Kami membahas implementasi dari physics-informed neural network (disingkat
sebagai PINN), yaitu neural network yang dilatih untuk menyelesaikan
permasalahan supervised learning dengan tambahan syarat yaitu mematuhi hukum
fisika tertentu yang tertuang sebagai suatu persamaan diferensial parsial. Ini
merupakan pendekatan yang relatif baru guna mendapatkan solusi aproksimasi
dari suatu persamaan diferensial parsial. Model neural network tersebut, pertamatama
perlu dilatih menggunakan data solusi persamaan diferensial, berupa solusi
analitik atau solusi numerik, yang harus diperoleh lebih dahulu. Pada tugas
akhir ini, pendekatan neural network (PINN) diimplementasikan melalui beberapa
persamaan diferensial parsial, yaitu persamaan transport, persamaan burger
nonlinier, dan perambatan gelombang soliter dari persamaan KdV. Kami juga
mendiskusikan pengaruh dari parameter-parameter komputasi terhadap kualitas
dari aproksimasi solusinya. Dari hasil uji coba didapatkan bahwa, metode PINN
secara efektif mampu memberikan prediksi solusi persamaan diferensial parsial
yang mendekati solusi eksaknya. Lalu, untuk jumlah iterasi, jumlah data training,
dan jumlah titik kolokasi yang lebih banyak akan menghasilkan prediksi solusi yang
lebih akurat.