Prinsip dasar yang mendasari cara kerja JST meliputi beberapa aspek kunci:
JST belajar dari data yang diberikan (data pelatihan) untuk mengenali pola dan membuat prediksi. Proses ini melibatkan penyesuaian bobot (weights) yang menghubungkan neuron-neuron dalam jaringan berdasarkan pengalaman yang diperoleh dari data.
Proses ini dimulai dengan memasukkan data input ke dalam jaringan. Data tersebut diproses melalui lapisan-lapisan neuron, di mana setiap neuron melakukan operasi matematis (seperti penjumlahan dan penerapan fungsi aktivasi) untuk menghasilkan output. Output dari satu lapisan menjadi input untuk lapisan berikutnya.
Setelah output dihasilkan, JST membandingkan hasil prediksi dengan nilai sebenarnya (target). Jika ada kesalahan, algoritma backpropagation digunakan untuk menghitung gradien kesalahan dan memperbarui bobot neuron untuk mengurangi kesalahan tersebut. Proses ini dilakukan secara iteratif hingga model mencapai tingkat akurasi yang diinginkan.
Fungsi aktivasi adalah komponen penting dalam JST yang menentukan apakah neuron akan "menyala" atau tidak. Fungsi ini membantu jaringan untuk menangkap non-linearitas dalam data. Contoh fungsi aktivasi yang umum digunakan adalah sigmoid, ReLU (Rectified Linear Unit), dan tanh.
JST dirancang untuk tidak hanya mengingat data pelatihan, tetapi juga untuk menggeneralisasi pola yang dipelajari sehingga dapat membuat prediksi yang akurat pada data baru yang belum pernah dilihat sebelumnya.
- Neuron adalah unit dasar dari JST yang berfungsi untuk memproses informasi. Setiap neuron menerima input, melakukan operasi matematis (biasanya berupa penjumlahan dan fungsi aktivasi), dan menghasilkan output. Fungsi aktivasi ini menentukan apakah neuron akan "menyala" (menghasilkan output) atau tidak, berdasarkan nilai input yang diterima.
- Lapisan input adalah lapisan pertama dalam JST yang menerima data dari luar. Setiap neuron di lapisan ini mewakili satu fitur dari data input. Misalnya, dalam pengenalan gambar, setiap neuron bisa mewakili satu piksel dari gambar tersebut.
- Lapisan tersembunyi terletak di antara lapisan input dan lapisan output. JST bisa memiliki satu atau lebih lapisan tersembunyi. Neuron-neuron di lapisan ini bertugas untuk mengekstrak fitur-fitur yang lebih kompleks dari data input. Setiap neuron di lapisan tersembunyi menerima input dari neuron-neuron di lapisan sebelumnya dan mengirimkan output ke lapisan berikutnya.
- Lapisan output adalah lapisan terakhir dalam JST yang menghasilkan prediksi atau keputusan akhir berdasarkan informasi yang diproses oleh lapisan-lapisan sebelumnya. Jumlah neuron di lapisan output biasanya tergantung pada jumlah kelas yang ingin diprediksi (dalam kasus klasifikasi) atau satu neuron untuk regresi. Output dari lapisan ini memberikan hasil akhir dari proses pengolahan informasi yang dilakukan oleh JST.