1. Pengertian dan Prinsip Dasar JST:
Jaringan Syaraf Tiruan (JST) atau Artificial Neural Network (ANN) adalah sistem pemrosesan informasi yang terinspirasi dari cara kerja sistem syaraf biologis, khususnya otak manusia. Prinsip dasar yang mendasari cara kerja JST meliputi:
a) Pembelajaran Adaptif:
- JST dapat belajar dari data dan pengalaman, menyesuaikan bobot koneksi antar neuronnya
- Kemampuan beradaptasi ini memungkinkan JST mengenali pola dan memecahkan masalah kompleks
b) Pemrosesan Paralel:
- Informasi diproses secara simultan oleh banyak unit pemrosesan (neuron)
- Mirip dengan otak manusia yang memproses informasi secara paralel
c) Generalisasi:
- JST mampu menghasilkan output yang masuk akal untuk input yang belum pernah dilihat sebelumnya
- Kemampuan ini membuat JST dapat menangani data yang tidak lengkap atau berderau
2. Komponen Dasar JST:
a) Neuron (Node):
- Merupakan unit pemrosesan dasar dalam JST
- Terdiri dari:
  * Input (dendrit) - menerima sinyal masukan
  * Fungsi aktivasi - mengolah sinyal input
  * Output (akson) - mengirimkan hasil pemrosesan
- Setiap neuron memiliki bobot yang dapat disesuaikan selama proses pembelajaran
b) Lapisan Input (Input Layer):
- Lapisan pertama yang menerima data masukan dari luar
- Jumlah neuron sesuai dengan dimensi data input
- Bertugas mendistribusikan input ke lapisan berikutnya
c) Lapisan Tersembunyi (Hidden Layer):
- Lapisan di antara input dan output
- Dapat terdiri dari satu atau lebih lapisan
- Melakukan ekstraksi fitur dan transformasi non-linear
- Jumlah hidden layer dan neuron mempengaruhi kemampuan JST dalam memodelkan hubungan kompleks
d) Lapisan Output (Output Layer):
- Lapisan terakhir yang menghasilkan hasil akhir
- Jumlah neuron sesuai dengan dimensi output yang diinginkan
- Menggunakan fungsi aktivasi yang sesuai dengan jenis masalah:
  * Sigmoid untuk klasifikasi biner
  * Softmax untuk klasifikasi multi-kelas
  * Linear untuk regresi
Setiap komponen terhubung melalui bobot koneksi yang dapat diatur nilainya melalui proses pembelajaran. Informasi mengalir dari input layer, melalui hidden layer, hingga output layer dalam proses yang disebut forward propagation. Selama proses pembelajaran, bobot koneksi diperbarui menggunakan algoritma pembelajaran seperti backpropagation untuk meminimalkan error antara output yang dihasilkan dengan output yang diinginkan.
Struktur dan cara kerja JST ini memungkinkannya untuk menyelesaikan berbagai masalah kompleks seperti pengenalan pola, klasifikasi, prediksi, dan optimasi dalam berbagai bidang aplikasi.