Rangkaian Neural dalam Pengurusan Teknologi: Satu Penerokaan
Fadhilah Mat Yamin Fakulti Pengurusan Teknologi
Universiti Utara Malaysia, 06010 Sintok, Kedah Email: [email protected] Tel: 04-928 7123
Abstrak
Rangkaian Neural merupakan salah satu daripada cabang Kepintaran Buatan. Ia dibangunkan berasaskan kepada fungsi otak manusia, iaitu berkeupayaan belajar pengalaman silam dan menggunakan pengetahuan tersebut untuk menyelesaikan masalah. Ia banyak digunakan dalam aplikasi peramalan dan klasifikasi corak. Kertas kerja ini membincangkan penggunaan Rangkaian Neural dalam pengurusan teknologi. Pengurusan teknologi terdiri daripada komponen teknologi maklumat, pengurusan operasi, sains kejuruteraan, dan sains pengurusan. Rangkaian Neural boleh diaplikasikan dalam komponen-komponen tersebut bagi meningkatkan keberkesanan dan memudahkan pengurusan. Ringkasan penggunaan Rangkaian Neural dalam membantu mengurus teknologi turut dibincangkan.
Katakunci: Kepintaran Buatan, Rangkaian Neural, Pengurusan Teknologi, Peramalan, Pengecaman corak
1.0 Pengenalan
Teknologi merupakan tumpuan utama dalam pelbagai bidang. Ini kerana, teknologi menyokong dan memudahkan urusan seperti pentadbiran, pengeluaran, dan penjualan sesuatu produk. Umumnya, teknologi boleh didefinisikan sebagai semua pengetahuan, produk, proses, alatan, kaedah, dan sistem yang digunakan dalam penghasilan barangan atau perkhidmatan (Khalil, 2000). Tanpa teknologi, penghasilan barangan atau perkhidmatan menjadi kurang cekap dan tidak efisien. Walau bagaimanapun, teknologi yang tidak diuruskan atau tidak digunakan dengan betul akan mengakibatkan pembaziran samada dari segi kos atau masa. Jesteru, teknologi tersebut tidak akan membawa sebarang pembaharuan atau keuntungan kepada organisasi.
Oleh itu, teknologi perlu diuruskan dengan cekap dan digunakan dengan efisien bagi mendapatkan hasil yang optimum. Ini kerana, pelaburan ke atas teknologi lazimnya melibatkan jumlah kos yang besar. Kos ini termasuklah, kos pembelian dan pemindahan teknologi, kos latihan, kos penyelenggaraan, dan kos operasi.
Aplikasi kepintaran buatan dalam pengurusan teknologi merupakan salah satu pendekatan bagi mengurus dan mengoptimumkan penggunaan teknologi dalam industri samada industri berasaskan produk atau perkhidmatan. Kepintaran buatan merupakan salah satu cabang sains komputer yang bermatlamat menjadikan sebuah komputer atau mesin ”bekerja”, ”bertindak”, dan ”berfikir” seperti manusia. Seiring dengan matlamat tersebut, pelbagai teknik kepintaran buatan telah dihasilkan seperti sistem pakar, logik kabur, rangkaian neural, algoritma genetik, pembelajaran mesin, dan sebagainya. Kertas kerja ini memfokuskan perbincangan kepada penggunaan
rangkaian neural dalam pengurusan teknologi. Tinjauan dilakukan ke atas beberapa literatur dan kelebihan serta potensi rangkaian neural dalam bidang ini diketengahkan. 2.0 Pengurusan Teknologi
Menurut Khalil (2000), pengurusan teknologi merupakan suatu lapangan yang menyatukan beberapa disiplin seperti sains, kejuruteraan, dan pengetahuan dalam pengurusan dan praktikal. Perkaitan ini ditunjukkan dalam Rajah 1. Pengurusan teknologi bertujuan untuk menghubungkan antara pengurusan dan teknologi. Dengan erti kata lain, bidang ini menekankan kepada penggunaan atau penerokaan teknologi dalam pengurusan untuk meningkatkan kecekapan dan keberkesanan dalam pengurusan. Berbeza dengan pengurusan yang tanpa elemen teknologi yang hanya menumpukan kepada aspek pengurusan semata-mata.
Sebagai contoh, dalam bidang pengurusan mempunyai teknik yang dikenali sebagai ”forecasting” atau peramalan digunakan untuk merancang sejauh mana potensi atau pengeluaran sesebuah organisasi untuk satu jangka masa berdasarkan kepada faktor-faktor tertentu. Dengan adanya penerokaan teknologi semasa atau teknologi yang lebih canggih, maka peramalan secara berkesan dapat dilakukan. Contoh teknologi yang selalu digunakan kini untuk peramalan ialah teknik sistem pintar iaitu rangkaian neural.
Rajah 1: Pengurusan Teknologi
3.0 Rangkaian Neural
Rangkaian neural buatan diinspirasikan daripada neuron biologi iaitu struktur asas dalam otak manusia. Jutaan neuron yang membentuk suatu rangkaian, membolehkan pembelajaran berlaku. Ia mempunyai kebolehan untuk belajar semua jenis corak dan fungsi. Ia juga mudah digunakan untuk mengatasi masalah yang rumit di dalam berbagai jenis bidang kejuruteraan. Hasil pembelajaran akan disimpan sebagai suatu pengetahuan yang akan digunakan apabila diperlukan. Umumnya, matlamat rangkaian neural ialah untuk mencapai keseimbangan hasil di antara data yang digunakan untuk latihan dengan data yang digunakan untuk pengujian.
Rangkaian neural boleh dibahagikan kepada dua kategori berdasarkan kepada jenis pembelajaran iaitu rangkaian terselia dan pembelajaran tanpa seliaan. Rangkaian terselia merupakan rangkaian neural yang dilatih berdasarkan matlamat tertentu. Manakala, rangkaian tanpa seliaan pula merupakan rangkaian neural yang dilatih tanpa matlamat. Sebaliknya, rangkaian akan cuba melakukan pengumpulan corak berdasarkan kepada kreteria atau ciri yang hampir sama. Melalui pengumpulan tersebut beberapa kumpulan corak akan dihasilkan. Rajah 2 menunjukkan gambaran perwakilan maklumat dan pembelajaran dalam rangkaian neural bagi mengenalpasti corak bunga. Melalui proses ini pemberat akan disimpan dalam pangkalan data.
Rajah 2: Demonstrasi Pembelajaran dalam Rangkaian Neural
Rajah 3 pula menunjukkan bagaimana pemberat digunakan terhadap input yang baru. Input ini adalah dari kumpulan yang sama dengan data yang digunakan dalam proses pembelajaran. Walau bagaimanapun, input ini merupakan data yang baru yang tidak terlibat secara langsung dalam proses pembelajaran.
Rajah 4 menunjukkan contoh rangkaian rambatan balik, iaitu antara rangkaian neural yang paling populor dan banyak digunakan dalam pelbagai aplikasi.
1 . . . . . . Ym Yk Y1 . . . . . . Xn Xi X1 Zp Zj Z1 1 01 v j v0 p v0 11 v j v1 p v1 1 i v ij v ip v 1 n v vnj np v Zp Zj Z1 . . . . . . . . . . . . 01 w m w0 11 w k w1 m w1 1 ji w jk w jm w pk w pm w 1 p w Z Z Z k w0
Rajah 4: Rangkaian Rambatan Balik
Rangkaian neural telah digunakan atau diaplikasikan sebagai alatan dalam pelbagai bidang terutama bagi tujuan peramalan dan klasifikasi corak. Rajah 5 menunjukkan beberapa contoh aplikasi yang menggunakan rangkaian neural.
Rajah 5: Penggunaan Rangkaian Neural
4.0 Aplikasi Rangkaian Neural dalam Pengurusan Teknologi
Rangkaian neural boleh digunakan untuk menyelesaikan pelbagai masalah yang berkaitan dengan kekangan kepuasan, pengawalan, diagnosis, peramalan, pemeetaan menyeluruh, optimisasi, pengecaman corak pencapaian risiko dan lain-lain lagi (Patterson, 1995). Khalid (1994) misalnya mengetengahkan penggunaan rangkaian
neural dalam beberapa produk seperti mesin pengenalan wang, remote sensing, pengawalan neuro, dan penjangkaan beban. Dalam aplikasi ini, rangkaian neural berperanan sebagai mekanisma atau enjin kawalan yang akan menentukan output yang bakal dihasilkan.
Dalam aplikasi pengecaman corak pula, Alias et al. (2000) menggunakan pendekatan rangkaian neural di dalam pengesanan kecacatan kimpalan. Ia berperanan sebagai enjin pengkelasan yang akan menentukan jenis kecacatan tersebut. Selain itu, rangkaian neural juga digunakan dalam pengecaman objek (Dargham et al., 2002), pengecaman imej (Saad et al., 2002), pengecaman nombor daftar kenderaan (Al-Jumaily et al., 2002), pengecaman warna (Al-Naqeeb et al., 2001), pengecaman tulisan seperti digit (Janahiraman et al., 2002; Wahap et al., 2002), dan tandatangan (Siraj et al., 2000).
Dalam bidang perniagaan dan pengurusan rangkaian neural digunakan untuk pelbagai tujuan seperti penilaian risiko dalam audit dalaman (Ramamoorti dan Traver, 1999), penilaian etika perniagaan (Mahmodd et al., 1995), dan memproses permohonan pinjaman perniagaan (Srivastava, 1992). Isidore et al. (2002) pula membincangkan penggunaan rangkaian neural dalam pengurusan logi rawatan air. Rangkaian nerual digunakan untuk meramal penggunaan bahan kimia untuk dicampur ke dalam air. Sebelum ini, dilakukan oleh operator berdasarkan pengalaman mereka. Hasil kajian menunjukkan rangkaian neural mampu membantu menentukan kadar bahan kimia yang perlu dimasukkan ke dalam air.
Rangkaian rambatan balik iaitu salah satu daripada teknik populor rangkaian neural telah digunakan sebagai enjin pengawalan aras air dalam industri pemprosesan (Porkumaran et al., 2002). Dalam industri ini, pengekalan aras cecair pada tahap yang sekata amat penting dalam tangki pemprosesan. Jesteru, rangkaian neural digunakan sebagai mekanisma kawalan untuk mengawal aras kecairan dalam tangki tersebut. Hasil kajian menunjukkan rangkaian neural mampu melaksanakan fungsi pengawalan lebih baik berbanding kaedah konvensional. Selain itu, rangkaian neural juga digunakan dalam pengawalan kestabilan kuasa elektrik (Khawa et al., 2001) dan pengawalan suspensi kenderaan (Hanafi dan Rahmat, 2003).
Rangkaian neural juga boleh digabungkan dengan teknik lain bagi membentuk suatu sistem hibrid. Kaedah ini akan meningkatkan lagi keupayaan rangkaian neural dan mampu menghasilkan sistem dengan fungsi yang lebih baik. Nagarajan et al. (2002) misalnya, menggunakan gabungan rangkaian neural dan logik kabur sebagai mekanisma pengecaman corak latar. Kaedah ini dapat membantu memandu pesakit cacat penglihatan berjalan. Jadual 1 meringkaskan penyelidikan berkaitan penggunaan rangkaian neural dalam pelbagai bidang atau penggunaan.
Jadual 1: Ringkasan Kajian Penggunaan Rangkaian Neural Bil. Penyelidik Bidang/Penggunaan
1. Ahmad dan Abd. Hamid (2002)
Pengesanan kegagalan sensor dalam indsutri kelapa sawit
2. Alias et al. (2000) Kejuruteraan – pengecaman corak kecacatan kimpalan
3. Al-Jumaily et al. (2002) Pengecaman nombor daftar kenderaan
4. Al-Naqeeb et al. (2001) Pengecaman Warna
5. Anuwat et al. (2002) Pemadanan corak bagi kamera CCD.
6. Asman dan Siraj (2001) Peramalan kompetansi teknologi maklumat guru pelatih
7. Chan et al. (2003) Pengesanan kerosakan kabel bawah tanah
8. Crone et al. (2004) Peramalan benchmark CATS
9. Dargham et al. (2002) Pengecaman objek
10. Hanafi dan Rahmat (2003) Pengawalan suspensi kereta
11. Harun et al. (2002) Peramalan kadar hujan harian.
12. Hassan et al. (2001) Kongfigurasi semula rangkaian dalam sistem pengedaran.
13. Heriansyah et al. (2003) Pemeriksaan PCB
14. Isidore et al. (2002) Pengurusan Logi Rawatan Air – peramalan kadar
penggunaan bahan kimia.
15. Janahiraman et al. (2002) Klasifikasi digit tulisan tangan
16. Jayasuriya et al. (2002) Sistem Pengawalan Pintar
17. Kamei dan Yamada (2002) Pengecaman corak emosi penontonTV
18. Khawa et al. (2001) Pengawalan kestabilan kuasa elektrik
19. Kuan et al. (2002) Diagnosis penyakit sindrom koronori akut
20. Lim et al. (2002) Klasifikasi isyarat percakapan
21. Mahmodd et al. (1995) Penilaian etika perniagaan
22. Mamat et al. (2002) Peramalan tahap pencemaran karbon monoksida
23. Mat Isa et al. (2002) Diagnosis penyakit kanser Cervical
24. Mohd Yusof et al. (2003) Pemodelan ”Steady-state” dalam sistem kejuruteraan kimia
25. Nagarajan et al. (2002) Alat bantuan penglihatan bagi orang cacat penglihatan
26. Nong et al. (2002) Pengecaman dan klasifikasi bunyi sebutan bahasa melayu
27. Porkumaran et al. (2002) Pengurusan dan pengawalan aras air
28. Ramamoorti dan Traver (1999) Penilaian risiko
29. Saad et al. (2002) Pengecaman Imej
30. Siraj et al. (2000) Pengecaman tandatangan tulisan tangan
31. Smith dan Gupta (2000) Penyelesaian masalah dalam perniagaan.
32. Sridharan et al. (2002) Penentuan kerelevanan dokuman dalam sistem capaian
maklumat
33. Srivastava (1992) Pemprosesan permohonan pinjaman perniagaan.
34. Subari et al. (2003) Peramalan prestasi mesin ”Pick and Place”
35. Wahap et al. (2002) Pengecaman corak pada cek tempatan
36. Yusof dan Hamdan (2002) Peramalan tahap pengetahuan pelajar
37. Zafar dan Mohamad (2002) Pengecaman tanda dagangan
5.0 Perbincangan
Rangkaian neural merupakan teknik yang sesuai untuk diaplikasikan dalam pelbagai bidang. Ia boleh digunakan sebagai mekanisma pengawalan, enjin pengecaman, dan alatan untuk membuat keputusan. Berdasarkan kepada literatur beberapa kelebihan rangkaian neural dapat ketengahkan iaitu:
1. Ketepatan – mampu belajar data tidak liner yang kompleks.
2. Mampu menangani ralat – sangat fleksibel terhadap data yang tidak lengkap atau hilang.
3. Bebas daripada andaian – tidak membuat andaian awal mengenai agihan data ataupun interaksi antara faktor terlibat.
4. Mudah diselenggara – boleh dikemaskini dengan data baru.
Walau bagaimanapun sewaktu melatih rangkaian, data yang banyak diperlukan. Ini kerana, rangkaian neural perlu belajar corak secara menyeluruh. Jumlah data yang digunakan akan mempengaruhi prestasi rangkaain terutama dalam fasa pengujian dan aplikasi. Selain itu, masalah seperti over-fitting sering berlaku akibat daripada proses pembelajaran yang kurang cekap. Akibatnya, prestasi rangkaian sewaktu pengujian dan aplikasi akan merosot.
6.0 Kesimpulan
Rangkaian neural merupakan alatan yang boleh digunakan dalam pelbagai bidang. Walau bagaimanapun, dalam penyediaan aplikasi rangkaian neural data yang banyak diperlukan bagi tujuan melatih rangkaian neural. Dalam bidang pengurusan, data amat mudah diperolehi. Ini kerana setiap urusan biasanya direkod dengan kemas. Di samping itu, penggunaan media penyimpanan elektronik memudahkan lagi pengurusan dan capaian rekod.
Penggunaan rangkaian neural dalam pengurusan teknologi dilihat dapat meningkatkan pengurusan. Di dalam keadaan tertentu, dimana tenaga manusia sukar diperolehi atau tugas yang rumit (tetapi rutin) sesuai diaplikasikan ke dalam rangkaian neural. Ini kerana ia mampu menjalankan tugas seperti mana manusia.
Rujukan
Abdullah C. S., Siraj F., Yusof Y., dan Abu Bakar M. D. (2001). Determining Concrete Mixes Using Backpropagation. Proc. Artificial Intelligence Seminar. UUM
Ahmad, A. dan Abd. Hamid M. K. (2002). Detection of Sensor Failure in a Palm Oil Fractionation Plant Using Artificial Neural Network. Proc. of the Int. Conf. On Artificial Intelligence in Eng. & Tech, Sabah, 739 - 745.
Alias, A. J., Ahmad, I., dan Muad, A. M. (2000). Pendekatan Rangkaian Neural di Dalam Pengesanan Kecacatan bagi Teknik Ujian Tanpa Musnah (NDT). Prosiding ITSim 2000, 49 – 55, Universiti Kebangsaan Malaysia.
Al-Jumaily, A., Taib, M. Z., Shahrim, M. R. (2002). Neural Network Based Recognition Engine for Car Plate Recognition System. Proc. of the Int. Conf. On Artificial Intelligence in Eng. & Tech, Sabah, 298 - 304.
Al-Naqeeb A. A., Ramli A R., Mahmood R., dan Yacoob R. (2001). Colour Recognition Using Neural Network. Proc. Artificial Intelligence Seminar. UUM
Anuwat, S., Chom, K., dan Ouen, P. (2002). Depth Discontinuities from Stereo Images Matching by Neural Network. Proc. of the Int. Conf. On Artificial Intelligence in Eng. & Tech, Sabah, 63 - 66.
Asman H., dan Siraj F. (2001). Meramal Kompetensi Teknologi Maklumat Guru Pelatih Menggunakan Sistem Neurocite. Proc. Artificial Intelligence Seminar. UUM
Chan W. K., Majid, M. S., Ahmad H., Muda, Z., Lo, K. W. (2003). Detection of Arcing Faults in Underground Distribution Cable Using Artificial Neural Network. Proc. Artificial Intelligence Applications in Industry 24th - 25th June, 2003, Kuala Lumpur.
Crone S. F., Kausch H., dan Prebmar, D. (2004). Prediction of the CATS Benchmark using a Business Forecasting Approach to Multilayer Perceptron Modelling. Proc. of the Int. Joint Conf. on Neural Networks. IEEE.
Dargham, J. A., Chekima, A., dan Belkhamza, N. E. (2002). Neural Network for Object Recognition: A Survey. Proc. of the Int. Conf. On Artificial Intelligence in Eng. & Tech, Sabah, 510 - 514.
Hanafi D., dan Rahmat M.F. (2003). System Identification of Nonlinear Model of A Quarter Car Passive Suspension with Backpropagation Neural Network. Proc. Artificial Intelligence Applications in Industry 24th - 25th June, 2003, Kuala Lumpur.
Harun, S., Mohd. Kassim, A. H., dan Ahmat Nor, N. I. (2002). Application of Neural Network Method for Rainfall-Runoff Modelling. Proc. of the Int. Conf. On Artificial Intelligence in Eng. & Tech, Sabah, 333 - 337.
Hassan E. E., Mohd Yussoff Y., dan Abdul Rahman T. K. (2001). An Application of Artificial Neural Network for Network Reconfiguration in Distribution System. Proc. Artificial Intelligence Seminar. UUM
Heriansyah R., Al-Attas S. A. R., and Mun’im M. (2003). Neural Network Data Design: A PCB Defects Classification Application. Proc. Artificial Intelligence Applications in Industry 24th - 25th June, 2003, Kuala Lumpur. Isidore, J. M., Kumaresan, S., Beng, Y. K. (2002). Development of a Neural Network
Predictor for Enhanced Water Coagulation. Proc. of the Int. Conf. On Artificial Intelligence in Eng. & Tech, Sabah, 52 – 56.
Janahiraman, T., Tay, Y. H., Khalid, M., dan yusof, R. (2002). Classification of handwritten Digits using Geometrical and Topological Feature Extraction Technique and Neural Network. Proc. of the Int. Conf. On Artificial Intelligence in Eng. & Tech, Sabah, 291 - 297.
Jayasuriya et al. (2002). An Intelligent control System Employing Neural Network Adaptive Feedback Linearization. Proc. of the Int. Conf. On Artificial Intelligence in Eng. & Tech, Sabah, 140 - 145.
Kamei, K. dan Yamada, K. (2002). An Empathy Model of TV Audience by Neural Networks Using Drama Scnerio. Proc. of the Int. Conf. On Artificial Intelligence in Eng. & Tech, Sabah, 127 – 132.
Khalid, M. (1994). Rangkaian Neural dan Penggunaanya. Seminar Sains Matematik dalam Industri MDI’94: Simbiosis Antara Matematik dengan Industri, 18-32, Universiti Teknologi Malaysia, Johor
Khalil, T. (2000). Management of Technology: The Key to Competitiveness and Wealth Creation. Mc Graw Hill.
Khawa T., Khuan L. Y., Mat Yassin Z. (2001). An application of ANN for Reactive Power Dispatch In Power System. Proc. Artificial Intelligence Seminar. UUM
Kuan, M. M., Lim, C. P., Ismail, O., Yuvaraj, R. M., dan Singh, I. (2002). Application of Artificial Neural Networks to the Diagnosis of Acute Coronary Syndrome. Proc. of the Int. Conf. On Artificial Intelligence in Eng. & Tech, Sabah, 470 - 475.
Lim, C. P., Woo, S. C., dan Osman, R. (2002). Classification of Speech Signals Uisng Supervised ART-Based Neural Networks. Proc. of the Int. Conf. On Artificial Intelligence in Eng. & Tech, Sabah, 188 - 193.
Mahmood M. A., Sullivan G. L., dan Tung R. L. (1995). An Application of Artificial Neural Networks in Evaluating Business Ethics: An Exploratory Study. 11th Conf. on Artificial Intelligence for Applications. IEEE.
Mamat, M., Mashor, M. Y., Saad, A. R., dan Sadullah, A. F. (2002). Carbon Monoxide Level Forecasting using Neural Network. Proc. of the Int. Conf. On Artificial Intelligence in Eng. & Tech, Sabah, 312 - 317.
Mat Isa, N. A., Mashor, M. Y., Othman, N. H. (2002). Diagnosis of Cervical Cancer using Hierarchical Radial Basis Function (HiRBF). Proc. of the Int. Conf. On Artificial Intelligence in Eng. & Tech, Sabah, 458 - 463.
Mohd. Yusof K., Idris A., dan Morad N. A. (2003). Artificial Neural Network Modeling of Steady-state Chemical Engineering Systems. Proc. Artificial Intelligence Applications in Industry 24th - 25th June, 2003, Kuala Lumpur. Nagarajan, R., Yaacob, S., dan Sainarayanan, G. (2002). A Neuro-Fuzzy Scheme for
Image Processing Applied in Stereo Sonification Sytem for Visually Handicapped. Proc. of the Int. Conf. On Artificial Intelligence in Eng. & Tech, Sabah, 73 - 79.
Nong, T. H., Yunus, J. dan Shaikh Salleh, S. H. (2002). Speaker-Independent Malay Syllable Recognition Using Singular Multi-Layer Perceptron Network. Proc. of the Int. Conf. On Artificial Intelligence in Eng. & Tech, Sabah, 178 - 181. Patterson, D. W. (1995). Artificial Neural Networks: Theory and Applications.
Prentice Hall.
Porkumaran, K., Sivanandam, S. N., Paulraj, M., dan Sainarayanan, G. (2002). Adaptive Control of Level Systems with Neural Networks. Proc. of the Int. Conf. On Artificial Intelligence in Eng. & Tech, Sabah, 34 – 38.
Ramamoorti, S., dan Traver, R. (1999). Using Neural Networks for Risk Assessment in Internal Auditing: A Feasibility Study. ITAudit, Vol. 2, March 15, 1999. Dibawa turun daripada http://www.theiia.org/itaudit/ pada 28 Feb. 2005.
Saad, P., Deris, S., Mohamad, D., dan Shamsuddin, S. M. (2002). Complex Image Recognition Based on Discretized and Undiscretized Features: A Comparison. Proc. of the Int. Conf. On Artificial Intelligence in Eng. & Tech, Sabah, 171 - 177.
Siraj, F., Zakaria, A., Yassin. A., dan Wan Ishak, W. H. (2000). Neural Networks Approaches on On-line Handwritten Signature Verification System. Prosiding ITSim 2000, 29 – 37, Universiti Kebangsaan Malaysia.
Smith, K. A., dan Gupta, J. N. D. (2000). Neural Networks in Business: Techniques and Applications for the Operations Researcher. Computers & Operations Research 27, 1023 – 1044.
Sridharan, D., Sakthivel, P., dan Srivatsa, S. K. (2002). Intelligent Information Retrieval Based on VSM with Relevance Feedback using Connectionist Methods. Proc. of the Int. Conf. On Artificial Intelligence in Eng. & Tech, Sabah, 425 - 429.
Srivastava R. P. (1992). Automating Judgmental Decisions using Neural Networks: A Model for Processing Business Loan Applications. Proc. of ACM Annual Conf. on Communication. 351 – 359.
Subari K., Koay C. M., dan Lim C. P. (2003). Application of Neural Network to predict the performance of a Pick and Place Machine. Proc. Artificial Intelligence Applications in Industry 24th - 25th June, 2003, Kuala Lumpur. Wahap, A. R., Khalid, M., Ahmad, A. R., dan Yusof, R. (2002). A Neural Network Based Bank Cheque Recognition System for Malaysia Cheques. Proc. of the Int. Conf. On Artificial Intelligence in Eng. & Tech, Sabah, 273 - 279.
Yusof, N. dan Hamdan, A. R. (2002). Using Neural Network and Fuzzy Logic to Predict Student’s Knowledge State. Proc. of the Int. Conf. On Artificial Intelligence in Eng. & Tech, Sabah, 349 - 353.
Zafar, M. F. dan Mohamad, D. (2002). A Nobel Proposed Feature Vector for Tademark Recognition. Proc. of the Int. Conf. On Artificial Intelligence in Eng. & Tech, Sabah, 418 - 423.
