Article en Id

Diterima:
Mengulas artikel
25 Juni 2018
Canggih dalam artifiaplikasi

Diperbaiki:
19 Oktober 2018
Diterima:
jaringan saraf tiruan: Sebuah

13 November 2018
Kutip sebagai:
survei
Oludare Isaac Abiodun,
Aman Jantan,
Abiodun Esther Omolara,
Kemi Victoria Dada,
Nachaat AbdElatif Mohamed,
Humaira Arshad. State-of-theart
dalam artifiaplikasi jaringan
c
saraf tiruan: Sebuah survei. Oludare Isaac Abiodun
Sebuah,b,∗
, Aman Jantan
Sebuah,∗∗
, Abiodun Esther Omolara ,
Heliyon 4 (2018) e00938.
Kemi Victoria Dada d, Nachaat AbdElatif Mohamed e, Humaira Arshad f
doi: 10.1016 / j.heliyon. 2018.
e00938 Sebuah Sekolah Ilmu Komputer, Universiti Sains Malaysia, Penang, Malaysia
b Departemen Ilmu Komputer, Universitas Bingham, Karu, Nigeria
c Departemen Ilmu Komputer, Universitas Ahmadu Bello, Zaria, Nigeria
d Jurusan Ilmu Matematika, Universitas Negeri Nasarawa, Keffi, Nigeria
e Universitas California, AS
f Departemen Ilmu Komputer dan Teknologi Informasi, Universitas Islamia Bahawalpur,

Pakistan
∗ Penulis yang sesuai.
∗∗ Penulis yang sesuai. Alamat email:aioludare@gmail.com (OI Abiodun), aman@usm.my (A.
Jantan).
Abstrak
Ini adalah survei aplikasi jaringan saraf di dunia nyata skenario. Saya t
memberikan taksonomi artifijaringan saraf tiruan (JST) dan membekali pembaca

dengan pengetahuan tentang tren saat ini dan yang muncul dalam penelitian
aplikasi JST dan area fokus bagi para peneliti. Selain itu, studi ini menyajikan
tantangan aplikasi JST, kontribusi, membandingkan kinerja dan kritik
metode. Studi ini mencakup banyak aplikasi disiplin ilmu teknik JST dalam berbagai
yang meliputi komputasi, sains, teknik, lingkungan, pertanian, obat,

pertambangan, teknologi, iklim, bisnis, seni, dan
nanoteknologi, dll. Studi menilai kontribusi JST, membandingkan
penampilan dan metode kritik. Studi tersebut menemukan bahwa model jaringan saraf
seperti feedforward dan arti propagasi umpan balikfijaringan saraf sosial berkinerja
lebih baik dalam penerapannya pada masalah manusia. Oleh karena itu, kami
mengusulkan model JST feedforward dan umpan balik propagasi untuk fokus penelitian
https://doi.org/10.1016/j.heliyon.2018.e00938
2405-8440 / 2018 Penulis. Diterbitkan oleh Elsevier Ltd. Ini adalah artikel akses terbuka di bawah lisensi CC BY (http://
creativecommons.org/licenses/by/4.0/).
Artikel No.we00938
faktor analisis data seperti akurasi, kecepatan pemrosesan, latensi, toleransi kesalahan, volume,
skalabilitas, konvergensi, dan kinerja. Selain itu, kami merekomendasikan bahwa alih-alih
menerapkan metode tunggal, penelitian di masa mendatang dapat berfokus pada penggabungan
model JST ke dalam satu aplikasi di seluruh jaringan.
Kata kunci: Ilmu Komputer
1. Perkenalan
Dalam arti terakhir kalifiJaringan syaraf tiruan (JST) telah menjadi model yang populer dan
membantu untuk kelasfikation, pengelompokan, pengenalan pola dan prediksi dalam banyak
disiplin ilmu. JST adalah salah satu jenis model untuk pembelajaran mesin (ML) dan telah
menjadi relatif kompetitif untuk regresi konvensional dan model statistik mengenai kegunaan
[1]. Saat ini, artifiKecerdasan fisik (pembelajaran mesin, jaringan saraf, pembelajaran dalam,
robotik), keamanan informasi, data besar, komputasi awan, internet, dan ilmu forensik
semuanya adalah hotspot dan topik menarik dari teknologi informasi dan komunikasi (TIK).
Aplikasi lengkap JST dapat dievaluasi sehubungan dengan faktor analisis data seperti akurasi,
kecepatan pemrosesan, latensi, kinerja, toleransi kesalahan, volume, skalabilitas, dan
konvergensi [2, 3]. Potensi besar JST adalah pemrosesan berkecepatan tinggi yang disediakan
dalam implementasi paralel besar-besaran dan hal ini telah meningkatkan kebutuhan akan
penelitian di domain ini.[4]. JST dapat dikembangkan dan digunakan untuk pengenalan
gambar, pemrosesan bahasa alami, dan sebagainya. Saat ini, JST banyak digunakan untuk
pendekatan fungsi universal dalam paradigma numerik karena sifat belajar mandiri,
adaptivitas, toleransi kesalahan, nonlinier, dan kemajuan dalam input ke pemetaan keluaran.
[5].
Faktor analisis data ini memberikan lebih banyak alasan mengapa JST effefektif, effiefisien
dan berhasil dalam memberikan kemampuan tingkat tinggi dalam menangani masalah yang
kompleks dan tidak rumit di berbagai bidang kehidupan. JST mampu menangani masalah di
bidang pertanian, sains, ilmu kedokteran, pendidikan,fikeuangan, manajemen, keamanan,
teknik, perdagangan komoditas dan seni. Termasuk masalah di bidang manufaktur,
transportasi, keamanan komputer, perbankan, asuransi, manajemen properti, pemasaran,
energi, dan tantangan yang tidak dapat diselesaikan dengan kemampuan komputasi
prosedur tradisional dan matematika konvensional. Meskipun penerapan JST yang ekstensif
ini, ada kebutuhan yang semakin meningkat untuk mengatasi masalah dalam mengadopsi
pendekatan sistematis dalam fase pengembangan JST untuk meningkatkan kinerjanya.
Misalnya, pendekatan untuk mengatasi faktor dan topik utama dalam pilihan kumpulan data
(ukuran, volume, kecil, besar, dan lainnya), keakuratan data, instrumen data, standarisasi
data, jenis input data, pembagian data, dan data preprocessing, validasi, pengolahan dan
teknik keluaran.
2 https://doi.org/10.1016/j.heliyon.2018.e00938
Artikel No.we00938
Juga, tantangan atau masalah utama lainnya yang umum dengan pemodelan JST yang telah menarik
perhatian dan memerlukan penyelidikan lebih lanjut di masa mendatang. Termasuk teknik
pengembangan yang dapat meningkatkan perancangan model yang kuat, meningkatkan
transparansi pola, dan memungkinkan pengetahuan yang berguna dari JST terlatih. Selain itu,
tantangan untuk meningkatkan kemampuan ekstrapolasi, pendekatan baru terhadap
ketidakpastian, dan meningkatkan konvergensi. Lebih dari itu, ada enigma gradien berkelanjutan
dan kuantisasi masalah variabel dan kebisingan. Selain itu, ada kebutuhan untuk mengatasi
penjelajahan permukaan kesalahan dengan memanfaatkan kuantisasi variabel dan masalah
konvergensi konsumsi waktu yang umum untuk sebagian besar arti.fisistem saraf pusat (ANS) yang
menggunakan pelatihan yang diawasi. Beberapa dari masalah ini disoroti sebagai berikut:
(i) Meningkatkan perancangan model yang kokoh: ketahanan model berarti kemampuan
prediksi jenis JST dalam menggeneralisasi berbagai data seperti yang digunakan untuk
pelatihan. Salah satu contohnya adalah penggunaan data atau informasi tekstual untuk
meningkatkan prediksi pemodelanfipasar keuangan. Beberapa ahli percaya jika JST
diterima secara global dan mencapai potensi puncak, mereka tidak hanya akan
memberikan kebaikanfit untuk kalibrasi dan validasi data. Tapi akan memungkinkan
prediksi yang masuk akal terkait model'Korelasi dan ketahanan dalam berbagai kondisi [
6, 7]. ANN yang divalidasi atas kesalahan dapat memberikan prediksi yang akurat untuk
kondisi seperti yang ditemukan dalam data terlatih.
(ii) Meningkatkan transparansi model dan memungkinkan ekstraksi pengetahuan dari

JST terlatih: berarti kemungkinan menafsirkan model JST dengan cara yang
memberikan pemahaman yang mendalam tentangffdll dari input model ke output.
(iii) Meningkatkan kemampuan ekstrapolasi: ekstrapolasi model JST adalah kemampuan model
untuk memprediksi secara akurat kisaran luar data yang digunakan untuk kalibrasi model JST.
JST bekerja paling baik jika tidak melakukan ekstrapolasi di atas kisaran data yang digunakan
untuk kalibrasi desain atau model [8, 9, 10].
(iv) Pendekatan baru terhadap ketidakpastian: batasan lain dari JST termasuk ketidakpastian dalam
prediksi yang mungkin tidak diperhitungkan. Ketika ketidakpastian tidak diperhitungkan, itu
menjadi sulitffikultus untuk mengukur kualitas prediksi JST, yang secara kritis dapat
membatasi atau mengurangi efficacy. Meskipun ANN memiliki masalah, pendekatan baru
seperti komputasi kognitif dan pembelajaran mendalam telah meningkatkan dukungan secara
signifikanfields. Mesin sintetis mungkin masih berada di luar jangkauan, tetapi sistem seperti
ANN yang membantu meningkatkan kualitas manusia'Hidup ada di sini hari ini.
2. Teks utama
2.1. Artifijaringan saraf pusat
Saat ini aplikasi JST telah menjadi populer di berbagai bidang kebutuhan manusia. Banyak
organisasi berinvestasi dalam jaringan saraf untuk memecahkan berbagai masalah
Artikel No.we00938
fibidang dan sektor ekonomi yang secara tradisional berada di bawah tanggung jawab
penelitian operasi [11]. Apa yang membuat artifiKecerdasan cial unik adalah bahwa
sebagian besar diusulkan untuk analisis data oleh akademisi di fibidang ilmu sosial dan
seni selain kegunaannya dalam ilmu dan teknik [12], karena aplikasinya yang luas.
Misalnya, belakangan ini, artificial intelligence (AI) telah diterapkan secara luas untuk
masalah pengoptimalan di berbagai bidang seperti produksi industri dan eksplorasi
minyak bumi [13] dan bisnis [14] pengaturan.
Keuntungan yang baik dari aplikasi JST adalah dapat membuat model mudah digunakan dan
lebih akurat dari sistem natural yang kompleks dengan input yang besar [15]. JST merupakan
model yang sangat baru dan berguna yang diterapkan pada pemecahan masalah dan
pembelajaran mesin. JST adalah model pengelola informasi yang mirip dengan fungsi sistem
saraf biologis otak manusia. Baru-baru ini, minat penelitian terhadap fungsi otak meningkat
pesat secara global[16]. Menurut Haykin[17], JST dapat menjadi mesin yang sebanding yang
diproduksi untuk berfungsi dengan cara yang sama seperti otak manusia melakukan tugas
tertentu yang diinginkan. Misalnya, "otak manusia itu besar dan tinggi efficient. Otak manusia
ibarat mesin pengolah informasi yang memiliki berbagai macam operasi komputasi sinyal
yang kompleks” [18], yang dapat dengan mudah dikoordinasikan untuk melakukan tugas.
Unsur utama otak ini adalah rancangan unik dari kemampuan pemrosesan informasi mereka.
Ini merupakan banyak kompleks yang saling berhubungan“neuron” dalam bentuk elemen
yang bekerja sama untuk menyelesaikan spesific masalah setiap hari. Contoh khas dari fungsi
jaringan saraf adalah otak manusia yang terhubung untuk mengirim dan menerima sinyal
untuk tindakan manusia. Ilustrasi tentang bagaimana fungsi otak manusia dijelaskan dalam
Gambar 1.
Gambar 1 adalah demonstrasi koneksi di dalam otak yang bekerja seperti jaringan saraf yang
menjalankan fungsi penalaran kecerdasan. Brainstorming untuk memahami skenario (seperti
platform pencarian web internet), mengenali ucapan (misalnya dari orang yang dikenal dan
orang yang tidak dikenal) seperti otak manusia, mengenali gambar (dari suatu objek) seperti
otak, dapat memproses bahasa (menerjemahkan bahasa) seperti itu
Gambar 1. Struktur otak manusia yang khas dengan kemampuan operasional.
Artikel No.we00938
otak manusia melakukan dan dapat melakukan hal-hal lain seperti makan,
mengendarai sepeda (selfintuition). Untuk lebih spesifikfic contoh; ANNs telah
digunakan secara masif di specifidomain c, seperti; diagnosis hepatitis; pengenalan
suara; pemulihan data di telekomunikasi dari perangkat lunak yang salah; interpretasi
pesan multi-bahasa; pengenalan objek tiga dimensi; analisis tekstur; pengenalan wajah;
deteksi ranjau bawah laut; dan pengenalan kata yang ditulis tangan. Jadi, JST bisa
belajar dengan memberi contoh seperti orang. Dalam beberapa kasus, JST dapat
dirancang untuk suatu spesiesfiAplikasi c seperti data classifipengenalan kation atau
pola melalui proses pembelajaran [19]. Pembelajaran di otak manusia membutuhkan
penyesuaian terhadap hubungan sinaptik antara dan antar neuron, demikian pula
pembelajaran di JST.[19]. Umumnya, JST berfungsi seperti tiruan otak manusia [1, 20].
Arsitektur khas NN ditampilkan diGambar 2.
Lapisan jaringan saraf (NN) tidak bergantung satu sama lain; yaitu, spesiesfiLapisan c dapat
memiliki jumlah node yang berubah-ubah. Jumlah node yang berubah-ubah ini disebut node
bias. Node bias selalu ditetapkan sama dengan satu. Dalam analogi, node bias seperti off
diatur dalam regresi linier yang diberikan sebagai; y¼ kapak þ b, dimana “Sebuah” adalah coe
fficient mandiri “x” lalu “b” disebut kemiringan. Fungsi utama bias adalah menyediakan node
dengan nilai konstan yang dapat dilatih, selain input normal yang diterima oleh node
jaringan. Yang penting, nilai bias memungkinkan seseorang untuk memindahkan fungsi
aktivasi ke kanan atau ke kiri, yang dapat menjadi analisis untuk keberhasilan pelatihan JST.
Saat NN digunakan sebagai kelasfieh, node input dan output akan cocok dengan fitur input
dan kelas output. Namun, saat NN digunakan sebagai fungsi
Gambar 2. Arsitektur jaringan neural yang khas.
Artikel No.we00938
aproksimasi, umumnya memiliki simpul masukan dan keluaran. Namun, jumlah node
tersembunyi yang dirancang esensial lebih besar daripada jumlah node input.
2.2. Aplikasi jaringan saraf
Dengan adanya uraian tentang jaringan saraf (NN) ini, cara kerjanya, dan aplikasi serta
penggunaannya di dunia nyata, NN telah diterapkan secara luas pada masalah dunia nyata
dalam bisnis, pendidikan, ekonomi, dan dalam banyak aspek masalah kehidupan. NN juga
berlaku untuk metode optimasi[21] Deteksi gangguan [22, 23] dan klasifikasi datafikation [24,
25, 26]. Classifikation dianggap sebagai bentuk diffitantangan pengoptimalan kultus.
Sebagian besar peneliti menerapkan teknik pembelajaran mesin (ML) dalam menyelesaikan
kelasfimasalah kation [27, 28]. NN adalah identi yang sangat baikfier tren dalam data dan
pola [29], mereka cocok untuk kebutuhan peramalan dan prediksi termasuk daftar item
tersebut (dengan referensi ke Tabel Tambahan 1).
Daftar dalam Tabel Tambahan 1 berdasarkan pada penerapan JST yang berhasil untuk
masalah dunia nyata. Ini merangkum aplikasi jaringan saraf dalam praktik yang terintegrasi
ke dalam banyak bidang seperti pemodelan, kelasfikation, pengenalan pola, dan prediksi.
Prediksifistabilitas keuangan berguna dalam ekonomi, manajemen dan pembangunan
negara mana pun, yang menguntungkanficiary untuk menganalisis nilai moneter ekonomi
apa pun. Selain itu, JST telah berhasil digunakan dalam prediksi keberhasilan atau kegagalan
bank dan estimasi pasar saham. Demikian juga, digunakan secara luas dalam peramalan
cuaca dan perubahan iklim yang membantu dalam keselamatan dan keamanan properti
manusia seperti bangunan, lingkungan, instalasi, rumah, dan transportasi. Selanjutnya, JST
berhasil diterapkan ke diffberbagai bidang pertanian seperti penginderaan jauh, terutama di
kelas jenis tanamanfiestimasi kation dan produksi tanaman. Oleh karena itu, Tabel Tambahan
1 memberikan tinjauan umum tentang cakupan luas masalah yang saat ini dapat ditangani
oleh sistem kecerdasan saraf ini.
2.3. Kelas ANNfikation
JST bisa berkelasfied seperti yang digambarkan dalam Gambar 3.
Jaringan neural feedforward (FFNN) adalah kelas pembelajaran mesinfialgoritma kation

yang tersusun dalam lapisan yang mirip dengan pemrosesan neuron manusia
Gambar 3. Tinjau kerangka kerja untuk artifiklasifikasi jaringan saraf pusatfikation.
Artikel No.we00938
unit. Dalam FFNN setiap unit dalam sebuah lapisan berhubungan dengan semua unit lainnya
di dalam lapisan. Lapisan sambungan dengan unit ini tidak semuanya sama karena setiap
sambungan dapat memiliki diffberat atau kekuatan yang salah. Bobot koneksi jaringan
mengukur potensi jumlah pengetahuan jaringan. Juga, unit NN dikenal sebagainode.
Pemrosesan informasi dalam jaringan melibatkan entri data dari unit input dan melewati
jaringan, flberutang dari satu lapisan ke lapisan lain hingga mencapai unit keluaran. Ketika
NN beroperasi secara normal, saat itulah NN bertindak sebagai sebuah kelasfieh, maka tidak
akan ada umpan balik antar lapisan [30]. Dalam FFNN, informasi hanya dikirimkan dalam satu
arah, yaitu dari node input, ke node tersembunyi, jika ada, dan kemudian ke node output.
Dengan perilaku ini, mereka dipanggilfeedforward jaringan saraf [31]. Contoh FFNN adalah
persepsi lapisan tunggal dan perceptron multilayer. Contoh jaringan dua lapis adalah 3 unit
masukan, 4 unit dengan lapisan tersembunyi dan 5 unit lapisan keluaran sebagai lingkaran
masing-masing diGambar 4.
Gambar 4, memiliki 3 unit masukan seperti yang ditunjukkan dalam lingkaran, tetapi unit masukan
bukan bagian dari lapisan mana pun dalam sistem jaringan, terkadang unit masukan dianggap
sebagai lapisan virtual yang memiliki 0 lapisan. Lapisan tersembunyi bukanlah lapisan masukan atau
keluaranGambar 4, Memiliki 1 lapisan tersembunyi dan 1 lapisan keluaran dan ini menunjukkan
semua koneksi antara unit di lapisan. Jelas bahwa satu lapisan hanya terhubung ke lapisan
sebelumnya. Aplikasi FFNN berkelasfied menjadi dua seperti kontrol sistem dinamis [32, 33], dan
ruang tempat teknik pembelajaran mesin klasik diterapkan [34]. NN dengan dua atau lebih lapisan
tersembunyi disebut jaringan dalam karena jaringan telah menjadi kompleks dengan lebih dari 1
lapisan tersembunyi. Tidak seperti FFNN, jaringan neural feed-backward (FBNN) dapat
menggunakan status internal“Penyimpanan”(menyimpan informasi) untuk memproses urutan input
data. Itu berarti FFNN secara logis dapat menangani tugas sesuai dengan
fipertama datang fipertama melayani basis masukan.
Feed-backward NN dapat diterapkan ke tugas-tugas seperti un-segmentasi, dan pengenalan pola
tion (pengenalan tulisan tangan terhubung). Neural feed-backward jaringan
Gambar 4. Jaringan saraf maju dua lapis.
Artikel No.we00938
area aplikasi termasuk bukti matematis, data seismik fitting, kedokteran, sains,
teknik, kelasfikation, estimasi fungsi, dan prediksi deret waktu, dll. Arsitektur FBNN
diilustrasikan seperti pada Gambar 5.
Dalam umpan balik NN atau propagasi mundur, koneksi antar node menghasilkan grafik
terkoordinasi secara berurutan. Grafik terkoordinasi dalam urutan memungkinkan umpan
balik NN untuk mendemonstrasikan perilaku terestrial dinamis untuk urutan waktu.
Contohnya adalah Kohonen'peta pengorganisasian diri dan jaringan saraf berulang (RNN).
RNN mengacu pada jenis standar jaringan saraf yang diperpanjang dari waktu ke waktu,
dengan tepi yang dimasukkan ke langkah waktu berikutnya daripada dimasukkan ke lapisan
waktu bersamaan langkah berikutnya. RNN dibangun untuk pengenalan urutan, misalnya,
teks atau sinyal ucapan. Ini memiliki siklus di dalamnya yang menunjukkan adanya memori
pendek di internet. Tidak seperti jaringan neural berulang, RNN seperti jaringan hierarki di
mana masukan perlu diproses secara hierarki dalam bentuk pohon karena tidak ada waktu
untuk urutan masukan.
2.4. Pembelajaran mendalam
Artificial intelligence (AI) telah ada selama beberapa dekade, dan fibidang lebar. AI dapat dilihat sebagai
satu set yang berisi pembelajaran mesin (ML), dan pembelajaran mendalam (DL). ML adalah bagian dari AI,
sedangkan DL, pada gilirannya, merupakan bagian dari ML. Artinya DL adalah aspek AI; istilah pembelajaran
mendalam mengacu pada artifijaringan saraf tiruan (JST) dengan banyak lapisan yang kompleks [35].
Perbedaan antara deep learning dan jaringan neural seperti NN feedforward dan NN terbelakang terletak
pada karakteristiknya. Pembelajaran mendalam memiliki cara yang lebih kompleks untuk menghubungkan
lapisan, juga memiliki jumlah neuron yang lebih banyak daripada jaringan sebelumnya untuk
mengekspresikan model yang kompleks, lebih juga dengan lebih banyak daya komputasi untuk dilatih dan
selanjutnya memiliki ekstraksi otomatis fitur tersebut.
Gambar 5. Jaringan saraf feed-backward.
Artikel No.we00938
Oleh karena itu, DL defined sebagai NN dengan variabel dan lapisan yang luas dengan arsitektur
jaringan dasar tunggal dari jaringan pra-terlatih tanpa pengawasan, NN konvolusional, NN rekursif,
dan NN berulang. Perkembangan teknologi difibidang AI telah berkembang dari waktu ke waktu
seperti yang ditunjukkan di Gambar 6.
Metode DL telah ditemukan fitting untuk studi big data dengan kesuksesan luar biasa
dalam penerapannya pada pengenalan suara, visi komputer, pengenalan pola, sistem
rekomendasi, dan pemrosesan bahasa alami [36]. Saat ini, inovasi DL dalam image identi
fikation, deteksi objek, kelas citrafikation, dan identitas wajahfitugas kation sukses
besar. Penelitian oleh Zhou et al.[37] menyajikan aplikasi DL dalam tugas deteksi objek
dan penggunaannya yang cepat dalam domain computer vision. Demikian pula,
pekerjaan yang baru-baru ini ditinjau oleh Liu et al.[36] membahas popularitas
arsitektur DL serta aplikasi industri dan praktisnya. Ulasan tersebut memberikan
pengetahuan yang komprehensif tentang empat arsitektur DL seperti, jaringan
kepercayaan dalam, mesin Boltzmann terbatas, autoencoder, dan jaringan saraf
konvolusional (CNN).
Salah satu NN dalam yang paling umum adalah NN konvolusional yang disebut CNN. CNN adalah
NN standar yang meluas melintasi ruang melalui bobot bersama. CNN dirancang untuk mengenali
citra dengan memiliki konvolusi di dalamnya, yang dapat mengenali citra suatu objek. CNN memiliki
banyak lapisan; termasuk lapisan yang sepenuhnya terhubung, lapisan penyatuan, lapisan
konvolusional dan non-linearitas. Lapisan yang terhubung sepenuhnya dan lapisan konvolusional
memiliki parameter, namun lapisan non-linearitas dan penyatuan tidak memiliki parameter.
Penelitian telah menunjukkan bahwa CNN memiliki kinerja yang sangat baik dalam masalah ML
[35]. Khususnya, dalam aplikasi untuk data gambar, seperti kelas gambar yang paling
luasfikumpulan data kation, pemrosesan bahasa alami, dan visi komputer.
Gambar 6. Artifipengembangan dan perluasan kecerdasan sosial.
Artikel No.we00938
Konsep utama deep learning (DL) adalah representasi data pembelajaran dengan meningkatkan
kualitas penanganan level ide daripada peristiwa (abstraksi). Sebagian besar di semua tingkatan,
sebuah signifiJumlah ide berkualitas atau representasi abstraksi pada tingkat mahir tidak dapat
diketahui melalui defidefinisi tentang lebih sedikit ide berkualitas atau non-representasi di tingkat
dasar. Jenis tahapan pembelajaran, pertumbuhan, atau proses pembelajaran hierarkis ini luar biasa
karena dapat memungkinkan sistem untuk memahami presentasi yang kompleks atau multi-
kompleks secara akurat dari data mentah [38, 39]. Karakteristik yang luar biasa ini membuat
pembelajaran mendalam dapat diterapkan ke different fields.
Untuk kelas saluran cepatfikation, pengenalan pola dalam data biologis, banyak metode
artifikecerdasan sosial khususnya pembelajaran mesin telah diusulkan [38, 40,
41]. Artificial intelligence (AI) adalah kombinasi dari reinforcement learning (RL) dan deep
learning (DL), sehingga secara matematis, AI ¼ RL þ DL. Pembelajaran mesin telah menjadi
model terbaru untuk evolusi digital, yang membuat proses komputasi lebih hemat biayaff
efektif, effiefisien, kuat, dapat diandalkan, dan dapat diandalkan.
Teknik pembelajaran mesin konvensional sangat berkelasfied menjadi dua set yaitu, diawasi dan
tidak diawasi. Pembelajaran yang diawasi memiliki kemampuan untuk mengklasifikasikan objek
dalam kumpulan dengan kemungkinan fitur atau atribut atau anotasi yang diberikan. Contoh tipikal
dari pembelajaran terbimbing adalah ketika siswa telah menulis ujian, dan ujian tersebut ditandai
oleh guru dan menunjukkan pertanyaan mana yang dijawab dengan tidak benar oleh siswa. Setelah
ditunjukkan jawaban yang benar, siswa diharapkan dapat belajar kemudian memahami bagaimana
menjawab pertanyaan tersebut dengan benar.
Tetapi metode pembelajaran tanpa pengawasan membentuk cluster atau kelompok antara dan di antara
objek dalam suatu daerah untuk mengidentifikasi kemiripan, kemudian menggunakan kesamaan untuk
mengklasifikasikan hal-hal yang tidak diketahui. Contoh pembelajaran tanpa pengawasan adalah orang
yang belajar mengendarai mobil sendiri. Dia akan mulai dengan memasuki mobil dan menyalakan mesin
dengan kunci kontak, lalu meletakkan kopling dan memasukkan mobilfigigi pertama dan tekan pedal gas
agar mobil bergerak maju dan kemudian mengatur kemudi. Dia terus berlatih langkah mengemudi di
tempat terbuka yang besarfitua dan secara bertahap kuasai teknik mengemudi, dan kemudian seiring
waktu mulai memasuki jalan untuk mengemudi dengan terampil.
Kategori pembelajaran penguatan (RL), memungkinkan sistem atau agen belajar dari pengalaman
sebelumnya yang diperoleh di lingkungan melalui interaksi dan mengamati hasil interaksi tersebut.
Interaksi membantu meniru atau meniru pola dasar di mana manusia dan hewan belajar. Seorang
agen RL dapat bertindak, dan masing-masing bertindakflmempengaruhi agen'Kondisi masa depan,
sinyal hadiah skalar mengukur keberhasilan RL. Tujuan RL adalah memilih tindakan yang
memaksimalkan keuntungan di masa depan. Singkatnya, DL, adalah kerangka kerja tujuan umum
dalam pengambilan keputusan. Sebuah kerangka kerja yang menyajikan pembelajaran yang
diberikan membutuhkan tujuan dari masukan mentah dengan menerapkan pengetahuan domain
minimal. Misalnya, RL sepenuhnya melewati masalah pembelajaran aturan dalam sebuah tugas.
Agen pembelajaran belajar dengan berpartisipasi dalam aktivitas yang diberikan.
Artikel No.we00938
Contohnya adalah permainan Papan Catur, untuk menentukan langkah permainan aksi terbaik, para
pemain perlu memikirkan berbagai kemungkinan dan strategi. Jumlah kemungkinannya sangat
besar sehingga tidak mungkin untuk melakukan pencarian brute force. Namun, jika sebuah mesin
akan dibuat untuk memainkan permainan semacam itu dengan menggunakan teknik tradisional,
akan ada kebutuhan untuk menetapkan banyak aturan untuk mencakup semua kemungkinan ini.
Pembelajaran penguatan sepenuhnya melewati masalah ini. Contoh RL termasuk RL dalam berbasis
nilai, RL dalam berbasis model dan RL dalam berbasis kebijakan.
Sedangkan arti umum yang diawasifijaringan saraf pusat dan adaptasinya termasuk single-
layer perceptron (SLP) [10, 31], multilayer perceptron (MLP) [42, 43], dan klasifikasi linierfiers [
44, 45]. Selain itu, ANN yang diawasi yang populer mencakup mesin vektor dukungan (SVM) [
46, 47], k-tetangga terdekat (kNN) [48]. Yang juga termasuk dalam kategori JST yang diawasi
yang populer adalah statistik Bayesian[49], pohon keputusan [50] dan model Markov
tersembunyi (HMM) [51]. Sementara itu, beberapa metode tanpa pengawasan yang umum
termasuk k-means[52], maksimalisasi ekspektasi [53], dan pembuat kode otomatis
[54]. Pendekatan tanpa pengawasan lainnya dalam literatur berbasis kepadatan[55], peta
pengaturan sendiri [56], pengelompokan [57] dan kabur [58].
Metode jaringan saraf berbasis kernel adalah kelas algoritma untuk analisis pola,
seperti SVM (mesin vektor dukungan). Fungsi kernel atau algoritme yang
digunakan dalam arsitektur dangkal, misalnya mesin vektor dukungan (SVM), atau
mesin kernel multilayer (MKM). Sebuah studi investigasi oleh Cho dan Saul[59],
mengevaluasi MKM dan SVM dengan fungsi kernel untuk mendemonstrasikan
keunggulan arsitektur NN yang dalam. Studi ini menyoroti kegunaan jaringan
saraf berbasis kernel dalam aplikasi pengenalan karakter optik dan analisis DNA.
Penelitian oleh Camps-Valls, dan Bruzzone[60], teknik berbasis kernel yang
diusulkan untuk classifikation citra hiperspektral, dengan karakteristik utama dari
berbagai metode berbasis kernel. Hasilnya menunjukkan keberhasilan kinerja
mesin vektor dukungan standar (SVM) yang mengatur fungsi basis radial NNs (Reg-
RBFNN), AdaBoost (Reg-AB) dan analisis kernel Fisher diskriminan (KFD).
ANN memiliki signifikeuntungan tidak bisa dibandingkan model statistik ketika keduanya
relatif dibandingkan. Dalam model JST tidak ada asumsi tentang properti data atau distribusi
data. Oleh karena itu, JST lebih berguna dalam penerapan praktis. Selain itu, tidak seperti
beberapa model statistik yang memerlukan hipotesis tertentu untuk pengujian, model JST
tidak memerlukan hipotesis apa pun. ANN sangatfleksibel, model reduksi data, meliputi
model regresi nonlinier, dan model diskriminan. Terlebih lagi, tidak seperti mesin vektor
dukungan, mesin pembelajaran ekstrim, dan hutan acak, ANN lebih toleran terhadap
kesalahan. Artinya, mereka dapat menangani data dan kebisingan yang tidak lengkap,
mereka dapat memecahkan masalah non-linier, Juga, JST terlatih, dapat menggeneralisasi
dengan kecepatan tinggi dan membuat prediksi. Selain itu, JST dapat diskalakan jika
dibandingkan dengan mesin vektor dukungan, mesin pembelajaran ekstrim, dan hutan acak.
Artikel No.we00938
Menariknya, teknik DL menarik lebih banyak perhatian penelitian sejak tahun 2006. DL
memiliki kemampuan bawaan untuk memecahkan cacat paradigma tradisional yang
bergantung pada bahan buatan tangan. Selain itu, pendekatan DL telah berguna dalam
teknik big data dengan aplikasi kinerja untuk pengenalan pola, pemrosesan bahasa
alami, sistem rekomendasi, pengenalan ucapan, dan visi komputer.
2.5. Pemodelan
Secara umum, pemodelan adalah proses menyajikan fenomena atau objek dunia nyata sebagai
sekumpulan ekspresi matematika. Namun, pemodelan jaringan saraf adalah proses yang
merepresentasikan cara fungsi sistem saraf. Artinya, NN adalah simplifirepresentasi dari bagaimana
otak manusia memproses informasi. Fungsinya dengan mensimulasikan banyak unit pemrosesan
yang saling berhubungan yang menyerupai versi gagasan neuron. Ini adalah paradigma
pengoptimalan yang paling umum digunakan dalam mengoptimalkan jaringan neural. Penurunan
gradien baru-baru ini digunakan dalam memperbarui bobot dalam model NN, yaitu memperbarui
dan mengubah model's parameter ke arah untuk meminimalkan fungsi Rugi.
Sebuah studi oleh Ludermir, Yamazaki, dan Zanchettin [61], mengusulkan metode baru untuk
pengoptimalan global NN. Metode tersebut menggabungkan algoritma backpropagation,
annealing, dan tabu search, untuk menghasilkan otomatisasi untuk menghasilkan jaringan dengan
kompleksitas rendah dan berkelas tinggi.fikation. Hasil penelitian menunjukkan bahwa metode baru
lebih baik dari penelitian sebelumnya diperoleh dengan pendekatan optimasi yang paling banyak
digunakan. Baru-baru ini, para peneliti mensintesis artifienzim yang berfungsi atau bekerja dalam
metabolisme sel-sel hidup. Arti inifienzim cial menggunakan sel'energi sendiri yang memungkinkan
produksi gas hidrogen dari energi matahari [62]. JST telah diterapkan dalam banyak hal seperti
dalam kontrol sistem[63], pengenalan pola [64], sistem tenaga
[65], kontrol robotika [66], peramalan [67], manufaktur [68], ilmu Sosial
[69], Art [70], pengoptimalan [71], ilmu psikologi [72], pemrosesan sinyal
[73] dll.
Dalam pendekatan pemodelan pengoptimal untuk solusi masalah usabilitas. Contoh pendekatan
praktis untuk pemodelan di pengoptimal untuk arsitektur perangkat lunak. Sebuah karya yang
diterbitkan oleh Delinchant et al.[74] membahas kerangka kerja pengoptimalan dalam paradigma
komponen perangkat lunak untuk ukuran. Delinchant dkk. Pekerjaan menyajikan desain sistem
kerangka kerja berdasarkan optimasi. Kemudian menyoroti, generator (ekspresi analitis dari sistem
kerangka kerja), layanan pengoptimalan, standar komponen dan pola penggunaan kerangka yang
dirancang. Hasilnya menunjukkan bagaimana sistem kerangka kerja untuk komponen perangkat
lunak dapat digunakan dalam membangun generasi baru yang mengoptimalkan lingkungan. Itu
memungkinkan kapitalisasi dan penggunaan kembali oleh paket perangkat lunak gabungan dan
algoritme pengoptimalan. Dengan demikian, pendekatan tersebut menunjukkan kemungkinan
membangun arsitektur perangkat lunak global yang mengoptimalkan sistem dan komponen.
Artikel No.we00938
Dalam mengukur model prediksi yang baik untuk memprediksi hasil yang diharapkan, diperlukan
fungsi kerugian. Itu adalah kelompok atau kelas fungsi yang diminimalkan disebut“fungsi kerugian".
Metode yang digunakan paling populer dari fiMenemukan titik minimal dari suatu fungsi yang
disebut sebagai penurunan gradien. DNN saat ini merupakan salah satu kelas yang paling populer
digunakanfiers. Dalam pemodelan pada fungsi kerugian, makalah oleh Janocha, dan Czarnecki[75],
menyelidiki effEfek dari pilihan fungsi kerugian pada model yang dalam dan dinamika
pembelajarannya, dan klasifikasi yang dihasilkanfiketangguhan untuk different effdll. Dua
percobaan (L1 dan L2) dilakukan pada dataset klasik. Hasil penelitian menunjukkan bahwa kerugian
L1 dan L2 cukup menarik, cukup menarikfied classifitujuan kation untuk jaringan saraf dalam karena
memberikan interpretasi probabilistik terkait misclassi yang diharapkanfikation.
Di fiMenemukan desain optimal yang memberikan kualitas tinggi dan ringan pada saat
yang sama, itu pentingfitidak bisa memiliki effefektif dan effimetode prediksi yang
efisien pada tahap desain awal. Dalam sebuah penelitian mengerjakan metode optimasi
bobot, makalah oleh Yu, dan Chi[76], mengusulkan optimasi model bobot dalam
evaluasi kredit, berdasarkan konsep yang paling optimal adalah bobot. Artinya, setelah
diberdayakan, hasil evaluasi kredit harus memiliki daya diskriminasi yang maksimalff
hapus non-default dari pelanggan default. Hasil empiris menunjukkan bahwa daya
pembeda penilaian kredit paling kuat dibandingkan dengan ketiga model pembobotan,
seperti nilai-t, kesalahan kuadrat rata-rata, dan koefisien variasi.fficient.
2.6. JST keberhasilan dan aplikasi yang muncul
Belakangan ini berbagai penggunaan JST yang berhasil muncul dalam katalisis, meteorologi,
biologi, kimia, fisika, fisika nuklir, fisika energi tinggi, dan bidang sains lainnya. Saat ini, JST
telah banyak digunakan di bidang baru seperti sebagai katalisator khususnya di sektor
industri kimia. Katalisis adalah istilah sebagai signifienergi tidak dapat dalam proses
modernisasi industri kimia. Ini memastikan effefektif, effipenggunaan yang efisien dan
berhasil fisumber daya alam, mencegah limbah dan polusi udara, dan memberikan
keamanan bagi sektor industri. Katalisis menjadi dasar dari operasi skala besar mengenai
ukuran di lingkungan kimia dan petrokimia. Namun, seiring perubahan permintaan,
tantangan lingkungan baru sekarang membutuhkan solusi katalitik baru. Misalnya,
perubahan dalam ekonomi energi telah mendorong peningkatan permintaan batu bara dan
gas, sehingga memberikan ruang bagi tantangan baru untuk teknologi katalitik di bidang-
bidang seperti likuifaksi dalam ilmu material [77, 78].
Baru-baru ini, telah dilaporkan kasus penerapan JST untuk penelitian katalisis dalam literatur.
Makalah yang ditinjau oleh Li, Zhang, dan Liu[79], Tunjukkan bagaimana JST yang diterapkan pada
katalisis membantu orang-orang dalam mengatasi masalah yang kompleks dan kemudian
mempercepat kemajuan penggunaan katalisis. Makalah yang ditinjau lebih lanjut menunjukkan
bagaimana JST diterapkan dalam banyak cara untuk prediksi katalisis, desain katalis baru, dan
pemahaman tentang struktur katalitik yang menghasilkan effhasil yang efektif. Begitu pula dengan
penelitian Corma et al.[80] menunjukkan bagaimana artifiNN sosial diterapkan pada pemodelan
Artikel No.we00938
data katalitik dalam katalisis kombinatorial dan untuk memprediksi komposisi katalis
baru untuk ODHE (dehidrogenasi oksidatif etana).
Dalam penelitian pengembangan lain tentang deskripsi akurat dari proses kimia menggunakan
metode komputasi seperti teori fungsional kerapatan (DFT). Behler dan Parrinello[81],
memperkenalkan model DFT NN generasi baru, yang memberikan energi sebagai fungsi dari semua
posisi atom dalam sistem dengan ukuran yang berubah-ubah dan dalam berbagai urutan besaran
yang lebih cepat daripada DFT. Tingkat akurasi yang tinggi dari metode NN ditampilkan untuk
silikon curah dibandingkan dengan DFT. Pendekatan NN ini bersifat generik yang dapat diterapkan
pada semua jenis sistem periodik dan nonperiodik.
Baru-baru ini, representasi input ML yang digeneralisasikan diterapkan oleh quantifi

kation dan konsentrasi larutan campuran dalam mengatasi masalah penentuan
tren intrinsik di CO2 kelarutan di bawah specifikondisi c. Penelitian ini diatur oleh
Li, dan Zhang[82], menerapkan algoritma regresi umum NN (GRNN)
di fitting tren intrinsik atau pergerakan CO2 kelarutan dengan jumlah minimal data
eksperimen. Yang menghasilkan RMSE rata-rata (root mean square error)
kurang dari 0,038 mol CO2 /mol larutan. Studi telah menunjukkan bahwa representasi input umum
yang diterapkan, dapat memberikan pemahaman yang lebih baik tentang yang melekat
tren CO2 kelarutan dalam jumlah campuran larutan.
JST berguna dan dapat diterapkan dalam pemodelan sistem seperti dalam mengimplementasikan
sistem identifikation dan pemetaan kompleks. Misalnya, penerapan NN untuk tantangan energi
terbarukan telah menunjukkan keberhasilan yang luar biasa. Tahun 2001, investigasi oleh Kalogirou
[83], menerapkan JST pada energi seperti matahari terkait pemodelan dan desain pembangkit listrik
tenaga uap surya. Hasil eksperimental menunjukkan prediksi kecepatan, beban, dan kesalahan.
Jaringan wavelet telah digunakan secara luas dan effsecara efektif di diffrekayasa yang salah
fields untuk classifikation, identifimasalah kation dan kontrol. Jaringan wavelet

merupakan jaringan feed forward yang menggunakan wavelet sebagai fungsi aktivasi.
Aplikasi JST untuk peramalan data radiasi matahari dengan jaringan wavelet adaptif
telah bermanfaat. Karya terbaru oleh Li, dan Liu[84], menggunakan arsitektur jaringan
wavelet adaptif dalam menemukan model yang sesuai untuk meramalkan jumlah total
radiasi matahari harian. Jumlah total radiasi matahari harian dianggap paling signifikanfi
tidak dapat memprediksi kinerja energi terbarukan seperti surya, yang terpenting
dalam mengukur fenomena fotovoltaik (PV) sistem tenaga. Yaitu dalam pengubahan
cahaya menjadi listrik. Hasil eksperimen menunjukkan bahwa model JST memprediksi
jumlah total harian parameter radiasi matahari dengan akurasi 97% dengan persentase
kesalahan rata-rata absolut 6%. Selain itu, Li, dan Liu mengusulkan model tentang
optimalisasi pemanas air tenaga surya dan prediksi kinerja menggunakan teknik
pembelajaran mesin berbasis pengetahuan. Hasilnya menunjukkan bahwa model
generalisasi yang dapat diterapkan di difflokasi yang tidak sama bahkan untuk data
cuaca, seperti suhu lingkungan dan periode sinar matahari.
Artikel No.we00938
Dalam beberapa tahun terakhir, penerapan JST untuk masalah kimia dan fisika semakin populer dan
sukses [85]. Banyak penerapan teknik aproksimasi dan pendekatan standar terhadap datafitting
berkinerja lebih baik di NN. NN memberikan akurasi lebih dengan jumlah parameter yang dapat
disesuaikan lebih rendah daripada metode lainnya. Pembelajaran di NN dipahami ketika
membangun kembali hypersurfaces bersama dengan titik sampel, generalisasi, dan interpolasi. NN
menerapkan fungsi sigmoidal untuk pembangunan kembali atau transformasi, yang dinyatakan
dalam sebagian besar masalah fisika dan kimia. Dengan demikian, menyelesaikan data yang
sewenang-wenangfiMasalah tting dengan menerapkan arsitektur jaringan lapisan tunggal jika tidak
ada batasan dalam fungsi sigmoidal yang diterapkan [85].
Penerapan jaringan saraf dalam fisika telah menyaksikan kesuksesan yang luar biasa.
Penelitian oleh Lynch et al.[86], menjelaskan peluang baru untuk menerapkan NN ke
fisika dan memetakan jenis masalah yang terkait dengan fisika, terutama di fibidang
masalah sains dan teknik. JST telah terbukti berguna dalam memprediksi konsentrasi
radioaktivitas. Pemahaman tingkat nilai radioaktivitas dengan nilai variabel lain di
lingkungan dapat diterapkan untuk melatih jaringan guna memperkirakan tingkat
radioaktivitas berikutnya. Oleh karena itu, akurasi metode NN bisa lebih baik daripada
pendekatan lain di area pemantauan tertentu.
Tujuan utama teori nuklir adalah untuk memprediksi struktur nuklir dan reaksi
nuklir dari teori fundamental interaksi kohesi tinggi, dan kromodinamika kuantum
(QCD). Dengan sistem komputasi kinerja tinggi (HPC) yang luar biasa saat ini,
banyak metode ab initio, seperti No-Core Shell Model (NCSM), telah dirancang
untuk menghitung sifat kimia inti atom. Namun, untuk menghitung secara akurat
sifat-sifat inti atom, ada banyak tantangan teoritis dan komputasi yang terlibat.
Untuk mengatasi masalah ini, studi terbaru tentang prediksi sifat inti atom oleh
Negoita et al.[87] mengusulkan JST umpan-maju untuk memprediksi sifat-sifat inti
atom seperti energi keadaan dasar (gs) dan jari-jari titik proton akar rata-rata-
kuadrat (rms) titik dasar. Hasilnya menunjukkan bahwa FFANN dapat memprediksi
properti file6Inti Li menyukai energi gs dan jari-jari proton titik gs. Hasilnya satisfi
kondisi fisik yang ideal. Keuntungan penting dari metode JST adalah tidak
memerlukan hubungan matematis dari data masukan dan data keluaran. Yang
penting, aplikasi JST untuk masalah Fisika dan Kimia harus dibandingkan dengan
metode lain seperti teknik statistik dan datafiprosedur stek untuk ukuran kinerja.
2.7. Model JST di diffarea aplikasi yang salah
Banyak artifiTeknik jaringan saraf resmi telah diadopsi di akademisi dan industri untuk
mengatasi tantangan dalam penglihatan komputer, pengenalan pola dan ucapan,
penyelarasan wajah, dan deteksi. Ini termasuk;
Artikel No.we00938
2.7.1. Pengenalan suara
Penerapan JST telah menjadi divergensi dan dipahami dalam kemampuan keberhasilannya
dalam pengenalan ucapan atau komunikasi. Dalam beberapa dekade terakhir, algoritme ML
telah diterapkan secara luas di berbagai bidang seperti pemodelan akustik dan ASR
(pengenalan ucapan otomatis)[88].
2.7.2. Visi komputer
Visi komputer bertujuan membuat komputer untuk secara akurat memahami dan
memproses data visual effisecara efisien menyukai video [88] dan gambar [89, 90, 91]. Tujuan
utama visi komputer adalah untuk menyediakan komputer dengan jenis kemampuan
fungsionalitas otak manusia. Secara teoritis, computer vision mengacu pada kontrol logis
yang mempelajari bagaimana memisahkan data dari gambar dalam artifikerangka kerja
resmi. Sub domain computer vision meliputi deteksi objek dan pengenalan objek, estimasi
objek, posisi objek, deteksi peristiwa, rekonstruksi adegan, restorasi citra, penyuntingan
gambar, peningkatan video, dan pembelajaran statistik. Karenanya, dalam computer vision,
model JST sangat berguna.
2.7.3. Pengenalan pola
Perbaikan baru-baru ini dalam model pembelajaran yang mendalam telah memberikan cara baru
untuk menangani masalah dalam pengenalan pola atau pengenalan pola (PR). PR adalah seorang
ilmuwanfic area yang fokus pada identifikation urutan di setiap input [92, 93]. PR adalah konsep
umum yang melingkupi berbagai subdomain seperti penandaan ucapan, regresi, pelabelan urutan,
dan klasifikasifikation. Kebutuhan akan pemrosesan dan keluaran informasi yang meningkat pesat,
karena perkembangan industri, yang memiliki tren dan tantangan baru bagi PR.
2.7.4. Penjajaran wajah
Penjajaran wajah memainkan peran yang signifikanfitidak bisa dalam aplikasi visual yang beragam.
Belakangan ini, ANN mengklaim keberhasilan dalam penyelarasan wajah [94, 95, 96] dan
pengenalan wajah [97, 98, 99] dan model lainnya [100] telah menunjukkan kesuksesan. Menariknya,
teknik DL dapat diterapkan untuk menjelaskan varian genetik untuk mengidentifikasi varian patogen
[101, 102]. Biasanya, algoritma deplesi bergantung anotasi gabungan populer diterapkan untuk
menafsirkan varian pengkodean dan non-pengkodean.
2.7.5. Deteksi
Deteksi dalam diagnosis medis, keamanan, objek gambar, fiketidakteraturan keuangan, kesalahan
dalam sistem, sedang ditingkatkan melalui aplikasi JST. Dengan demikian, JST memainkan peran
penting dalam deteksi, terutama bila diterapkan pada kanker payudara [103,
Artikel No.we00938
104, 105, 106]. Kinerja JST relatif dapat dibandingkan dengan pendekatan lain dalam deteksi
kejahatan seperti DNA dan aktivitas profiling [107] dan penggunaan data besar untuk fi
deteksi kejahatan finansial [108]. Meskipun banyak publikasi dalam pemanfaatan NN di diff
berbagai tantangan medis, tetapi ada beberapa studi ulasan yang tersedia yang menjelaskan
arsitektur dalam meningkatkan metode deteksi terkait kinerja, akurasi, sensitivitas, dan
spesifikasi.fikota. Dengan demikian, kemampuan pendeteksian subdomain atau komputasi
yang lazim disebut dalam computer vision ini berusaha untuk memahami, menempatkan,
mengklasifikasikan atau diffhapus objek gambar yang ditargetkan. Contoh selama tugas
deteksi, gambar dapat dipindai untuk mengetahui fitur atau karakteristik khusus tertentu.
Misalnya, penggunaan deteksi citra dalam diagnosis medis, terutama sel atau jaringan
abnormal pada citra medis.
Biasanya, metode tradisional didasarkan pada fitur yang dirancang dengan tangan dan mekanisme
inferensi kontras. Teknik DL hanya membutuhkan data gambar mentah [109, 110, 111,
112]. Juga, teknik DL diterapkan pada deteksi Glaukoma dengan hasil yang menjanjikan [113,
114, 115]. Terlebih lagi, ANN telah digunakan dalam perubahan gambar dan deteksi
penglihatan komputer baik dalam tantangan sipil maupun militer. Saat ini, deteksi citra
diterapkan dalam penginderaan jauh, evaluasi bencana, videoing dan pengawasan.
Selanjutnya, JST atau teknik pembelajaran mendalam telah diterapkan pada sistem interaksi
manusia-robot yang membuahkan hasil [116, 117, 118].
2.8. Perbandingan diffmodel JST yang salah
Bagian ini menyoroti membahas, membandingkan, merangkum dan mengkritik lebih dari
delapan puluh artikel penelitian tentang artifimodel jaringan saraf pusat'Penerapannya ke
berbagai bidang ekonomi. Perbandingan dibuat berdasarkan (i) penulis (s) / tahun publikasi
(ii) pemodelan JST (iii) area penerapan JST (iii) mempelajari kontribusi terhadap tantangan
manusia (dengan referensi ke Tabel Tambahan 2) [11, 119, 120, 121,
122, 123, 124, 125, 126, 127, 128, 129, 130, 131, 132, 133, 134, 135, 136, 137,
138, 139, 140, 141, 142, 143, 144, 145, 146, 147, 148, 149, 150, 151, 152, 153,
154, 155, 156, 157, 158, 159, 160, 161, 162, 163, 164, 165, 166, 167, 168, 169,
170, 171, 172, 173, 174, 175, 176, 177, 178, 179, 180, 181, 182, 183, 184, 185,
186, 187, 188, 189, 190, 191, 192, 193, 194].
2.8.1. Ringkasan dan kritik
Tinjauan komprehensif telah menunjukkan bahwa minat terhadap aplikasi JST

meningkat tajam selama dua dekade terakhir. Hasil penelitian menunjukkan bahwa
artikel penelitian yang dipilih adalah yang terbaru karena sebagian besar diterbitkan
antara tahun 2009e2018 dan berfokus pada masalah perkembangan dan teknologi
terkait JST. Survei tersebut mencakup berbagai bidang aplikasi JST seperti keamanan
komputer, keamanan jaringan, sains dan teknik, ilmu kedokteran, biologi, ekologi,
industri nuklir, pembangkit listrik, manajemen, eksplorasi mineral.
Artikel No.we00938
Area aplikasi lainnya adalah; prediksi kualitas fraksi minyak mentah, tanaman, pengolahan
air, kebijakan dan bisnis seperti perbankan, asuransi, pasar saham, pencucian uang dan
lainnyafilembaga keuangan untuk mendeteksi kejahatan. ItufiBidang penerapannya
bervariasi dari sains, teknik, ilmu sosial, kemanusiaan, dan yang terkait dengan seni
fields. Dari survei berbagai artikel, menjadi jelas bahwa arti itufiAplikasi jaringan saraf
tiruan tidak memiliki batasan. JST paling banyak menarik perhatian para peneliti akhir-
akhir ini, misalnya, studi tersebut menemukan bahwa ramalan hasil panen dan ternak
sangat membantu dalam pembangunan pertanian.
Menariknya, penerapan JST ini telah menyebabkan peningkatan produksi pertanian

yang meningkatkan ketahanan pangan di banyak negara. Dalam dua dekade terakhir,
JST telah diterapkan di different fibidang pertanian, khususnya untuk pendugaan dan
klasifikasi areal tanamanfikation. Selain itu, data pertanian dapat diprediksi
menggunakan jaringan saraf. Ada beragam pendekatan yang diusulkan untuk analisis
data seperti model jaringan saraf; contohnya adalah; arti feedforwardfijaringan saraf
pusat, jaringan saraf propagasi balik, jaringan saraf probabilistik. Lainnya termasuk
jaringan asosiasi yang diawasi, arsitektur jaringan saraf perceptron multi-layer,
kuantisasi vektor pembelajaran, dan jaringan saraf multi-layer.
Meskipun, studi oleh Kitchens, dan Harris [195], pada aplikasi JST untuk mendeteksi penipuan
dalam bisnis asuransi dan finance, mendemonstrasikan proses deteksi penipuan effi-
secara efisien. Namun, hasilnya perlu dibandingkan dengan pendekatan lain seperti
penggalian data, model regresi, dan model statistik lainnya untuk bukti keberhasilan.
Padahal, penelitian oleh Fanning dan Cogger [149], pada penerapan JST untuk deteksi
kecurangan dalam manajemen menunjukkan bukti keberhasilan deteksi kecurangan
menggunakan JST di filaporan keuangan. Namun demikian, hasilnya perlu
dibandingkan dengan teknik lain yang ada jika teknik deteksi tersebut bekerja lebih baik
atau lebih baik daripada teknik deteksi mutakhir. Terlebih lagi, meskipun aplikasi JST
cukup baru, namun tidak boleh diabaikan bahwa saat ini ada teknik deteksi kriminal
novel lain dengan aplikasi grafis dan pemrograman seperti pendeteksian anomali teori-
grafik dan pemrograman logika induktif.
Meskipun, alat JST membuatnya sederhana, mudah, dan cepat untuk analisis data yang
memungkinkan tidak hanya penemuan metode baru untuk bisnis, industri, dan topologi
pendidikan tetapi juga kinerja lintas produk, lintas saluran, dan lintas pelanggan. tentu obat
mujarab; Harus ada keterlibatan teknologi informasi dan komunikasi (TIK) dalam membuat
sumber data tersedia dan, tentu saja, alat JST tidak mengecualikan kebutuhan untuk
pembersihan data. Tapi itu memberi peluang baru bagi organisasi yang ingin mengatasi
tantangan manajemen seperti peningkatan bahan, produk, layanan,fikejahatan keuangan,
dan seterusnya melalui cara-cara baru.
Dengan teknologi yang berkembang seperti data mining, algoritma genetika, model
hybrid, model matematika, aplikasi big data terutama dalam deteksi kejahatan dan
Artikel No.we00938
pencegahan [185, 196]. Evolusi komputer dan internet berpengaruhflpengaruh teknologi

yang pesat dan perkembangan media digital pada setiap aspek kehidupan manusia [197,
198]. Selain aplikasi perangkat lunak interaktif yang luas[199]. Peneliti bisa mengikuti
arti yang memadaifimekanisme aplikasi intelijen resmi untuk mencapai sukses besar
dalam beragam fibidang usaha. Dalam komputasi global saat ini, ada banyak sekali
manfaatfits di NNs. Karena kemampuan untuk belajar selama dan setelah pelatihan
membuat JST sangat kuat danflfleksibel. Selain itu, JST tidak memerlukan paradigma
sebelum menjalankan spesifikasific tugas, yaitu, tanpa perlu memahami mekanisme
eksternal atau internal tugas sebelum implementasi [200].
2.8.2. Hasil aplikasi JST
Hasil aplikasi JST ke diffberbagai bidang kehidupan dan disiplin ilmu seperti yang ditemukan
dalam literatur disajikan di Tabel 1.
Tabel 1 menunjukkan bahwa model JST berguna dalam kelasfikation, pengenalan

pola, klausa, optimasi dan prediksi. Hubungan di antara banyak bidang
Aplikasi JST lebih lanjut disajikan dalam Gambar 7.
Tabel 1. Hasil rangkuman pada aplikasi JST terkait prediksi, pola

pengakuan dan Classifikation.
Contoh dari banyak fi Ramalan Pengenalan pola Classifikation Total

bidang aplikasi JST
Keamanan 20 18 2 40
Ilmu 25 25 2 52
Teknik 22 7 2 31
Ilmu medis 10 5 2 17
Pertanian 3 3 2 7
Keuangan 10 15 2 27
Bank 5 15 2 22
Cuaca dan iklim 2 15 2 19
pendidikan 30 15 2 47
Lingkungan 10 15 2 27
Energi 5 15 2 22
Pertambangan 2 15 2 19
Kebijakan 2 2 2 6
Pertanggungan 5 4 2 11
Pemasaran 5 5 2 12
Pengelolaan 40 2 2 44
Manufaktur 12 15 5 32
Lain fields 52 11 10 71
2405-8440 / 2018 Penulis. Diterbitkan oleh Elsevier Ltd. Ini (http:// adalah artikel akses terbuka di bawah lisensi CC BY
Artikel No.we00938
Gambar 7. Kerangka aplikasi JST yang telah ditinjau.
Korelasi di antara yang berbeda fibidang lebih lanjut mengungkapkan bahwa JST dapat
diterapkan ke semua bidang studi, industri, dan profesi. Histogram mengungkapkan
bidang penerapan JST dalam keamanan, sains, teknik, ilmu kedokteran, pertanian,
fikeuangan, perbankan, cuaca dan iklim, pendidikan, lingkungan, energi, pertambangan, asuransi,
pemasaran, dll. Oleh karena itu, peneliti yang tertarik dapat mengeksplorasi aplikasi JST di area ini
atau banyak area lain yang muncul untuk penelitian di masa mendatang untuk solusi yang lebih baik
untuk masalah mereka. fields. Karena selalu ada algoritma, model, skema, dan kerangka kerja untuk
masalah apa pun.
3. Kesimpulan
Survei tersebut komprehensif dengan diskusi tentang bagaimana NN dapat diterapkan untuk
memenuhi kebutuhan manusia. JST memiliki banyak nama seperti yang ditemukan dalam
literatur seperti; model koneksionisme / penghubung, sistem adaptif, model pemrosesan
terdistribusi paralel, sistem pengorganisasian diri, sistem neuromorfik dan neurokomputer [
201, 202, 203, 204].
Area penerapan JST yang dipertimbangkan dalam survei meliputi; keamanan komputer, ilmu
kedokteran, bisnis,fikeuangan, bank, asuransi, pasar saham, pembangkit listrik, manajemen,
industri nuklir, eksplorasi mineral, pertambangan, prediksi kualitas fraksi minyak mentah,
prediksi hasil panen, pengolahan air, dan kebijakan. Menarik untuk diketahui bahwa analisis
data jaringan saraf menambah akurasi, kecepatan pemrosesan, toleransi kesalahan, latensi,
kinerja, volume, dan skalabilitas. Banyak pendekatan manajemen data dan analisis data yang
baru dan ditingkatkan membantu dalam pengelolaan JST. Membuat analitik dari data yang
tersedia yang membantu sebagian besar memprioritaskan informasi dan memberikan nilai
bisnis manusianya. Analisis ANN pada gilirannya membantu dalam memerangi tantangan
dan mengurangi risiko yang mungkin terjadi.
Artikel No.we00938
Oleh karena itu, berdasarkan faktor-faktor analisis data seperti akurasi, kecepatan
pemrosesan, latensi, kinerja, toleransi kesalahan, volume, dan skalabilitas, dilakukan evaluasi
terhadap teknik JST. Kemudian, mengusulkan bahwa model jaringan saraf seperti TBS dan
model hibrida menggunakan jaringan saraf berkinerja lebih baik untuk implementasi
masalah manusia jika dibandingkan dengan pendekatan lain yang saat ini dipraktikkan. Juga,
studi ini mengusulkan model jaringan saraf hibrida dan algoritma genetika (GA) untuk kinerja
yang lebih baik terkait effefektivitas dan effiefisiensi.
ANN adalah model komputasi baru dengan kegunaan yang cepat dan besar untuk menangani
berbagai masalah dunia nyata yang kompleks. Popularitas JST terletak pada karakteristik
pemrosesan informasi untuk kekuatan pembelajaran, paralelisme tinggi, toleransi kesalahan,
nonlinier, toleransi noise, dan kemampuan generalisasi.
3.1. Saran
Berdasarkan literatur yang ditinjau, beberapa area perbaikan dapat disarankan kepada para
profesional, peneliti dan peneliti pendatang baru untuk penelitian lebih lanjut dan
pengembangan penelitian di masa depan. BPNN dan FFPNN memiliki potensi variabel
pemodelan. Dalam mengoptimalkan kinerja BPNN dan FFPNN diperlukan pendekatan yang
sistematis dalam proses pengembangan model. Oleh karena itu, saran-saran berikut ini
dikemukakan.
1. Transformasi data. Studi masa lalu dan saat ini menunjukkan bahwa tidak perlu
mengubah atau mengubah data yang tidak biasanya atau biasanya terdistribusi
yang mengungkapkan pengembangan atau varian periodik tidak teratur. Sedangkan
modifikation heteroskedastisitas dan tren data didorong. Juga, normalisasi data dan
skala yang sepadan dengan transfer fungsi di lapisan keluaran.
2. Menentukan model input yang sesuai. Variabel input ditentukan dengan dukungan
pengetahuan apriori, menggunakan metode pembangunan model bertahap atau
metode analisis seperti teknik korelasi silang.
3. Pilihan geometri jaringan. Satu lapisan tersembunyi mungkin cukup memadai di

sebagian besar penggunaan praktis jaringan. Namun, ekspresi matematis dapat
menentukan batas atas node lapisan tersembunyi yang diperlukan untuk
memperkirakan fungsi kontinu. Kecuali jika teknik nonkonvergen, seperti validasi
silang, hubungan antara kuantitas pelatihan dan kuantitas unit lapisan tersembunyi
juga harus dipertimbangkan. Hubungan tersebut dapat diselidiki dengan panduan
aturan yang diberikan dalam beberapa literatur.
4. Peneliti dapat memfokuskan pada karakteristik jaringan pada spesifikasi variabelfifase kation.
Juga, berguna untuk melakukan uji coba dalam menentukan minimum lokal yang dibutuhkan di
permukaan kesalahan, dan osilasi di R.
5. Peramalan dengan pelatihan berkelanjutan, dengan diffukuran langkah yang diambil dalam
ruang berat. Langkah-langkah ini dapat berguna saat memilih parameter jaringan yang sesuai
Artikel No.we00938
seperti (fungsi transfer, momentum, ukuran epoch, kecepatan pembelajaran, dan error) dan
berapa banyak sampel pelatihan di jaringan untuk studi kasus.
6. Validasi model. Validasi model diperlukan untuk standarisasi dan skenario

praktis JST untuk optimalisasi kinerja.
3.2. Arah masa depan
Penelitian ini memiliki banyak area yang membutuhkan penyelidikan lebih lanjut. Diperlukan penelitian
lebih lanjut di bidang-bidang berikut:
(i) Fokus yang lebih besar pada pemrograman dinamis adaptif (ADP) dapat menghasilkan
hal yang menarik fiMenemukan bahwa akun lebih untuk signifitidak bisa berkontribusi
di bidang penelitian otak dan kecerdasan komputasi
(ii) Topik yang muncul dalam teknik dan ilmu komputer termasuk teknik penyesuaian
parameter dalam algoritma pembelajaran mesin. Keberhasilan penggunaan
optimasi algoritma dalam menyesuaikan variabel jaringan harus dipelajari
dengan baik.
(iii) Penyelidikan lebih lanjut ke dalam aplikasi pembelajaran penguatan, tanpa

pengawasan, metode semi-supervisi ke jaringan saraf dalam untuk sistem yang
kompleks dan multi-kompleks.
(iv) Penelitian masa depan harus berkonsentrasi pada penggunaan analisis cerdas
seperti model jaringan saraf, jaringan saraf tiruan backpropagation, jaringan
saraf probabilistik, jaringan asosiasi yang diawasi, arsitektur jaringan saraf
perceptron multi-layer, kuantisasi vektor pembelajaran, jaringan saraf multi-
layer, dan model jaringan saraf hibrida. Ini karena area tersebut dapat
memberikan kinerja yang lebih baik dalam penerapan jaringan saraf untuk
berbagai tantangan kehidupan.
(v) Karena penggunaan statistik inferensial dan jaringan saraf dapat lebih prediktif dalam
analisis data. Oleh karena itu, pendekatan prediktif juga bisa menjadi fokus lain dalam
mempelajari subjek.
(vi) Penelitian membutuhkan eksekusi algoritma DL untuk materi komunikasi

seperti gadget seluler. Baru-baru ini, muncul ide chip DL yang menarik
minat penelitian.
(vii) Pelatihan kesadaran publik tentang artifiModel syaraf jaringan resmi harus dilanjutkan secara
teratur, terutama pada kebutuhan untuk menyediakan informasi yang berguna
menggunakan analisis empiris dan data digital.
(viii) Diperlukan investigasi lebih lanjut dalam analisis stabilitas NN dalam karena,
belakangan ini, analisis stabilitas DNN telah menjadi topik hangat untuk fokus
penelitian karena keunggulannya di banyak sektor industri.
Artikel No.we00938
(ix) Dengan tren baru dalam teknik big data, DL akan berguna di mana sejumlah
besar data yang tidak diawasi diterapkan. Menarik untuk membuat model
DL yang dapat belajar dari data pelatihan yang lebih sedikit, terutama untuk
sistem pengenalan visual dan ucapan.
(x) Penelitian lebih lanjut harus fokus pada penggunaan DNN untuk sistem kontrol jaringan
nonlinier. Pemahaman yang lebih baik tentang dinamika yang rumit akan membantu
kami menetapkan cara mendapatkan kinerja yang lebih baik dalam kendali, dan
fikemampuan penyaringan effsecara efektif dan effisecara efisien.
(xi) Pemerintah dan lembaga perlu menyediakan dana ke dalam berbagai bidang
penerapan jaringan saraf untuk sukses, terutama di era pendidikan modern,
kemajuan teknologi, pertumbuhan industri, tantangan ekonomi, artifi
pengembangan intelijen sosial, dan revolusi informasi dan komunikasi.
3.3. Bidang lain untuk penelitian lebih lanjut
Sebaiknya penelitian lebih lanjut dilakukan di bidang-bidang berikut:
(i) Algoritma genetika (GA) untuk kinerja yang lebih baik tentang effefektivitas dan effi
efisiensi.
(ii) Penelitian otak yang berfokus pada RL dan ADP (pemrograman dinamis adaptif) dan RL untuk
menghasilkan lebih banyak keberhasilan dalam melakukan pengoptimalan cerdas.
(iii) model jaringan neural hybrid untuk kinerja yang lebih baik terkait effefektivitas
dan effiefisiensi.
(iv) Penelitian tentang kemungkinan integrasi jaringan saraf dengan teknologi

lain yang ada atau berkembang.
(vi) Ada kebutuhan untuk penelitian lebih lanjut di masa depan tentang penerapan teknologi
JST dalam bisnis, industri, energi dan pertanian untuk pembangunan dan penciptaan
kekayaan.
(vii) Fokus penelitian untuk menentukan apakah lebih profisistem perdagangan tabel dapat
diimplementasikan dengan menggunakan sistem cerdas hybrid, sistem pakar, algoritma
genetika, menggabungkan logika fuzzy dan JST.
(viii) Penelitian untuk mengeksplorasi kemungkinan penggunaan JST untuk meramalkan deret
waktu, dan integrasi sistem pakar dan logika fuzzy dalam menentukan sinyal
perdagangan.
(ix) Eksplorasi kemungkinan menggunakan algoritma genetika untuk memilih variabel

input dan parameter optimal untuk sistem.
Sementara itu, penelitian tentang aplikasi JST akan semakin signifikanfitidak bisa maju dalam
waktu terdekat.
Artikel No.we00938
Deklarasi
Pernyataan kontribusi penulis
Semua penulis yang terdaftar memiliki signifiberkontribusi besar pada pengembangan dan
penulisan artikel ini.
Pernyataan pendanaan
Penelitian ini sebagian didukung oleh dua organisasi. Pusat Keamanan dan Pendidikan
Cyber, dana terpisah Pendapatan Internal Amerika Serikat (ISC)2, Inc Code. EIN:
45-2405127 melalui penghargaan beasiswa cybersecurity lulusan (ISC) 2, 311 Park Place
Blvd. Suite 610 Clearwater, FL 33759 USA. Juga, oleh Skema Hibah Penelitian
Fundamental (FRGS) untuk''kerangka kerja analisis berbasis konten untuk penyelidikan
forensik dan dunia maya email yang lebih baik”[203 / PKOMP / 6711426], SFRG Lab,
Sekolah Ilmu Komputer, Universiti Sains Malaysia, Penang, 11800, Malaysia.
Pernyataan minat yang bersaing
Para penulis menyatakan tidak ada penipuanflict yang menarik.
Informasi tambahan
Konten tambahan yang terkait dengan artikel ini telah dipublikasikan secara online di https: // doi.
org / 10.1016 / j.heliyon. 2018.e00938.
Ucapan Terima Kasih
Penulis menyampaikan apresiasi kepada staff dan mahasiswa Laboratorium Security &
Forensic Research Group (SFRG), Sekolah Ilmu Komputer, Universiti Sains Malaysia,
Penang Malaysia atas dukungan materiil selama studi ini. Juga, kami berterima kasih
kepada pengulas pekerjaan ini atas komentar dan saran berharga mereka yang
meningkatkan presentasi penelitian ini. Effort.
Referensi
[1] VS Dave, K. Dutta, model berbasis jaringan saraf untuk perangkat lunak eff
estimasi ort: review, Artif. Intell. Wahyu 42 (2) (2014) 295e307.
[2] H. He, EA Garcia, Belajar dari data yang tidak seimbang, IEEE Trans. Knowl.
Data Eng. 21 (9) (2009) 1263e1284.
[3] A. Mozaffari, M. Emami, A. Fathi, Investigasi komprehensif terhadap kinerja,

ketahanan, skalabilitas, dan konvergensi dari chaos-enhancement
Artikel No.we00938
algoritma evolusi dengan batasan batas, Artif. Intell. Rev. (2018) 1e62.
[4] N. Izeboudjen, C. Larbes, A. Farah, Kelas barufipendekatan kation untuk

perangkat keras jaringan saraf: dari chip standar hingga sistem tertanam pada
chip, Artif. Intell. Wahyu 41 (4) (2014) 491e534.
[5] D. Wang, H. He, D. Liu, Kontrol optimal cerdas dengan pembelajaran kritikus
untuk sistem derek overhead nonlinier, IEEE Transact. Ind. Inf. 14 (7) (2018) 2932e
2940.
[6] FZ Xing, E. Cambria, RE Welsch, Berbasis bahasa alami fiperamalan

keuangan: survei, Artif. Intell. Rev. (2018) 1e25.
[7] GB Kingston, HR Maier, MF Lambert, Kalibrasi dan validasi jaringan saraf

untuk memastikan pemodelan hidrologi yang masuk akal secara fisik, J.
Hydrol. 314 (1e4) (2005) 158e176.
[8] I. Banjir, N. Kartam, Jaringan saraf dalam teknik sipil. Prinsip dan
pemahaman, J. Comput. Civ. Eng. 8 (2) (1994) 131e148.
[9] AW Minns, MJ Hall, Artifijaringan saraf resmi sebagai curah hujan-runoff

model, Hydrol. Sci. J.41 (3) (1996) 399e417.
[10] AS Tokar, PA Johnson, Rainfall-runoff pemodelan menggunakan artifijaringan

saraf sosial, J. Hydrol. Eng. 4 (3) (1999) 232e239.
[11] MA Boyacioglu, Y. Kara, O €.K. Baykan, Sebuah bank prediksi fikegagalan keuangan
menggunakan jaringan saraf, mesin vektor dukungan dan metode statistik

multivariat: analisis komparatif dalam sampel dana asuransi simpanan tabungan
(SDIF) bank yang ditransfer di Turki, Expert Syst. aplikasi 36 (2) (Maret
2009) 3355e3366.
[12] S. Haykin, N. Jaringan, Sebuah yayasan yang komprehensif, Jaringan Syaraf Tiruan. 2
(2004) 41.
[13] H. Rahmanifard, T. Plaksina, Penerapan artifiteknik kecerdasan sosial dalam

industri perminyakan: ulasan, Artif. Intell. Rev. (2018) 1e24.
[14] O. Araque, I. Corcuera-Platas, JF Sanchez-Rada, CA Iglesias, Meningkatkan analisis

sentimen pembelajaran mendalam dengan teknik ansambel dalam aplikasi
sosial, Expert Syst. aplikasi 77 (2017) 236e246.
[15] M. Jahnavi, Pengantar Jaringan Syaraf, Keuntungan dan Aplikasi, menuju

Ilmu Data, 9 Juli 2017. Tersedia di: www.deeplearningtrack.com https://
towardsdatascience.com/introduction-to-neural-networks- Advantagesand-
applications-96851bd1a207.
Artikel No.we00938
[16] D. Wang, H. He, D. Liu, Kritikus adaptif nonlinier kontrol yang kuat: survei,
IEEE Trans. Cybern. 47 (10) (2017) 3429e3451.
[17] S.Haykin, Neural Networks and Learning Machines, edisi ketiga, McMaster
University Hamilton, Ontario, Canada, 2009.
[18] S. Haykin, Jaringan saraf memperluas SP'cakrawala, Proses Sinyal IEEE. Mag.
13 (2) (1996) 24e49.
[19] C. Stergiou, D. Siganos, Jaringan Syaraf 1996, 1996.
[20] TJ Huang, Meniru otak dengan neurocomputer a “baru” jalan menuju artifi
cial general intelligence, Int. J. Autom. Comput. 14 (5) (2017) 520e531.
[21] SS Haykin, Kalman Filtering and Neural Networks, Wiley, New York,
2001, hlm.221e269.
[22] W. Yu, H. He, N. Zhang, Kemajuan dalam Jaringan Syaraf Tiruan, ISNN 2009
Simposium Internasional ke-6, 2009.
[23] W. Fan, N. Bouguila, D. Ziou, Pembelajaran Variasional untuk finite model

dan aplikasi campuran Dirichlet, IEEE Trans. Jaringan syaraf. Belajar. Syst. 23
(5) (2012) 762e774.
[24] K. Saravanan, S. Sasithra, Ulasan tentang classifikation berdasarkan artifijaringan

saraf pusat, Int. J. Ambient Syst. aplikasi (IJASA) 2 (4) (2014) 11e18.
[25] M. Martínez-Porchas, E. Villalpando-Canchola, F. Vargas-Albores, Signifi-

tidak bisa kehilangan sensitivitas dan spesifikota di kelas taksonomifikation
terjadi ketika sekuens gen 16S rRNA pendek digunakan, Heliyon 2 (9) (2016)
e00170.
[26] F. Abid, L. Hamami, Sebuah survei sistem otomatis berbasis jaringan saraf
untuk kelas kromosom manusiafikation, Artif. Intell. Wahyu 49 (1) (2018) 41e
56.
[27] K. Das, RN Behera, Sebuah survei tentang pembelajaran mesin: konsep,

algoritma dan aplikasi, Int. J. Innovat. Res. Comput. Komun. Eng. 5 (2) (2017)
1301e1309.
[28] R. Boutaba, MA Salahuddin, N. Limam, S. Ayoubi, N. Shahriar, F.

EstradaSolano, OM Caicedo, Survei komprehensif tentang pembelajaran
mesin untuk jaringan: evolusi, aplikasi, dan peluang penelitian, J. Internet
Serv. aplikasi 9 (1) (2018) 16.
[29] FN Ogwueleka, S. Misra, R. Colomo-Palacios, L. Fernandez, Jaringan saraf dan

kelasfipendekatan kation dalam mengidentifikasi perilaku pelanggan di
Artikel No.we00938
sektor perbankan: studi kasus bank internasional, Hum. Faktor Ergon.

Manuf. Serv. Ind.25 (1) (2015) 28e42.
[30] MT Hagan, MB Menhaj, Pelatihan jaringan feedforward dengan algoritma

Marquardt, IEEE Trans. Jaringan syaraf. 5 (6) (1994) 989e993.
[31] JA Hertz, Pengantar Teori Komputasi Neural, CRC Press, 2018.
[32] JG Kuschewski, S. Hui, SH Zak, Penerapan jaringan neural feedforward ke

sistem dinamik identifikation dan kontrol, IEEE Trans. Kontr. Syst. Technol. 1
(1) (1993) 37e49.
[33] K. Xiang, BN Li, L. Zhang, M. Pang, M. Wang, X. Li, Jaringan keadaan gema
Taylor yang diatur untuk kontrol prediktif sistem yang diamati sebagian,
IEEE Access 4 (2016) 3300e3309.
[34] A. De Martino, D. De Martino, Pengantar pendekatan entropi maksimum dan

aplikasinya pada masalah inferensi dalam biologi, Heliyon 4
(4) (2018) e00596.
[35] S. Albawi, TA Mohammed, S. Al-Zawi, Understanding of a convolutional

neural network, in: International Conference on Engineering and
Technology (ICET), IEEE, 2017, hlm.1e6.
[36] W. Liu, Z. Wang, X. Liu, N. Zeng, Y. Liu, FE Alsaadi, Survei arsitektur jaringan
saraf dalam dan aplikasinya, Neurocomputing 234
(2017) 11e26.
[37] X. Zhou, W. Gong, W. Fu, F. Du, Penerapan pembelajaran mendalam dalam deteksi
objek, dalam: IEEE / ACIS 16th International Conference on Computer and
Information Science (ICIS), IEEE, 2017, hlm.631e634.
[38] M. Mahmud, MS Kaiser, A. Hussain, S. Vassanelli, Aplikasi deep learning dan

reinforcement learning pada data biologi, IEEE Trans. Jaringan syaraf.
Belajar. Syst. 29 (6) (2018) 2063e2079.
[39] Y. Bengio, Mempelajari arsitektur mendalam untuk AI, Ditemukan. Tren Mach. Belajar. 2
(1) (2009) 1e127.
[40] AL Tarca, VJ Carey, XW Chen, R. Romero, S. Draghici, Pembelajaran mesin dan

aplikasinya pada biologi, PLoS Comput. Biol. 3 (6) (2007) e116.
[41] AS Fern, C. Delgado-Mata, R. Velazquez, Melatih perceptron satu lapis untuk

perkiraan deteksi tepi pada gambar digital, di: Teknologi
Artikel No.we00938
dan Aplikasi Artificial Intelligence (TAAI), Konferensi Internasional 2011

tentang (hlm. 189e193), IEEE, November 2001.
[42] A. Anarghya, DN Harshith, N. Rao, NS Nayak, BM Gurumurthy,

VN Abhishek, IGS Patil, Analisis gaya dorong dan torsi dalam pengeboran aramid
filaminasi komposit bertulang bre menggunakan RSM dan MLPNN-GA, Heliyon 4
(7) (2018) e00703.
[43] G. Singh, M. Sachan, teknik jaringan saraf Multi-layer perceptron (MLP) untuk
offline pengenalan karakter Gurmukhi tulisan tangan, dalam: IEEE
International Conference on Computational Intelligence and Computing
Research (ICCIC), IEEE, 2014, hlm. 1e5.
[44] A. Kolchinsky, A. Lourenço, L. Li, LM Rocha, Evaluasi kelas linier

fiers pada artikel yang berisi bukti farmakokinetik dari interaksi obat-obat,
dalam: Biocomputing, 2013, hlm. 409e420.
[45] RP Bywater, JN Middleton, Diskriminasi melodi dan klasifikasi lipatan proteinfi

kation, Heliyon 2 (10) (2016), e00175.
[46] Y. Zhang, Q. Deng, W. Liang, X. Zou, An effistrategi pemilihan fitur yang efisien
berdasarkan pada beberapa teknologi mesin vektor dukungan dengan data
ekspresi gen, BioMed Res. Int. 2018 (2018).
[47] J. Cao, Z. Fang, G. Qu, H. Sun, D. Zhang, Sebuah pelatihan yang akuratffic classifimodel
kation berdasarkan mesin vektor dukungan, Int. J. Netw. Manag. 27 (1) (2017) e1962.
[48] JM Keller, MR Grey, JA Givens, Algoritma fuzzy k-neighbourhood, IEEE Trans.

Syst. Man Cybern. (4) (1985) 580e585.
[49] T. Cardona, Archean awal dari Fotosistem heterodimerik I, Heliyon 4

(3) (2018) e00548.
[50] S. Tharaha, K. Rashika, Arti HybridfiCial neural network dan decision tree
algoritme untuk pengenalan dan prediksi penyakit dalam sel darah
manusia, di: International Conference on Innovations in Information,
Embedded and Communication Systems (ICIIECS), IEEE, 2017, hlm. 1e5.
[51] X. Tang, Model Markov Tersembunyi Hibrida dan artifijaringan saraf pusat
untuk pengenalan suara otomatis, di: PACCS'09. Pacific-Konferensi Asia
tentang Sirkuit, Komunikasi dan Sistem, IEEE, 2009, hlm. 682e685.
[52] K. Koonsanit, C. Jaruskulchai, A. Eiumnoh, Algoritma pengelompokan K-

means parameter-free untuk aplikasi citra satelit, dalam: International
Conference on Information Science and Applications (ICISA), IEEE, 2012, hlm.
1e6.
Artikel No.we00938
[53] NK Verma, S. Dwivedi, RK Sevakula, Algoritma pemaksimalan harapan dibuat

cepat untuk data skala besar, dalam: IEEE Workshop on Computational
Intelligence: Theories, Applications and Future Directions (WCI), IEEE,
2015, hlm.1e7.
[54] P. Baldi, Autoencoders, pembelajaran tanpa pengawasan, dan arsitektur mendalam, dalam:
Prosiding Lokakarya ICML tentang Pembelajaran Tanpa Pengawasan dan Transfer,
2012, hlm.37e49.
[55] KSS Reddy, CS Bindu, Ulasan tentang algoritma pengelompokan berbasis kepadatan
untuk analisis big data, dalam: International Conference on I-SMAC Sosial,
(IoT in Mobile, Analytics and Cloud) (I-SMAC), IEEE, February hlm. 123 2017,
e130.
[56] D. Miljkovic, Ulasan singkat peta swakelola, di: MIPRO, 2017.
[57] G. Ahalya, HM Pandey, Survei dan analisis pendekatan pengelompokan data, dalam:
Konferensi Internasional tentang Tren Futuristik tentang Analisis Komputasi
dan Knowledge Management (ABLAZE), IEEE, Februari hlm.532e537. 2015,
[58] G. Wang, L. Huang, C. Zhang, Studi tentang artifijaringan saraf pusat model
berdasarkan pengelompokan fuzzy, di: WCICA 2006. Kongres Dunia Keenam
tentang Kontrol Cerdas dan Otomasi (Vol. 1, hlm. 2713e2717), IEEE, 2006.
[59] Y. Cho, LK Saul, Metode kernel untuk pembelajaran mendalam, di: Kemajuan dalam
Sistem Pemrosesan Informasi Neural, 2009, hlm. 342e350.
[60] G. Camps-Valls, L. Bruzzone, metode berbasis kernel untuk kelas citra

hiperspektralfikation, IEEE Trans. Geosci. Rem. Sens.43 (6) (2005) 1351e1362.
[61] TB Ludermir, A. Yamazaki, C. Zanchettin, Metodologi pengoptimalan untuk

bobot dan arsitektur jaringan saraf, IEEE Trans. Jaringan syaraf. 17 (6) (2006)
1452e1459.
[62] Berita Sains, ArtifiEnzim cial Mengubah Energi Matahari menjadi Gas Hidrogen,
Universitas Uppsala, 4 Oktober 2018. https://www.sciencedaily.com/ release /
2018/10 / 181004155426.htm.
[63] A. Demiroren, HL Zeynelgil, NS Sengor, Penerapan teknik JST pada kontrol

frekuensi beban untuk sistem tenaga tiga area, dalam: IEEE Porto Power
Tech Proceedings (Vol. 2, pp. 5-pp), IEEE, 2001.
[64] H. Ma, JC Chan, TK Saha, C. Ekanayake, Teknik pengenalan pola dan

aplikasinya untuk kelas otomatisfikation artifiparsial cial
Artikel No.we00938
sumber debit, IEEE Trans. Dielektr. Electr. Insul. 20 (2) (2013) 468e478.
[65] VSS Vankayala, ND Rao, Artifijaringan saraf pusat dan aplikasinya pada
sistem tenagadsurvei bibliografi, Elec. Power Syst. Res. 28 (1)
(1993) 67e79.
[66] R. Gopalapillai, J. Vidhya, D. Gupta, TSB Sudarshan, Classifikation data robotik

menggunakan artificial neural network, dalam: Intelligent Computational
Systems (RAICS), 2013 IEEE Recent Advances in (pp.333e337), IEEE,
Desember 2013.
[67] W. Kaminski, J. Skrzypski, E. Jach-Szakiel, Penerapan artifijaringan saraf tiruan (JST)

untuk memprediksi kelas kualitas udara di kota-kota besar, dalam: Konferensi
Internasional ke-19 tentang Rekayasa Sistem (hlm. 135e140), IEEE, 2008, Agustus.
[68] SC Wang, JX Dong, G. Shen, kontrol proses berbasis ANN dalam produksi, dalam:
American Control Conference, IEEE, 1993, hlm.2531e2532.
[69] T. Le, P. Pardo, W. Claster, Penerapan artifijaringan saraf cial dalam analisis
data media sosial: kasus bisnis penginapan di Philadelphia, dalam: Artificial
Neural Network Modeling (hlm.369e376), Springer, Cham, 2016.
[70] M. Barni, A. Pelagotti, A. Piva, Pengolahan citra untuk analisis dan konservasi
lukisan: peluang dan tantangan, IEEE Signal Process. Mag. 22 (5) (2005) 141e
144.
[71] S. He, X. Li, Penerapan arti berdasarkan optimasi pencarian kelompokfijaringan

syaraf tiruan untuk pemantauan kondisi mesin, dalam: Emerging Technologies
and Factory Automation, 2008. ETFA 2008. Konferensi Internasional IEEE tentang
(hal. 1260e1266), IEEE, September 2008.
[72] AG Barto, RS Sutton, CW Anderson, elemen adaptif mirip neuron yang dapat
memecahkan diffimasalah kontrol pembelajaran kultus, IEEE Trans. Syst. Man Cybern.
(5) (1983) 834e846.
[73] M. Bogdan, M. Schroder, W. Rosenstiel, ArtifiPemrosesan sinyal berbasis jaringan

saraf cial untuk interaksi dengan sistem saraf tepi, dalam: Neural Engineering,
2003. Conference Proceedings. Konferensi Internasional IEEE EMBS Pertama
tentang (hlm. 134e137), IEEE, Maret 2003.
[74] B. Delinchant, D. Duret, L. Estrabaut, L. Gerbaud, H. Nguyen Huu, B. Du Peloux, F.

Wurtz, Seorang pengoptimal menggunakan paradigma komponen perangkat
lunak untuk optimalisasi sistem rekayasa, COMPEL Int. J. Comput. Matematika.
Electr. Elektron. Eng. 26 (2) (2007) 368e379.
Artikel No.we00938
[75] K. Janocha, WM Czarnecki, Fungsi Kerugian untuk Jaringan Neural Dalam di

Classifikation, 2017 pracetak arXiv arXiv: 1702.05659.
[76] S. Yu, G. Chi, Model pengoptimalan bobot berdasarkan kekuatan pembeda

maksimum dari hasil evaluasi kredit, dalam: Prosiding Konferensi
Internasional tentang Bisnis dan Manajemen Informasi (hlm. 6e11), ACM,
2017.
[77] MR Gogate, Paradigma baru dan arah kritis masa depan dalam katalisis
heterogen dan reaktor multifungsi, Chem. Eng. Komun. 204 (1) (2017) 1e27.
[78] V. Bram, Perspektif Masa Depan dalam Katalisis, NRSC-katalisis Katalisis

Kombinasi Sekolah Riset Nasional Belanda Dikendalikan oleh Desain Kimia,
1999.
[79] H. Li, Z. Zhang, Z. Liu, Penerapan artifijaringan saraf pusat untuk katalisis:
review, Catalysts 7 (10) (2017) 306.
[80] A. Corma, JM Serra, E. Argente, V. Botti, S. Valero, Penerapan artifi-

jaringan saraf khusus untuk katalisis kombinatorial: pemodelan dan prediksi
katalis ODHE, ChemPhysChem 3 (11) (2002) 939e945.
[81] J. Behler, M. Parrinello, Representasi jaringan saraf umum dari permukaan

energi potensial berdimensi tinggi, Phys. Pdt. Lett. 98 (14) (2007) 146401.
[82] H. Li, Z. Zhang, Menambang tren intrinsik kelarutan CO2 dalam larutan
campuran, J. CO2 Util. 26 (2018) 496e502.
[83] SA Kalogirou, Artifijaringan saraf resmi dalam aplikasi sistem energi

terbarukan: review, Renew. Menopang. Energi Rev.5 (4) (2001) 373e401.
[84] H. Li, Z. Liu, Prediksi kinerja dan optimalisasi pemanas air tenaga surya melalui metode
pembelajaran mesin berbasis pengetahuan, dalam: Buku Pegangan Penelitian tentang
Pengoptimalan Sistem Daya dan Energi (hlm. 55e74), IGI Global, 2018.
[85] W. Duch, GH Diercksen, Jaringan saraf sebagai alat untuk memecahkan masalah
dalam fisika dan kimia, Komputer. Phys. Komun. 82 (2-3) (1994) 91e103.
[86] M. Lynch, H. Patel, A. Abrahamse, AR Rajendran, L. Medsker, aplikasi jaringan

saraf dalam fisika, dalam: Prosiding. IJCNN'01. Konferensi Bersama
Internasional tentang Jaringan Saraf (Vol. 3, hlm. 2054e2058), IEEE, 2001.
[87] GA Negoita, GR Luecke, JP Vary, P. Maris, AM Shirokov, IJ Shin,

C.Yang, Pembelajaran Mendalam: Alat untuk Komputasi Fisika Nuklir,
Pracetak arXiv 2018 arXiv: 1803.03215.
Artikel No.we00938
[88] LS Choon, A. Samsudin, R. Budiarto, Ringan dan biaya-effEnkripsi video MPEG

efektif, dalam: Teknologi Informasi dan Komunikasi: dari Teori ke Aplikasi,
2004. Prosiding. Konferensi Internasional 2004 tentang (hlm.525e526),
IEEE, April 2004.
[89] D. Cho, YW Tai, IS Kweon, Deep convolutional neural network untuk natural image
matting menggunakan initial alpha mattes, dalam: IEEE Transactions on Image
Processing, 2018.
[90] J. Mayer, PV Borges, SJ Simske, Pendahuluan, dalam: Dasar-dasar dan

Aplikasi Komunikasi Hardcopy (hlm. 1e5), Springer, Cham, 2018.
[91] M. Almazrooie, A. Samsudin, AAA Gutub, MS Salleh, MA Omar,

SA Hassan, Ilmu Komputer dan Informasi, 2018.
[92] KS Narendra, K. Parthasarathy, Identifikation dan kontrol sistem dinamis

menggunakan jaringan saraf, IEEE Trans. Jaringan syaraf. 1 (1) (1990) 4e27.
[93] Y. LeCun, Y. Bengio, G. Hinton, Pembelajaran mendalam, Alam 521 (7553)

(2015) 436.
[94] B. Shi, X. Bai, W. Liu, J. Wang, Deep Regression for Face Alignment, 2014 arXiv
pracetak arXiv: 1409.5230.
[95] WJ Yang, YC Chen, PC Chung, JF Yang, Regresi bentuk multi-fitur untuk

penyelarasan wajah, EURASIP J. Adv. Sinyal Proc. (1) (2018) 51.
[96] Y. Wu, Q. Ji, Model bentuk wajah dalam diskriminatif untuk deteksi titik
wajah, Int. J. Comput. Vis. 113 (1) (2015) 37e53.
[97] S. Dominic, C. Aparna, AS Nath, M. Mohan, MS Ajeesh, A. Antony, Tinjauan

sistem deteksi wajah, dalam: Teknik Elektro, Elektronika, dan Optimasi
(ICEEOT), Konferensi Internasional (hlm. 3536)e3539), IEEE, Maret 2016.
[98] R. Toufiq, MR Islam, Sistem pengenalan wajah menggunakan teknik PCA-

ANN dengan metode fusi fitur, dalam: International Conference on Electrical
Engineering and Information & Communication Technology (ICEEICT), IEEE,
2014, hlm.1e5.
[99] S. Joseph, R. Sowmiya, RA Thomas, X. Jadifia, Deteksi wajah melalui jaringan

saraf, di: Konferensi Internasional ke-2 tentang Tren Saat Ini dalam
Rekayasa dan Teknologi (ICCTET), IEEE, 2014, hlm.163e166.
[100] AI Oludare, A. Jantan, AE Omolara, MM Singh, A. Mohammed,

DV Kemi, Pencegahan terorisme: model matematis untuk penilaian
Artikel No.we00938
individu dengan profiling, Int. J. Comput. Sci. Keamanan Jaringan. 10 (12) (Juli
2018).
[101] C. Cao, F. Liu, H. Tan, D. Lagu, W. Shu, W. Li, Z. Xie, Pembelajaran mendalam
dan aplikasinya dalam biomedis, Genom. Proteom. Bioinform. 16 (1) (2018)
17e32.
[102] H. Qi, C. Chen, H. Zhang, JJ Long, WK Chung, Y. Guan, Y. Shen, MVP: Prediksi
Patogenisitas Varian Missense dengan Deep Learning, 2018 bioRxiv, 259390.
[103] JY Lo, CE Floyd, Penerapan artifijaringan saraf pusat untuk diagnosis kanker
payudara, dalam: CEC 99. Prosiding Kongres 1999 tentang Perhitungan
Evolusi (Vol. 3, hlm. 1755e1759), IEEE, 1999.
[104] RR Janghel, A. Shukla, R. Tiwari, R. Kala, Diagnosis kanker payudara menggunakan

artifimodel jaringan saraf resmi, dalam: Konferensi Internasional ke-3 tentang
Ilmu Informasi dan Ilmu Interaksi (ICIS), IEEE, Juni 2010, hlm.89e94.
[105] MM Mehdy, PY Ng, EF Shair, NI Saleh, C. Gomes, Artifijaringan saraf cial

dalam pengolahan citra untuk deteksi dini kanker payudara, Comput.
Matematika. Metode. Med. (2017).
[106] W. Yue, Z. Wang, H. Chen, A. Payne, X. Liu, Pembelajaran mesin dengan aplikasi
dalam diagnosis dan prognosis kanker payudara, Desain 2 (2) (2018) 13.
[107] AI Oludare, A.Jantan, AE Omolara, MM Singh, M. Anbar, ZF Zaaba, Forensik

DNA profiling untuk mengidentifikasi kejahatan individu, Int. J. Civil Eng.
Technol. (IJCIET) (Juli, 2018) 755e765.
[108] AE Omolara, A. Jantan, OI Abiodun, MM Singh, M. Anbar, DV Kemi, Teknik

aplikasi data besar yang canggih untuk fikejahatan keuangan: survei, Int. J.
Comput. Sci. Keamanan Jaringan. 18 (7) (2018) 6e16.
[109] Y. Xin, L. Kong, Z. Liu, Y. Chen, Y. Li, H. Zhu, C. Wang, Pembelajaran mesin dan
metode pembelajaran mendalam untuk keamanan siber, IEEE Access 6 (2018)
35365e35381.
[110] Y. Dai, G. Wang, Menganalisis gambar lidah menggunakan autoencoder dalam

penyelarasan konseptual, IEEE Access 6 (2018) 5962e5972.
[111] WG Hatcher, W. Yu, Survei pembelajaran mendalam: platform, aplikasi, dan tren
penelitian yang muncul, IEEE Access 6 (2018) 24411e24432.
[112] M. Mohammadi, A. Al-Fuqaha, S. Sorour, M. Guizani, Pembelajaran mendalam

untuk big data IoT dan streaming analytics: survei, IEEE Commun. Surv. Tutorial
99 (2018) 1e39.
Artikel No.we00938
[113] I. Qureshi, Deteksi glaukoma pada citra retina menggunakan teknik

pengolahan citra: survei, Int. J. Adv. Netw. aplikasi 7 (2) (2015) 2705.
[114] JY Choi, TK Yoo, JG Seo, J.Kwak, TT Um, TH Rim, Jaringan neural deep learning multi-
kategorikal untuk mengklasifikasikan gambar retina: studi percontohan
menggunakan database kecil, PLoS One 12 (11) (2017) e0187336.
[115] G. Santos-García, EH Galilea, Menggunakan artifijaringan saraf pusat untuk mengidentifikasi
tahapan glaukoma, dalam: The Mystery of Glaucoma, InTech, 2011.
[116] HA Pierson, MS Gashler, Pembelajaran mendalam dalam robotika: tinjauan

penelitian terbaru, Adv. Robot. 31 (16) (2017) 821e835.
[117] IE Olatunji, Pengakuan Aktivitas Manusia untuk Robot Seluler, 2018 arXiv
pracetak arXiv: 1801.07633.
[118] J. Ruiz-del-Solar, P. Loncomilla, N. Soto, Survei Metode Pembelajaran

Mendalam untuk Visi Robot, 2018 arXiv pracetak arXiv:1803.10862.
[119] W. He, Z. Yan, Y. Sun, Y. Ou, C. Sun, Kontrol berbasis pembelajaran saraf
untuk manipulator robot terbatas dengan flsendi fleksibel, IEEE Trans.
Jaringan syaraf. Belajar. Syst. (2018).
[120] X. Yang, H. He, Pembelajaran mandiri kontrol optimal yang kuat untuk sistem nonlinier
waktu kontinu dengan gangguan yang tidak cocok, Jaringan Syaraf Tiruan. 99
(2018) 19e30.
[121] BH Chen, SC Huang, CY Li, SY Kuo, Penghapusan kabut menggunakan

jaringan fungsi basis radial untuk aplikasi restorasi visibilitas, IEEE Trans.
Jaringan syaraf. Belajar. Syst. (2017).
[122] J. Li, X. Mei, D. Prokhorov, D. Tao, Deep neural network untuk prediksi
struktural dan deteksi jalur di traffic adegan, IEEE Trans. Jaringan syaraf.
Belajar. Syst. 28 (3) (2017) 690e703.
[123] M. Mamuda, S. Sathasivam, Prediksi survival diabetes menggunakan neural

network, AIP Conf. Proc. 1870 (1) (2017) 040046.
[124] BV Liebergen, Pembelajaran mesin: revolusi dalam manajemen risiko dan

kepatuhan, Inst. Int. Keuangan. J. Financ. Mengubah. 45 (15 Apr 2017) 60e67.
[125] A. Pandey, A. Mishra, Penerapan artifijaringan saraf pusat dalam prediksi

hasil tanaman kentang, Russ. Agric. Sci. 43 (3) (2017) 266e272.
[126] X. Zhang, Y. Zhuang, H. Hu, W. Wang, deteksi objek multikelas dan multiview
berbasis laser 3-D dalam adegan dalam ruangan yang berantakan, IEEE Trans.
Jaringan syaraf. Belajar. Syst. 28 (1) (2017) 177e190.
Artikel No.we00938
[127] AP Turner, Gua LS, S. Stepney, AM Tyrrell, MA Lones, Artifijaringan epigenetik

cial: dekomposisi otomatis tugas kontrol dinamis menggunakan modi-diri
topologifikation, IEEE Trans. Jaringan syaraf. Belajar. Syst. 28 (1) (2017) 218e
230.
[128] J. Nasir, YH Yoo, DH Kim, JH Kim, Model saraf memori ganda berbasis
preferensi pengguna dengan pendekatan konsolidasi memori, IEEE Trans.
Jaringan syaraf. Belajar. Syst. (2017) 2294e2308.
[129] Y. Deng, F. Bao, Y. Kong, Z. Ren, Q. Dai, Pembelajaran penguatan langsung yang
mendalam untuk firepresentasi sinyal keuangan dan perdagangan, IEEE Trans.
Jaringan syaraf. Belajar. Syst. 28 (3) (2017) 653e664.
[130] K. Radziszewski, Artifijaringan saraf tiruan sebagai alat desain arsitektural yang
menghasilkan bentuk detail baru berdasarkan ibukota pesanan Korintus
Romawi, di: IOP Conference Series: Material Science and Engineering (Vol. 245,
No. 6, p. 062030), IOP Publishing, 2017.
[131] A. Ansari, A. Riasi, Pemodelan dan evaluasi loyalitas pelanggan menggunakan

jaringan saraf: Bukti dari perusahaan asuransi startup, Bus Masa Depan. J. 2 (1)
(2016) 15e30.
[132] A. Lotko, PA Korneta, MA Lotko, R. Longwic, Menggunakan Jaringan Neural dalam

Memodelkan Loyalitas Pelanggan dalam Layanan Perawatan dan Perbaikan Mobil
Penumpang, Appl. Sci. 8 (5) (2018) 2076e3417.
[133] M. Qiu, Y. Song, F. Akagi, Penerapan artifijaringan saraf resmi untuk prediksi
pengembalian pasar saham. Kasus pasar saham Jepang, Chaos Solit.
Fractals 85 (2016) 1e7.
[134] M.G€oçken, M. O€zçalsayacsaya, A. Boru, AT Dosdogru, Mengintegrasikan metaheuristik

dan artifijaringan saraf resmi untuk prediksi harga saham yang ditingkatkan, Expert
Syst. aplikasi 44 (2016) 320e331.
[135] KY Lee, N. Chung, S. Hwang, Penerapan sebuah artificial neural network

(ANN) model untuk memprediksi kelimpahan nyamuk di perkotaan, Ecol. Inf.
36 (2016) 172e180.
[136] q. Pater, Penerapan Artificial Neural Networks and Genetic Algorithms for
Crude Fractional Distillation Process Modeling, Fakultas Matematika dan
Ilmu Komputer, Nicolaus Copernicus University Torun, Polandia, 2016.
[137] G.Lai, Z. Liu, Y. Zhang, CP Chen, Kontrol pelacakan posisi / sikap adaptif robot
udara dengan matriks inersia yang tidak diketahui berdasarkan identifikasi saraf
baru yang kuatfieh, IEEE Trans. Jaringan syaraf. Belajar. Syst. 27 (1) (2016) 18e31.
Artikel No.we00938
[138] P. Onotu, D. Day, MA Rodrigues, Pengenalan shellcode yang akurat dari tra
jaringanffic data menggunakan artifijaringan saraf saraf, di: Teknik Listrik
dan Komputer (CCECE), Sheffitua Universitas Hallam Sheffield, Inggris, 2015
IEEE, 3 e 6, Mei 2015, hlm.355e360.
[139] R. Gilmore, N. Hanley, M. O'Neill, Serangan berbasis jaringan saraf pada implementasi
AES yang ditutup-tutupi, dalam: Keamanan dan Kepercayaan Berorientasi Perangkat
Keras, 2015 IEEE, Mei 2015, hlm.106e111.
[140] I. Taro, E. Donald, Y. Liu, O. Tetsuya, B. Leonard, U. Kazunori, Penerapan

jaringan saraf untuk deteksi intrusi dalam jaringan tor, di: Lokakarya
Jaringan dan Aplikasi Informasi Lanjutan (WAINA) 2015 IEEE, 24e27 Maret
2015, hlm.67e72.
[141] DP Gaikwad, RC Thool, Sistem deteksi intrusi menggunakan metode bagging

ensemble pembelajaran mesin, dalam: Computing Communication Control
and Automation (ICCUBEA), Konferensi Internasional 2015 pada, Februari.
2015, hlm.291e295.
[142] I. Kotenko, I. Saenko, F. Skorik, S. Bushuev, Pendekatan jaringan saraf untuk

meramalkan keadaan elemen internet of things, dalam: Soft Computing and
Measurements, XVIII International Conference, Mei 2015, hlm. 133e135.
[143] A. Hajdarevic, I. Dzananovic, L. Banjanovic-Mehmedovic, F. Mehmedovic, Deteksi

anomali pada pembangkit listrik tenaga termal menggunakan jaringan saraf
probabilistik, di: Teknologi Informasi dan Komunikasi, Elektronika dan
Mikroelektronika (MIPRO), 2015 Konvensi Internasional ke-38, Mei
2015, hlm.1118e1123.
[144] A. Zhukov, N. Tomin, D. Sidorov, D. Panasetsky, V. Spirayev, Sebuah artifisial hibrida

ficial neural network for voltage security evaluation in a power system, in:
Energy (IYCE), 2015 5th International Youth Conference, Mei 2015, hlm. 1e8.
[145] TV Santosh, G. Vinod, RK Saraf, AK Ghosh, HS Kushwaha, Penerapan artifi

jaringan saraf resmi untuk diagnosis sementara pembangkit listrik tenaga
nuklir, Reliab. Eng. Syst. Saf. 92 (10) (2007) 1468e1472.
[146] S. Huang, F. Yu, R. Tsaih, Y. Huang, Jaringan-traffic deteksi anomali dengan

pembelajaran mayoritas tambahan, dalam: Neural Networks 2015 International
Joint Conference, Juli 2015, hlm. 1e8.
[147] M. Turcanik, Paket fimenyaring dengan artificial neural network, dalam: Military
Technologies, 2015 International Conference, Mei 2015, hlm.1e4.
Artikel No.we00938
[148] H. Fatima, SM Al-Turki, SK Pradhan, G., N. Dash, Keamanan informasi: artifi

Detektor kekebalan khusus di jaringan saraf, di: Aplikasi Web dan Jaringan
(WSWAN), 2015 Simposium Dunia ke-2 pada 1e6, Maret 2015.
[149] F. Dapur, T. Harris, Jaringan saraf adaptif genetik untuk prediksi klaim
asuransi, Int. J. Eng. Adv. Res. Technol. (IJEART) 1 (6) (Desember,
2015) 2454e9290.
[150] N. Zeinalizadeh, AA Shojaie, M. Shariatmadari, Pemodelan dan analisis kepuasan

nasabah bank menggunakan pendekatan jaringan syaraf tiruan, Int. J. Pasar
Bank. 33 (6) (2015) 717e732.
[151] S. Abbinaya, MS Kumar, Perangkat Lunak effpenilaian ort dan risiko menggunakan tabel
keputusan yang dilatih oleh jaringan saraf, dalam: Komunikasi dan Pemrosesan Sinyal
(ICCSP), Konferensi Internasional 2015, hlm. 1389e1394, April 2015.
[152] S. Gupta, S. Kashyap, Perkiraan dalamflasi di negara-negara G-7: penerapan artifi

jaringan saraf cial, Pandangan ke Depan 17 (1) (2015) 63e73.
[153] X. Zhong, H. He, H. Zhang, Z. Wang, Pembelajaran online berbasis jaringan saraf
dan pendekatan kontrol untuk sistem lompat Markov, Neurocomputing 149
(2015) 116e123.
[154] SS Dahikar, SV Rode, Prediksi hasil tanaman pertanian menggunakan artifi

pendekatan jaringan saraf tiruan, Int. J. Innovat. Res. Electr. Elektron.
Instrum. Kontr. Eng. 2 (1) (2014) 683e686.
[155] J. Zhu, S. Liu, analisis pengelompokan berbasis jaringan SOM dari perusahaan real
estate, Am. J. Ind. Bus. Manag. 4 (3) (21 Maret 2014) 167.
[156] H. Igor, J. Bohuslava, J. Martin, N. Martin, Penerapan jaringan saraf dalam

keamanan komputer, Proc. Eng. 69 (2014) 1209e1215.
[157] F.Ecer, Membandingkan kinerja prediksi kegagalan bank jaringan saraf dan
mesin vektor dukungan: kasus Turki, Ekonomska Istrazivanja 26 (3) (2013) 81
e98.
[158] ISH Bahia, Menggunakan artifipemodelan jaringan saraf tiruan dalam meramalkan
pendapatan: studi kasus di perusahaan asuransi nasional / Irak, Int. J. Intell. Sci. 3
(2013) 136e143.
[159] SR Khaze, M. Masdari, S. Hojjatkhah, Penerapan Artificial Neural Networks in

Estimating Partisipasi dalam Pemilu, 2013 arXiv preprint arXiv:
1309.2183.
Artikel No.we00938
[160] EIA Kareem, WAA Alsalihy, A.Jantan, Multi-connect architecture (MCA)

asosiatif memori: a modified hopfijaringan saraf tua, Intell. Autom. Soft
Comput. 18 (3) (2012) 279e296.
[161] MS Nasr, MAE Moustafa, HAE Seif, G. El Kobrosy, Penerapan artificial neural
network (ANN) untuk prediksi kinerja instalasi pengolahan air limbah EL-
AGAMY-Mesir, Alexandria Eng. J.51 (2012) 37e43.
[162] A. Adebiyi, J. Arreymbi, C. Imafidon, Penilaian desain perangkat lunak

menggunakan jaringan saraf. Sekolah Arsitektur, Komputer dan Teknik
Universitas London Timur, London, Inggris, Int. J. Adv. Res. Artif. Intell. (IJARAI) 1
(4) (2012).
[163] F. Cheng, V. Sutariya, F. Cheng, V. Sutariya, Artifijaringan saraf tiruan:

paradigma baru untuk ilmu dan teknik termal. Sekolah Tinggi Farmasi,
Universitas Florida Selatan, AS, Clin. Exp. Pharmacol. 2 (3) (2012) 1e2.
[164] MA Korany, H. Mahgoub, OT Fahmy, HM Maher, Penerapan artifi-

jaringan saraf resmi untuk pemodelan permukaan respons dalam pengembangan
metode HPLC, J. Adv. Res. 3 (1) (2012) 53e63.
[165] F. Cheng, V. Sutariya, Aplikasi artifipemodelan jaringan saraf pusat dalam

penemuan obat. Sekolah Tinggi Farmasi, Universitas Florida Selatan, AS,
Clin. Exp. Pharmacol. 2 (3) (2012) 1e2. Corea F (2018) Arti terapanficial
intelligence: di mana AI dapat digunakan dalam bisnis.
[166] B. Stahl, M. Carroll-Mayer, D. Elizondo, K. Wakunuma, Y. Zheng, Teknik

Intelijen dalam Keamanan Komputer dan Forensik: di Batas-batas Etika dan
Hukum, Intelijen Komputasi untuk Privasi dan Keamanan,
2012, hlm.237e258.
[167] W. Yan, Menuju peramalan deret waktu otomatis menggunakan jaringan

saraf, IEEE Trans. Jaringan syaraf. Belajar. Syst. 23 (7) (2012) 1028e1039.
[168] Y. Cao, H. He, HH Huang, LIFT: kerangka baru pembelajaran dari data pengujian
untuk pengenalan wajah, Neurocomputing 74 (6) (2011) 916e929.
[169] JL Junior, AJD Neto, LB Neto, FJCP Soeiro, CC Santana,

HFC Velho, Penerapan artifijaringan saraf tiruan dan metode hybrid dalam
solusi masalah terbalik. Artificial Neural Networks - Aplikasi, Dalam
Teknologi. 11 April (2011).
[170] A. Quetglas, F. Ordines, B. Guijarro, Penggunaan artifiJaringan syaraf tiruan

(JST) dalam ekologi akuatik, di: Artificial Neural Networks - Application,
InTech, 2011.
Artikel No.we00938
[171] J. Stastny, V. Konecny, O. Trenz, Prediksi data pertanian melalui jaringan

saraf, Agric. Econ. 7 (2011) 356e361. Stergiou C, Siganos D
(1996) Neural Networks 1996.
[172] AK Mishra, L. Ramesh, Penerapan jaringan saraf dalam prediksi tenaga angin
(pembangkitan), dalam: Pembangkit dan Suplai Listrik Berkelanjutan,
SUPERGEN'09, April 2009, hlm.1e5.
[173] R. Webb, P. Doble, M. Dawson, Optimasi pemisahan gradien HPLC

menggunakan artifijaringan saraf tiruan (JST): aplikasi untuk benzodiazepin
dalam sampel post-mortem, J. Chromatog. 877 (2009) 615e620.
[174] D. Shanthi, G. Sahoo, N. Saravanan, Mendesain sebuah artifimodel jaringan

saraf cial untuk prediksi stroke trombo-emboli, J. Biometric Bioinf. (IJBB) 3 (1)
(2009) 3e10.
[175] JL Patel, RK Goyal, Aplikasi artifijaringan saraf cial dalam ilmu kedokteran,
Curr. Clin. Pharmacol. 2 (3) (September 2007) 217e226.
[176] Z. Liu, X. Guan, H. Wu, Prediksi bandwidth dan kontrol kemacetan untuk tra
ABRffic berdasarkan jaringan saraf, Adv. Jaringan syaraf. (2006) 202e207.
[177] J. Wen, Q. Dai, Y. Jin, Mekanisme pengambilan keputusan jaringan saraf

untuk transmisi video yang kuat melalui jaringan nirkabel 3G,” Departemen
Otomasi, Universitas Tsinghua, Beijing 100084, Cina, Adv. Jaringan syaraf.
(2006) 165e170.
[178] A. Grediaga, F. Ibarra, F. García, B. Ledesma, F. Brotons, Penerapan jaringan

saraf dalam kontrol jaringan dan keamanan informasi, Adv. Jaringan syaraf.
(2006) 208e213.
[179] S. Zhu, Y. Zhang, X. Lu, Deteksi tra segitigaffic tanda berdasarkan neural network,
dalam: International Symposium on Neural Networks, Springer, Berlin,
Heidelberg, 2006, hlm. 40e45.
[180] PN Dong-Chul, L. Yunsik, Multiscale bilinear jaringan saraf berulang dan

aplikasinya untuk prediksi jangka panjang lalu lintas jaringan.ffic, dalam:
Simposium Internasional tentang Jaringan Saraf, Springer, Berlin,
Heidelberg, Mei 2006, hlm. 196e201.
[181] JP Rigol-Sanchez, M. Chica-Olmo, F. Abarca-Hernandez, Artifijaringan syaraf

tiruan sebagai alat pemetaan potensi mineral dengan GIS, Int. J. Rem.
Sens.24 (5) (2003) 1151e1156.
Artikel No.we00938
[182] S. Agatonovic-Kustrin, R. Beresford, Konsep dasar artifipemodelan jaringan

saraf tiruan (JST) dan aplikasinya dalam penelitian farmasi, J. Pharmaceut.
Biomed. (2000).
[183] AS Kate, JND Gupta, Jaringan saraf dalam bisnis: teknik dan aplikasi untuk
peneliti operasi, Comput. Oper. Res. 27 (11e12) (2000) 1023e1044.
[184] H. Pasika, S. Haykin, E. Clothiaux, R. Stewart, Jaringan Neural untuk fusi sensor
dalam penginderaan jauh, dalam: Neural Networks, International Joint
Conference on 4, IEEE, 1999, hlm. 2772e2776.
[185] KM Fanning, KO Cogger, deteksi jaringan saraf tiruan menggunakan penipuan

manajemen diterbitkan fidata keuangan, Int. J. Intell. Syst. Akun. Manajer Keuangan. 7
(1) (1998) 21e41.
[186] J. Cannady, Artifijaringan saraf resmi untuk deteksi penyalahgunaan, di:

Konferensi Keamanan Sistem Informasi Nasional, 26 Oktober 1998.
[187] CN Tan, An Artificial Neural Networks Primer dengan Contoh Aplikasi

Keuangan dalam Prediksi Kesulitan Keuangan dan Sistem Perdagangan
Hibrid Valuta Asing, Universitas Bond, 1997, hlm. 50e78.
[188] Senator TE, HG Goldberg, J. Wooton, MA Cottini, AU Khan,

CD Klinger, RW Wong, Sistem AI jaringan penegakan kejahatan keuangan
(FAIS) mengidentifikasi potensi pencucian uang dari laporan transaksi tunai
besar, AI Mag. 16 (4) (1995) 21.
[189] RD Dony, S. Haykin, Pendekatan jaringan saraf untuk kompresi gambar, Proc.
IEEE 83 (2) (1995) 288e303.
[190] CT Lin, CSG Lee, kontrol logika fuzzy berbasis jaringan saraf dan sistem
keputusan, IEEE Trans. Comput. 40 (12) (1991) 1320e1336.
[191] H. Jiang, H. Zhang, algoritma pembelajaran ADP berulang untuk game multi-
pemain waktu-diskrit, Artif. Intell. Rev. (2018) 1e17.
[192] D. Wang, D. Liu, D. Zhao, Y. Huang, D. Zhang, Sebuah pendekatan GDHP

iteratif berbasis jaringan saraf untuk memecahkan kelas masalah kontrol
optimal nonlinier dengan batasan kontrol, Neural Comput. aplikasi 22 (2)
(2013) 219e227.
[193] G. Shi, Q. Wei, D. Liu, Optimalisasi konsumsi listrik di offigedung ce

berdasarkan pemrograman dinamis adaptif, Soft Comput. 21 (21)
(2017) 6369e6379.
Artikel No.we00938
[194] GJ Besseris, penapisan mikroskop jaringan saraf regresi umum Taguchi

untuk karakteristik fisik dan sensorik roti, Heliyon 4 (3)
(2018) e00551.
[195] M. Nishio, C. Nagashima, S. Hirabayashi, A. Ohnishi, K. Sasaki, T. Sagawa,

T. Yamashita, Konvolusi auto-encoder untuk gambar denoising CT ultra-
lowdose, Heliyon 3 (8) (2017) e00393.
[196] AI Oludare, A.Jantan, EO Abiodun, MM Singh, ZL Abubakar,

AM Umar, Big data: pendekatan untuk mendeteksi aktivitas teroris dengan
manusia's profiling, dalam: Prosiding International MultiConference of
Engineers and Computer Scientists, Hong Kong, Vol I IMECS 2018, 14e16
Maret 2018.
[197] FN Mahmadi, ZF Zaaba, A. Samsudin, Masalah keamanan di perbankan

online: review kasus di Malaysia, Adv. Sci. Lett. 23 (5) (2017) 4327e4330.
[198] EO Abiodun, A.Jantan, AI Oludare, HE Poston, Pendekatan baru untuk

adaptasi enkripsi madu untuk mendukung pesan bahasa alami, dalam:
Proceedings of the International Multi-conference of Engineers and
Computer Scientists, Vol I IMECS 2018, 14e16, Maret 2018. Hong Kong.
[199] AE Omolara, A. Jantan, AI Oludare, H. Arshad, Perbedaan praktis yang disempurnakan

ficulty satu kali pad algoritma menyelesaikan manajemen kunci dan
masalah distribusi, dalam: Prosiding International Multi-konferensi Insinyur
dan Ilmu Komputer, 2018.
[200] G. Felix, G. Napoles, R. Falcon, W. Froelich, K. Vanhoof, R. Bello, Tinjauan tentang

metode dan perangkat lunak untuk peta kognitif fuzzy, Artif. Intell. Putaran.
(2017) 1e31.
[201] S. Dhanalakshmi, C. Subramanian, Analisis aplikasi data mining untuk deteksi

penipuan di pasar sekuritas, J. Data Mining Techn. aplikasi 3 (1)
(2014) 326e335.
[202] J. Ahire, Artificial Neural Networks: Otak di balik AI. Lulu. com.
[203] DA Medler, Sejarah singkat koneksionisme, Neural Comput. Surv. 1

(1998) 18e72.
[204] SI Gallant, Sistem pakar Connectionist, Commun. ACM 31 (2) (1998) 152e169.

Article en Id

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Article en Id

Diunggah oleh

Hak Cipta:

Format Tersedia

Diterima:

Canggih dalam artifiaplikasi

jaringan saraf tiruan: Sebuah

b Departemen Ilmu Komputer, Universitas Bingham, Karu, Nigeria

c Departemen Ilmu Komputer, Universitas Ahmadu Bello, Zaria, Nigeria

d Jurusan Ilmu Matematika, Universitas Negeri Nasarawa, Keﬃ, Nigeria

f Departemen Ilmu Komputer dan Teknologi Informasi, Universitas Islamia Bahawalpur,

∗ Penulis yang sesuai.

∗∗ Penulis yang sesuai. Alamat email:aioludare@gmail.com (OI Abiodun), aman@usm.my (A.

memberikan taksonomi artifijaringan saraf tiruan (JST) dan membekali pembaca

yang meliputi komputasi, sains, teknik, lingkungan, pertanian, obat,

model JST ke dalam satu aplikasi di seluruh jaringan.

Kata kunci: Ilmu Komputer

pengembangan yang dapat meningkatkan perancangan model yang kuat, meningkatkan

tantangan untuk meningkatkan kemampuan ekstrapolasi, pendekatan baru terhadap

penjelajahan permukaan kesalahan dengan memanfaatkan kuantisasi variabel dan masalah

(ii) Meningkatkan transparansi model dan memungkinkan ekstraksi pengetahuan dari

untuk kalibrasi desain atau model [8, 9, 10].

2.1. Artifijaringan saraf pusat

Gambar 1. Struktur otak manusia yang khas dengan kemampuan operasional.

Gambar 2. Arsitektur jaringan neural yang khas.

2.2. Aplikasi jaringan saraf

2.3. Kelas ANNfikation

JST bisa berkelasfied seperti yang digambarkan dalam Gambar 3.

Jaringan neural feedforward (FFNN) adalah kelas pembelajaran mesinfialgoritma kation

Gambar 3. Tinjau kerangka kerja untuk artifiklasifikasi jaringan saraf pusatfikation.

menggunakan status internal“Penyimpanan”(menyimpan informasi) untuk memproses urutan input

fipertama datang fipertama melayani basis masukan.

Feed-backward NN dapat diterapkan ke tugas-tugas seperti un-segmentasi, dan pengenalan pola

tion (pengenalan tulisan tangan terhubung). Neural feed-backward jaringan

Gambar 4. Jaringan saraf maju dua lapis.

2.4. Pembelajaran mendalam

selanjutnya memiliki ekstraksi otomatis fitur tersebut.

Gambar 5. Jaringan saraf feed-backward.

seperti yang ditunjukkan di Gambar 6.

Gambar 6. Artifipengembangan dan perluasan kecerdasan sosial.

pembelajaran mendalam dapat diterapkan ke diﬀerent fields.

menjawab pertanyaan tersebut dengan benar.

waktu mulai memasuki jalan untuk mengemudi dengan terampil.

agen RL dapat bertindak, dan masing-masing bertindakﬂmempengaruhi agen'Kondisi masa depan,

Agen pembelajaran belajar dengan berpartisipasi dalam aktivitas yang diberikan.

nilai, RL dalam berbasis model dan RL dalam berbasis kebijakan.

dan mengubah model's parameter ke arah untuk meminimalkan fungsi Rugi.

pengoptimalan global NN. Metode tersebut menggabungkan algoritma backpropagation,

dalam kontrol sistem[63], pengenalan pola [64], sistem tenaga

algoritme pengoptimalan. Dengan demikian, pendekatan tersebut menunjukkan kemungkinan

pembelajarannya, dan klasifikasi yang dihasilkanfiketangguhan untuk diﬀerent eﬀdll. Dua

memberikan interpretasi probabilistik terkait misclassi yang diharapkanfikation.

2.6. JST keberhasilan dan aplikasi yang muncul

pada semua jenis sistem periodik dan nonperiodik.

Baru-baru ini, representasi input ML yang digeneralisasikan diterapkan oleh quantifi

tren CO2 kelarutan dalam jumlah campuran larutan.

fields untuk classifikation, identifimasalah kation dan kontrol. Jaringan wavelet

disesuaikan lebih rendah daripada metode lainnya. Pembelajaran di NN dipahami ketika

ada batasan dalam fungsi sigmoidal yang diterapkan [85].

2.7. Model JST di diﬀarea aplikasi yang salah

2.7.1. Pengenalan suara

2.7.2. Visi komputer

2.7.3. Pengenalan pola

2.7.4. Penjajaran wajah

menafsirkan varian pengkodean dan non-pengkodean.

2.8. Perbandingan diﬀmodel JST yang salah

2.8.1. Ringkasan dan kritik