Salah satu hal penting dari suatu metode pembelajaran incremental yang memberikan jaminan secara teori dalam menghasilkan kapabilitas generalisasi yang optimal adalah incremental projection learning (IPL). Metode ini dikembangkan dengan menggunakan pendekatan analisa fungsional pada ruang reproducing kernel Hilbert. Pada tesis ini kami akan melakukan studi eksperimental terhadap kapabilitas generalisasi dari jaringan saraf tiruan berbasis incremental projection learning yang dikenal denan nama incremental projection generalizing neural networks (IPGNN) dalam memecahkan masalah aproksimasi fungsi. Aspek studi eksperimental terutama melakukan simulasi komputer terhadap fungsi hasil pembelajaran yang memerikan kapabilitas generalisasi optimal dan hal lain yang berkaitan dengan kapabilitas generalisasi optimal tersebut. Kami juga akan melakukan studi komparasi terhadap kapabilitas generalisasi optimal dari jaringan ini dengan kapabilitas generalisasi dari jaringans araf tiruan lain yang sudah umum digunakan, yaitu : on-line backpropagation (BP) dan growing radial basis function (RBF). Terakhir, kami akan melihat kapabilitas genralisasi dari jaringan ini pada sistem penciuman elektronik.