktif seorang psikolog Amerika terbesar, William James yang melanjutkan topik ini. Pada tahun 1970an, Self-Organizing sangat mengerti dan telah mengajarkan fisiologi ini mulai Map (SOM) diperkenalkan oleh von der Malsburg[9].

muncul. James menerbitkan “Principles of Psychology”, dan Kemudian,

Willshaw, dia versi ringkasnya, “Psychology (Briefer Course)”[5]. James mengembangkan asosiasi SOM dengan peta yang diurutkan adalah orang pertama yang menerbitkan sejumlah fakta yang secara topologis di otak[10]. Pada tahun 1980, Grossburg berkaitan dengan stuktur dan fungsi otak. Penelitian dan membangun prinsip baru pengorganisasian diri yang dikenal pengembangan neural network dimulai pada tahun 1943, sebagai Adaptive Resonance Theory (ART), yang pada karena adanya karya dari W.S. McCulloch, seorang psikiater dasarnya melibatkan bottom-up recognition layer dan top- dan neuroanatomis, dan juga W. Pitts, seorang mahasiswi down generative layer. Kemudian, pada tahun 1982, Tuevo matematika, dari University of Chicago. Pada paper mereka Kohonen

memperkenalkan pengembangan dari SOM yang berjudul “A Logical Calculus of the Ideas Immanent in berdasarkan struktur lattice berdimensi satu atau dua[11].

Nervous Activity”, mereka menggabungkan bidang

neurofisiologi dan logika matematika. Pada tahun 1949, C. Zaman Renaissance

Donald Hebb, seorang psikolog dari McGill University di Zaman ketiga, zaman Renaissance, dimulai dengan paper Kanada,

baru tentang Hopfield dan diakhiri dengan publikasi Parallel Distributed pembelajaran saraf,

menerbitkan sebuah

postulat

sinapsis untuk Processing, Volume 1 and 2, oleh Rumelhart dan Mc-Clelland mentransfer sinyal antara dua neuron yang mengalami pada tahun 1986[2]. Pada tahun 1982, J.J Hopfield peningkatan secara berulang di sinapsis itu.

yaitu

efektifitas

energi dengan Teori ini juga dikenal sebagai “Aturan Hebb”, yang merumuskan cara baru untuk memahami perhitungan yang menjelaskan

sinaptik, dilakukan oleh jaringan dengan koneksi simetris sinaptik. peningkatan atau penurunan respon neuron terhadap stimulus Perspektif

prinsip energi, listrik. Marvin Minsky terinspirasi oleh apa yang dilakukan mengakibatkan banyak peneliti dari bidang ilmu pengetahuan oleh Hebb, kemudian Minsky mengunjungi laboratorium MIT lain tertarik untuk mengeksplorasi dan berkontribusi pada Artificial Intelligence pada tahun 1959. Pada saat masih bidang neural network. Paper Hopfield juga merupakan yang berstatus mahasiswa Princeton tahun 1954, Minsky telah pertama kali secara eksplisit membuat kasus untuk mengembangkan tesisnya pada “Theory of Neural-Analog menyimpan informasi dalam jaringan yang stabil secara Reinforcement Systems and Its Application to the Brain- dinamis. Model Problem”. Buku yang berjudul Computation: Finite

Pada tahun 1983, Kirkpatrick, Gelatt, dan Vecchi and Infinite Machines[6] telah memperpanjang hasil paper memperkenalkan sebuah prinsip baru untuk memecahkan dari McCulloch dan Pitts yang diterbitkan tahun 1943 dengan masalah optimasi kombinatorial yang disebut simulated menjelaskan konteks dari teori otomata dan teori komputasi. annealing, yang berakar pada mekanika statistik. Dengan Pada saat yang bersamaan, Frank Rosenblatt diperkenalkan pendekatan ini, Ackley, Hinton, dan Sejnowski[12] sebagai pendekatan baru untuk pengenalan pola, perceptron, mengembangkan mesin stokastik yang dikenal sebagai mesin yang berpuncak pada teorema konvergensi perceptron[7]. Boltzmann memberikan fondasi untuk menghubungkan Perceptron mewakili langkah signifikan dari hasil sebelumnya neural network ke jaringan belief dan khususnya untuk di neural network karena memperkenalkan gagasan tentang pengembangan jaringan sigmoid belief oleh Neal. pola belajar otomatis yang sering terjadi. Pada tahun yang

Pada tahun 1986, D.E Rumelhart dan J.L McClellan, sama, Bernard Widrow dan Marcian Hoff memperkenalkan menciptakan dua volume dalam karya mereka Parallel algoritma kuadrat terkecil dan merumuskan ADaptive LINear Distributed Processing: Explorations in the Microstructure of Element (ADALINE)[8].

Cognition[2], memperkenalkan algoritma propagasi balik, Jaringan ADALINE menggunakan bobot pada input ke yang telah muncul sebagai algoritma pembelajaran yang neuron untuk pengklasifikasian pola dan juga mampu paling

melatih perceptron mengambil data kontinu daripada input biner utama yang multilayer . digunakan oleh jaringan lain, termasuk perceptron. Dalam

banyak

digunakan untuk

buku mereka “Perceptrons”, Minsky dan Seymour Papert D. Zaman Neoconnectionism

secara matematis mendemonstrasikan beberapa keterbatasan Zaman keempat, yaitu zaman Neoconnectionism setelah mendasar pada jaringan single-layer seperti perceptron. Cowan dan Sharp memberi ulasan pada sebuah artikel tentang Mereka juga tidak yakin multi layer mampu mengatasinya. “Neural nets and artificial intelligence” yang berlangsung Oleh karena keterbatasan ini, potensi teknologi neural pada tahun 1987 hingga saat ini. Pada tahun 1988, D.S. network menjadi turun dan menyebabkan kemunduran dana Broomhead dan D. Lowe memperkenalkan sebuah alternatif secara berkelanjutan untuk penelitian neural network yang untuk perceptron multilayer dengan jaringan feed-forward kemudian berakhir pada tahun 1969, dengan penerbitan yang berlapis berdasarkan radial basis functions (RBF). sebuah buku oleh Minsky dan Papert pada perceptron.

Karya ini telah menghasilkan upaya signifikan untuk menghubungkan desain neural network ke area metode analisis numerik dan filter adaptif linier. Seorang siswa yang memiliki gelar Ph.D., Donald F. Specht, menggunakan Karya ini telah menghasilkan upaya signifikan untuk menghubungkan desain neural network ke area metode analisis numerik dan filter adaptif linier. Seorang siswa yang memiliki gelar Ph.D., Donald F. Specht, menggunakan

Quality Control dalam manufaktur berkaitan dengan LMS untuk menganalisis sinyal elektrokardiogram dewasa memastikan bahwa produk di jalur perakitan memenuhi dan janin[15].

spesifikasi yang diinginkan. Produk pada jalur perakitan memenuhi spesifikasi yang diinginkan. Spesifikasi ini bisa

III. PENERAPAN NEURAL NETWORK ditulis untuk menggambarkan bentuk, ukuran, warna, tekstur, Kebanyakan neural network yang digunakan tidak 100% dan sebagainya. Neural network dapat dilatih untuk akurat. Solusi neural network digunakan bukan karena mengenali contoh yang baik dan melalui pengenalan pola solusinya sempurna tetapi karena kinerjanya lebih baik dapat mendeteksi ketika sebuah produk gagal dalam daripada model komputasi alternatif.

mencocokkannya dengan contoh.

Persetujuan pinjaman adalah salah satu contoh di mana Sistem pengendalian kualitas neural network tidak pernah neural network terbukti menghasilkan hasil yang lebih baik letih dan mudah dikerahkan dan menghasilkan pengukuran daripada teknologi yang ada, namun data tersebut tetap tidak yang konsisten. Sistem ini adalah kandidat yang sangat baik 100% akurat. Bank telah lama menggunakan para ahli untuk untuk menggantikan inspektur manusia yang sering terganggu mengidentifikasi kemungkinan pengembalian pinjaman yang atau kewalahan dalam melakukan pekerjaan yang sama. berhasil dari entitas peminjam. Terkadang pengetahuan ini bahkan telah berubah menjadi sistem pakar, namun lembaga 2) Pengenalan Karakter pemberi pinjaman tetap mencari ketepatan yang lebih baik

Memiliki komputer yang mampu membaca bahasa tulisan dalam memprediksi kredit macet. Prediksi yang akurat 90% manusia dapat memperbaiki antarmuka manusia-komputer akan menjadi perbaikan dari proses seleksi lainnya. dan akan menghasilkan solusi komputasi yang lebih banyak Kemsely[16] membahas bagaimana solusi neural network di mana-mana. Salah satu cara yang bisa dilakukan adalah memperbaiki prediksi pinjaman yang buruk dan bagaimana melalui sistem pengenalan karakter yang memanfaatkan perbaikan neural network telah menyebabkan adopsi mereka teknologi neural network. oleh perusahaan kartu kredit sebagai bagian dari proses

Pengenalan karakter dapat digunakan sebagai bagian dari penyaringan aplikasi.

teknologi pemindaian dokumen kertas yang dikenal sebagai Untuk memberikan validasi dan verifikasi, beberapa optical character recognition . Dalam teknologi ini, dokumen praktisi perlu mengenal penggunaan neural network, terdapat kertas dipindai pertama, diubah menjadi beberapa bentuk empat area aplikasi yang perlu ditinjau luas :

terbaca komputer perantara, dan kemudian diproses oleh

1) Pattern Recognition: meliputi penglihatan, ucapan, neural

network yang

mencari

pola abjad untuk

pengenalan karakter, serta diskriminasi sasaran dan mengidentifikasi huruf atau angka apa yang terwakili. Sistem pengakuan.

ini bisa sangat rumit mengingat setiap manusia memiliki gaya

2) Signal Analysis: yang meliputi pengolahan bahasa, dan penulisan yang membedakan yang bisa bervariasi dari yang melampaui pattern recognition.

sangat rapi hingga sangat ceroboh.

3) Robotics: yang mengintegrasikan sistem kontrol, Area lain di mana neural network dapat digunakan dalam pengenalan pola, dan analisis sinyal.

pengenalan karakter adalah antarmuka manusia dengan

4) Expert Systems: yang meliputi analisis kompleks seperti komputer secara langsung seperti perangkat genggam notepad diagnosis medis atau diagnosis sistem.

atau palm computing yang baru mulai dijual. Perangkat ini menerjemahkan tulisan yang diinput secara real-time dan juga

Empat area aplikasi di atas tidak teruraikan. Masing- memiliki keuntungan tambahan yaitu dapat memberikan masing memiliki kompleksitasnya, dan selalu mengacu pada umpan balik secara instan dimana pengguna dapat masalah lainnya.

memperbaiki konversi yang tidak semestinya.

Anderson[17] mengutip beberapa contoh lagi termasuk

A. Pengenalan pola pembaca kartu kredit dengan akurasi 98-99%, sistem yang Pengenalan

mencakup dapat membaca kursif, dan neural network yang telah bidangbidang seperti penglihatan, ucapan, dan pengenalan dikembangkan untuk menafsirkan karakter bahasa Asia. karakter, serta diskriminasi dan pengakuan sasaran.

pola

(pattern recognition )

Karakter ini bisa jauh lebih sulit daripada bahasa berbasis Praktisi validasi & verifikasi dapat melihat neural network roman karena mereka menggunakan kombinasi yang jauh yang digunakan untuk aktivitas pengenalan pola. Salah satu lebih rumit. contohnya berasal dari bandara JFK dimana neural network digunakan untuk mendeteksi bom dengan mengenali sebuah 3) Pemrosesan Bahasa pola dari data yang dihasilkan oleh sensor sinar gamma.

Seperti pengenalan karakter, pemrosesan bahasa juga Dalam hal ini neural network dilatih untuk mengidentifikasi memiliki seperangkat pola yang biasanya dapat ditafsirkan varians kecil yang terkait dengan adanya bom.

dan dikonversi oleh sistem neural network. Alih-alih pola Contoh kedua adalah neural network propagasi balik yang yang terdiri dari gambar yang mewakili karakter atau kata, terlatih digunakan untuk memberikan probabilitas bahwa bahasa terdiri dari pola fonetik yang terdiri dari huruf, suku pasien di rumah sakit terbukti mengalami serangan jantung. kata, dan kata-kata. Neural network dilatih pada data yang dikumpulkan dari

Akhir-akhir ini, neural network ditemukan dalam sistem ruang gawat darurat. Dari data ini, jaringan melihat pola respon

banyak pembicara banyak pembicara

C. Robotika

mengkomunikasikan pesan ke kendaraan atau ground control Robotika adalah area lain di mana praktisi verifikasi dan mereka dengan menggambarkan perintah ke satelit robot.

melihat penggunaan

teknologi

neural network yang ekstensif. Robotika

B. Pemrosesan Sinyal mengintegrasikan beberapa fungsi kompleks termasuk: sistem Aplikasi pemrosesan sinyal melakukan sesuatu untuk kontrol, pengenalan pola, dan analisis sinyal. Robotika juga mentransformasikan data kemudian membuat keputusan, menggunakan banyak teknologi sistem cerdas yang berbeda prediksi, dll. Sementara sistem pengenalan pola dapat dimana bentuk perangkat lunak cerdas tertentu digunakan melakukan tindakan terhadap data mentah tanpa transformasi. untuk memecahkan masalah yang sangat spesifik, namun

dapat sistem komponen diharapkan dapat bekerja sama secara mengumpulkan dan menganalisis data sensor, terkadang keseluruhan. Neural network sering dipekerjakan karena untuk umpan balik ke sistem atau untuk keperluan kemampuan mereka untuk menyesuaikan diri dengan situasi pengambilan keputusan. Kemsely[16] mengidentifikasi baru, untuk mendapatkan dan mempertahankan pengetahuan, aplikasi pemrosesan sinyal untuk pengenalan dan klasifikasi dan untuk menggeneralisasi di luar pelatihan awal mereka. sinyal dimana pengenalan target terjadi melalui interpretasi

Analisis sinyal mencakup

aplikasi

yang

Di luar bidang kompleks sistem otonom, neural network sinyal pantulan seperti radar. Akhir-akhir ini, neural network dikerahkan dalam berbagai aplikasi servo-control. Ini telah terbiasa mengenali seseorang dengan gaya berjalan berkisaran dari aplikasi kedirgantaraan yang canggih seperti mereka.

IPCS, ke berbagai sistem pendukung mobilitas seperti sistem Area yang memungkinkan untuk neural network dengan anti-lock breaking di mobil, hingga thermostat yang sesuai pemrosesan sinyal yaitu reduksi noise. Jaringan saraf adaptif dengan kondisi lingkungan. dapat mempelajari perilaku mendasar yang menggambarkan

Neural network tidak hanya tertanam dalam banyak sistem fungsi noise, dan kemudian melepaskan fungsi ini dari sinyal robotika di bidang manufaktur, namun sering kali terlibat data.

dalam area kontrol proses lainnya, misalnya, perencanaan Area aplikasi yang lain untuk neural network berkaitan lantai toko[20] dan diagnosis[21]. dengan pemrosesan sinyal adalah kompresi data. Beberapa teknik kompresi data neural network melatih jaringan pada 1) Kendaraan Otonom data mentah dengan cara yang tidak diawasi - tanpa panduan,

produksi yang memungkinkan jaringan untuk mengetahui cara terbaik untuk menggunakan teknologi kendaraan robot adalah kendaraan melakukan kompresi. Kumpulan data dapat mengalami otonom. Dua wilayah dalam kendaraan otonom adalah pengurangan dimensi dan melalui pengelompokan data kendaraan darat robotik dan Unmanned-Aerial Vehicles internal, kelompok data serupa dapat ditunjukkan oleh data (UAV) . yang lebih sedikit. Jaringan DCS dalam sistem IFCS dapat

Defense Advanced Research Projects Agency (DARPA) dianggap sebagai kompresi data.

baru-baru ini mensponsori sebuah kompetisi robot yang Kompresi data bukan berarti tidak memiliki kekurangan. disebut

mempromosikan Mengurangi data sepuluh dimensi yang diatur ke tujuh pengembangan teknologi kendaraan otonom. Peserta lomba dimensi dapat menghemat penyimpanan data, namun bila data harus merancang kendaraan yang bisa melintasi rute padang didekompresi ke dimensi yang lebih tinggi, beberapa pasir dalam waktu kurang dari sepuluh jam, tanpa antarmuka informasi akan hilang. Keuntungan menggunakan neural manusia dan tanpa dikontrol, menentukan navigasi sendiri, network adalah jika mekanisme kompresi yang mendasarinya dan menangani berbagai kondisi dan rintangan medan. Tiga tidak diketahui, neural network mampu menerapkan belas entri diizinkan untuk bersaing dalam balapan, namun pendekatan melalui adaptasi.

Grand

Challenge untuk

akhirnya tak satu pun dari mereka yang berhasil. Tetapi, Gelenbe[18] membahas penggunaan neural network untuk kemungkinan penggunaan robot tidak berawak (unmanned- kompresi/dekompresi data citra yang digunakan dalam aerial vehicles ) untuk pertempuran atau pengintaian konferensi video, HDTV, dan videophones. Gelenbe[18] mempertahankan tujuan yang layak dan DARPA berencana mengemukakan bahwa popularitas neural network pada untuk menjadi tuan rumah kompetisi lagi tahun depan. kompresi citra terutama disebabkan oleh sifat belajar mereka.

NASA memiliki minat khusus dalam mengembangkan Carrato[19] memberikan contoh dimana model jaringan eksplorasi robot otonom karena penundaan waktu yang dapat syaraf feed-forward mampu mencapai rasio kompresi 16:1 dialami oleh ground control dimana mereka secara manual pada beberapa gambar.

mengarahkan rover atau satelit untuk melakukan fungsi yang Praktisi verifikasi dan validasi dapat melihat proyek yang kompleks. Contoh kasus yang bagus dimana teknologi menggunakan neural network di bidang pengurangan noise kendaraan robotik yang bisa digunakan adalah rover NASA dan kompresi data, terutama saat mempertimbangkan bahwa Mars baru-baru ini, Spirit and Opportunity. Penundaan waktu mengarahkan rover atau satelit untuk melakukan fungsi yang Praktisi verifikasi dan validasi dapat melihat proyek yang kompleks. Contoh kasus yang bagus dimana teknologi menggunakan neural network di bidang pengurangan noise kendaraan robotik yang bisa digunakan adalah rover NASA dan kompresi data, terutama saat mempertimbangkan bahwa Mars baru-baru ini, Spirit and Opportunity. Penundaan waktu

neural network adalah area dimana praktisi validasi & verifikasi akan melihat mengendali sistem lebih dalam. Tugas komponen adaptif neural network yang dipekerjakan.

online adalah memperbaiki pelacakan kesalahan dan Pengembangan UAV akan menjadi salah satu area utama memberikan umpan balik langsung ke modul inversi dinamis. untuk menggunakan teknologi neural network. Terutama Modul inversi dinamis ini menghitung kontrol pesawat karena teknologi telah cukup matang sehingga perusahaan terbang dan neural network merupakan bagian yang lebih seperti Boeing sekarang siap untuk memasukkan teknologi integral dari perhitungan tersebut daripada pada generasi neural network dalam pengembangan militer mereka. pertama. Keberhasilan pesawat pengintai tak berawak AS, the

Generasi berikutnya mungkin akan membuat modul Globalhawk , mendorong pengembangan lebih lanjut di neural network lebih integral lagi dari sistem. Penggunaan bidang ini.

dan kenaikan mereka yang semakin penting dalam pengendalian penerbangan cerdas terkait langsung dengan

2) Kontrol Lintasan Manipulator keberhasilan praktisi validasi & verifikasi untuk mengesahkan Kemsely[16] menganjurkan untuk menggunakan neural sistem tersebut. Solusi neural network ini tidak akan pudar network di bidang kontrol pengendali robot manipulator karena penelitian yang dilakukan oleh NASA telah karena desain kinematika robot sangat sulit dan memakan menunjukkan bahwa perbaikan besar dapat dilakukan pada waktu. Jika menggunakan neural network, maka mereka sistem

kontrol penerbangan melalui adaptasi untuk dapat menghemat waktu pengembangan yang berharga dan mengakomodasi kegagalan atau kerusakan. memecahkan masalah sendiri karena jaringan syaraf memiliki kemampuan adaptasi dan generalisasi.

D. Sistem Pakar

Rover NASA dengan lengan instrumen diperluaskan Sistem Pakar pada umumnya dianggap simbolis, sistem untuk mengumpulkan data dari lingkungannya. Saat lengan berbasis aturan. Namun, neural network juga bisa dilatih itu bergerak, sebuah algoritma mengendalikan di mana ia bisa untuk melakukan tugas ahli yaitu tugas yang selama ini bergerak, seberapa cepat ia bisa bergerak, dan tahu bagaimana dipandang membutuhkan beberapa tingkat keahlian, atau hal itu bisa bergerak pada langkah selanjutnya. Jika pengetahuan (knowledge-based systems). Tentu saja, cara manipulator berubah karena tabrakan, getaran, kerusakan keahlian dikodekan dalam neural network secara radikal internal, atau bahkan kegagalan perangkat lunak, algoritma berbeda dari seperangkat aturan yang dapat dibaca manusia. harus diubah juga untuk mengakomodasi hal ini. Mencoba Penggunaan mereka mencakup analisis kompleks seperti yang memperhitungkan semua kemungkinan kegagalan bisa sangat diperlukan untuk diagnosis medis, diagnosis sistem, dan mudah, tetapi jika tidak sepenuhnya, akan membuat analisis keuangan. perkembangan algoritma tradisional menjadi tidak mungkin.

dibutuhkan tidak Sistem cerdas yang dapat disesuaikan dapat kembali didokumentasikan secara eksplisit, atau bahkan diketahui mempelajari fungsinya sendiri.

secara sadar, namun harus diekstraksi dari data aktual. Ini Selain kegagalan, pertimbangan dinamis lainnya untuk adalah bidang data mining[22]. Berbeda dengan pembahasan pengendalian manipulator adalah menghindari hambatan. sebelumnya tentang pengenalan pola, di mana setidaknya pola Selain mengubah sistem karena kegagalan, sistem juga harus yang dikenali diketahui, data mining difokuskan untuk bisa mengubah perilaku karena kondisi lingkungan atau objek mengidentifikasi pola yang sebelumnya tidak dikenal. yang berbeda. Sama seperti skenario kegagalan, memiliki

Metode berkelompok dari teori data handling dan algoritma yang dapat disesuaikan yang dapat meringankan aplikasinya merupakan salah satu contoh upaya propagasi banyak kerumitan dalam merancang algoritma kontrol yang dari metode inductive self-organizing ke solusi masalah menjelaskan setiap kemungkinan skenario.

praktis yang kompleks[23].

3) Intelligent Flight Control

1) Diagnosa

Kontrol penerbangan cerdas terdaftar di bawah robotika Salah satu aplikasi diagnostik tersebut adalah sistem karena di sebagian besar sistem ini, neural network bertindak diagnosa yang bisa mendeteksi mesin macet hanya dari noise. secara otonom untuk mengubah perilaku pesawat terbang. Kemsely[16] membahas sistem yang dikembangkan oleh NASA telah mempelajari kontrol penerbangan cerdas Odin Corp. , yang berfungsi untuk mendeteksi kesalahan pada setidaknya selama sepuluh tahun terakhir. Sistem ini dapat mesin yang beroperasi di atas 10.000 rpm. Manfaatnya adalah bervariasi dalam mengontrol neural network untuk diberikan bahwa misfires dianggap sebagai penyebab utama polusi, dalam sistem.

selain itu pendeteksian dan akomodasi misfires bisa Sistem IFCS Gen 1 menggunakan dua neural network mengurangi masalah. yang berbeda. Karena ini adalah salah satu sistem kontrol

Area yang paling mungkin melibatkan diagnosis yang penerbangan neural network yang diuji, maka batasan yang akan dihadapi oleh praktisi validasi & verifikasi adalah di kuat ditempatkan pada neural network yang berada di dalam bidang pemantauan kesehatan kendaraan cerdas. Sistem yang sistem. PTNN telah diperbaiki dan tidak beradaptasi selama diharapkan beroperasi dalam waktu lama tanpa interaksi sistem beroperasi. Daripada menghitung keuntungan pesawat manusia memerlukan teknologi ini untuk mendeteksi terbang dan langsung ke kontrol permukaan, PTNN hanya kegagalan dalam sistem dan melakukan koreksi. Manfaat menyediakan data ke bagian pengontrol penerbangan lain yang diharapkan adalah untuk satelit, eksplorasi robot jarak yang kemudian melakukan perhitungan mereka sendiri. DCS jauh, dan bahkan pesawat militer dan komersial yang dapat Area yang paling mungkin melibatkan diagnosis yang penerbangan neural network yang diuji, maka batasan yang akan dihadapi oleh praktisi validasi & verifikasi adalah di kuat ditempatkan pada neural network yang berada di dalam bidang pemantauan kesehatan kendaraan cerdas. Sistem yang sistem. PTNN telah diperbaiki dan tidak beradaptasi selama diharapkan beroperasi dalam waktu lama tanpa interaksi sistem beroperasi. Daripada menghitung keuntungan pesawat manusia memerlukan teknologi ini untuk mendeteksi terbang dan langsung ke kontrol permukaan, PTNN hanya kegagalan dalam sistem dan melakukan koreksi. Manfaat menyediakan data ke bagian pengontrol penerbangan lain yang diharapkan adalah untuk satelit, eksplorasi robot jarak yang kemudian melakukan perhitungan mereka sendiri. DCS jauh, dan bahkan pesawat militer dan komersial yang dapat

diperhatikan HAZOPS:

Bidang lain dalam diagnosa neural network adalah

 Jaringan saraf tidak dapat beradaptasi.

pengenalan pola dalam data sensor industri medis[24]. Neural  Jaringan saraf telah beradaptasi, tetapi tidak dapat network sekarang digunakan dalam pemindaian PAP.

mencapai konvergensi

Jaringan ini mencoba melakukan pekerjaan yang lebih baik  Jaringan saraf menyesuaikan dan menyatu, namun saat membaca smear daripada yang bisa dilakukan oleh

menyatu dengan keluaran yang salah

teknisi lab rata-rata. Diagnosis yang tidak terjawab di industri  Jaringan saraf menyatu ke keadaan yang benar, namun ini bisa menjadi masalah serius. Dalam banyak kasus, seorang

melakukannya dalam waktu yang profesional harus memahami pola dari noise, seperti

mengidentifikasi fraktur dari sinar-X atau kanker dari sinar-X  Jaringan saraf tumbuh di luar sumber daya sistem yang "bayangan". Neural network sangat membantu di banyak

tersedia selama adaptasi

bidang profesi medis di mana data sulit dibaca, terutama bila

tersedia perangkat keras yang lebih cepat. Dalam beberapa situasi, sistem diagnosa hanya digunakan untuk menyaring false-positive daripada menjadi evaluasi awal. Ini karena sistem ini dianggap lebih terpercaya bila tidak membuat diagnosa seumur hidup atau mati. Praktisi validasi & verifikasi mungkin menghadapi teknologi ini saat memasuki dunia deteksi tahap pertama.

2) Keuangan Meskipun tidak mungkin praktisi validasi & verifikasi akan melihat proyek neural network di dalam wilayah analisis keuangan, area komersial ini memang pantas mendapat pengakuan. Lembaga pemberi pinjaman memanfaatkan

neural network untuk

mengidentifikasi keberhasilan/

kegagalan yang diharapkan dari kemungkinan pinjaman. Telemarketer juga menggunakan teknologi serupa dengan menerapkan teknik data mining ke database mereka untuk mengidentifikasi kombinasi respon positif yang lebih tinggi terhadap produk mereka. Ini termasuk mengidentifikasi rumah tangga dengan

keluarga yang

lebih besar,

mengidentifikasi waktu yang lebih baik untuk menelepon rumah tangga, dan mengeluarkan informasi tentang kebiasaan membeli rumah tangga.

Neural network juga digunakan dalam pengambilan keputusan di pasar keuangan seperti perdagangan saham dan perdagangan mata uang. Dengan menganalisis tren saham atau mata uang tertentu, dan mempelajari perilaku item dari waktu ke waktu dan terhadap banyak variabel, seseorang dapat memperbaiki proses pengambilan keputusan untuk memilih posisi tertinggi dan terendah. Anderson[17] melaporkan

mengembangkan sistem stok neural network yang mencetak

hingga 20% lebih baik daripada rata-rata Nikkei dan dapat Gambar 2. Tugas Analisis Bahaya dan Resiko (Part 1) meningkatkan tingkat keberhasilan hingga 70 - 80%. Identifikasi resiko teknis dan manajemen pada tingkat

IV. ANALISA RESIKO DAN BAHAYA TERHADAP sistem konseptual adalah tugas yang pada dasarnya tidak akan NEURAL NETWORK berubah dengan menggunakan neural network ataupun tidak.

Proses, aktivitas, dan tugas yang terkait dengan analisa Selain itu, rekomendasi untuk penghapusan resiko, resiko dan bahaya neural network telah dicantumkan pada pengurangan dan mitigasi akan berada pada tingkat sistem Gambar 2 dan Gambar 3. Pada gambar tersebut terdapat dan kotak hitam "non-view" ke dalam operasi neural network kegiatan yang dipersyaratkan, apa yang direkomendasikan sehingga resikonya akan menghasilkan strategi yang serupa oleh para peneliti dan juga oleh dokumen panduan Ames / untuk sistem dengan atau tanpa neural network. Dryden V & V.

Kesimpulan harus mengindikasi secara jelas hasil-hasil yang diperoleh, kelebihan dan kekurangannya, serta

a) Analisis Bahaya dan Resiko dari Neural Network kemungkinan pengembangan selanjutnya. Kesimpulan dapat Pertama-tama, analisis bahaya dapat dilakukan dengan berupa paragraf, namun sebaiknya berbentuk point-point menggunakan hazards and operability studies (HAZOPS). dengan menggunakan numbering atau bullet. Kesimpulan Apabila sistem neural network mampu beradaptasi selama a) Analisis Bahaya dan Resiko dari Neural Network kemungkinan pengembangan selanjutnya. Kesimpulan dapat Pertama-tama, analisis bahaya dapat dilakukan dengan berupa paragraf, namun sebaiknya berbentuk point-point menggunakan hazards and operability studies (HAZOPS). dengan menggunakan numbering atau bullet. Kesimpulan Apabila sistem neural network mampu beradaptasi selama

kekhawatiran yang terkait dengan waktu yang dibutuhkan untuk mengumpulkan kumpulan data dan kemampuan proyek

untuk melacak dan mengidentifikasi kumpulan data yang telah dikumpulkan.

Resiko teknis yang terkait dengan data pelatihan adalah kurangnya kumpulan data yang cukup besar untuk memperoleh pengetahuan yang tepat. Dengan kata lain, neural network tidak akan bisa mendekati fungsi yang diinginkan dengan baik. Tim proyek mungkin perlu memikirkan cara untuk meningkatkan ukuran kumpulan data seperti test data generation.

Pendekatan dalam pengujian dan pelatihan terhadap sistem neural network secara normal mungkin akan

Gambar 3. Tugas Analisis Bahaya dan Resiko (Part 2) meninggalkan ukuran data pengujian yang tidak memadai, terutama dalam kasus safety and mission-critical systems.

Dalam hal menilai resiko manajemen, praktisi harus Biasanya, seluruh kumpulan data yang tersedia dipecah melihat keahlian anggota tim proyek dengan pengembangan menjadi 75% pelatihan dan 25% data pengujian. Batas pada neural network. Tim yang tidak pernah mengembangkan set pengujian mungkin tidak mengevaluasi sistem dengan neural network akan menghadapi resiko jadwal dan anggaran. tepat. Kegiatan seperti penilaian reliabilitas dan analisis Mereka mungkin tidak memiliki cukup pengalaman untuk ketahanan mungkin memerlukan puluhan ribu kasus untuk mengetahui bagaimana merancang neural network secara pengujian. Jika proyek tidak mempersiapkan beberapa efisien, sehingga perlu menggunakan sumber daya ekstra masalah ini dalam spesifikasi data pengujian, resiko yang untuk mengembangkan jaringan, mengidentifikasi cara terkait perlu didokumentasikan. pengujian dan memvalidasi sistem neural network yang

efektif.

2) Resiko yang dikenalkan oleh spesifikasi kinerja neural Dari sudut pandang resiko teknis, analisis perlu

network

berkonsentrasi pada penggunaan solusi yang benar untuk Jika persyaratan kinerja neural network tidak dinyatakan neural network . Pertanyaan yang

diperlukan untuk dengan benar atau terlalu sulit untuk didapatkan, maka sebuah menyelidiki resiko teknis yaitu apakah sistem neural network proyek akan menghabiskan waktu yang lebih lama untuk merupakan solusi tepat untuk memecahkan masalah, apakah mengembangkan neural network yang memenuhi kriteria neural network harus disesuaikan secara online atau tidak, kinerja. Sehingga hasilnya akan menjadi kelewatan waktu dan dan tipe keselamatan apa yang dibutuhkan sistem anggaran yang melewati batas. Kemungkinan cara untuk keselamatan.

mengurangi resiko ini adalah menggunakan alat pelatihan neural network yang andal, menyertakan pengembang neural

b) Persyaratan untuk Analisis Bahaya dan Resiko dari network yang berpengetahuan di tim, dan menetapkan kriteria Neural Network

kinerja yang terdefinisi dengan baik.

Pada tahap persyaratan, analisis bahaya dan resiko untuk

sistem yang menggunakan neural network mulai berbeda dari

sistem yang menggunakan perangkat lunak konvensional. Desain untuk Analisis Bahaya dan Resiko dari Neural

Network

Akan ada persyaratan yang secara khusus untuk menangani Pada tahap perancangan, tugas analisis bahaya meliputi komponen neural network dan persyaratan ini dapat verifikasi bahwa perancangan logika dan elemen data terkait

digunakan, seperti persyaratan perangkat lunak jaringan non- menerapkan persyaratan kritis dan tidak mengenalkan bahaya neural, untuk mendukung tugas analisis bahaya dan resiko baru. Tugas analisis resiko pada tahap ini termasuk selama tahap ini. Menentukan persyaratan neural network memberikan rekomendasi untuk menghilangkan, mengurangi, dengan cara yang baik akan membantu dalam menentukan atau mengurangi resikonya. Rincian sekarang dapat kontribusinya terhadap bahaya sistem dan memvalidasi ditambahkan ke model kesalahan neural network, FMEA dan kontrol atau mitigasi setiap bahaya. Model kesalahan FTA yang lebih rinci dapat dilakukan. Analisis penelitian dan digunakan untuk memberikan landasan bagi metode penilaian contoh tambahan FMEA dan FTA untuk neural network resiko seperti HAZOPS, F MEA, dan Fault Tree Analysis diperlukan. Bagian ini memberikan contoh FMEA untuk

(FTA). Intelligent Flight Control System (IFCS) generasi berikutnya Identifikasi resiko untuk sistem neural network selama (GEN2). Analisis stabilitas Lyapunov dapat digunakan untuk tahap persyaratan bisa lebih sulit daripada identifikasi resiko membuktikan konvergensi dan monitor pengaman dapat yang dilakukan untuk sistem perangkat lunak tradisional. digunakan untuk mengurangi resiko yang terkait dengan Contoh area resiko yang dapat dipertimbangkan selama tahap penggunaan neural network dalam sistem kritis keamanan ini meliputi:

real-time .

panduan Ames/Dryden memberikan rekomendasi untuk tahap desain Validasi &

Kedua

dokumen

1) Resiko yang dikenalkan oleh spesifikasi dan pengumpulan Verifikasi, walaupun tidak ada rekomendasi khusus untuk data pelatihan serta pengujian

analisis bahaya atau resiko.

Resiko dari spesifikasi data pelatihan dan pengujian untuk Neural network menjalani pengembangan design-train- pengembangan neural network dapat menjadi resiko teknis test yang mungkin berulang-ulang beberapa kali. Untuk tahap Resiko dari spesifikasi data pelatihan dan pengujian untuk Neural network menjalani pengembangan design-train- pengembangan neural network dapat menjadi resiko teknis test yang mungkin berulang-ulang beberapa kali. Untuk tahap

Neural Network

arsitektur neural network, ukuran, penggunaan yang Pada tahap implementasi, tugas analisis bahaya mencakup dimaksudkan, pengumpulan training-testing data, dan lain- verifikasi bahwa implementasi dan elemen data yang terkait lain.

benar melaksanakan persyaratan kritis dan tidak mengenalkan Bahaya yang disebabkan oleh desain neural network bahaya baru. Tugas analisis resiko pada tahap ini termasuk antara lain:

memberikan rekomendasi untuk menghilangkan, atau • Kumpulan data pelatihan tidak sesuai dengan tujuan mengurangi resikonya. Model penilaian resiko, seperti model

yang diinginkan. kesalahan, FMEA, analisis bahaya, dan F TA, dapat diperbarui • Kumpulan data pelatihan dan tes tidak dilacak dalam per rincian pelaksanaan. Analisis sensitivitas dan injeksi

manajemen konfigurasi dan tidak dijelaskan dalam kesalahan dapat menjadi alat yang berguna untuk menguji dokumentasi desain.

kinerja teknik mitigasi risiko. Kedua dokumen panduan Ames • Kurangnya data pengujian yang memadai

/ Dryden memberikan rekomendasi untuk tahap implementasi • Arsitektur neural network tidak sepenuhnya ditentukan.

Validasi & Verifikasi, walaupun tidak ada rekomendasi • Implementasi jaringan sebelum pelatihan tidak benar khusus untuk analisis bahaya atau resiko.

(jumlah awal neuron, matriks koneksi,

fungsi

Selama tahap implementasi, analisis bahaya harus

pertumbuhan / pembelajaran, atau fungsi aktivasi berfokus pada bahaya yang terpengaruh atau diperkenalkan mengandung kesalahan).

melalui pembelajaran data pelatihan oleh neural network. • Algoritma pertumbuhan/pembelajaran yang tidak tepat Desain sebenarnya dari neural network ditangani pada tahap

dipilih, sehingga menyebabkan perolehan pengetahuan desain. Di sini, fokusnya perlu pengetahuan dan seberapa baik yang kurang optimal.

pengetahuan diperoleh. Beberapa contoh bahaya meliputi: • Melalui pembelajaran dan / atau pertumbuhan, struktur Beberapa resiko manajemen yang dapat ditemui selama

neural network melebihi keterbatasan komputasi sistem. tahap perancangan mencakup dampak biaya yang terkait

• Neural network terlalu lama beradaptasi dengan dengan kebutuhan untuk membeli lingkungan pengembangan

rangsangan baru.

Sejarah, Penerapan, dan Analisis Resiko dari Neural Network: Sebuah Tinjauan Pustaka | Cristina | Jurnal Informatika: Jurnal Pengembangan IT 1 PB