1. Pengertian Jaringan Syaraf Tiruan (JST)
Jaringan Syaraf Tiruan (JST) adalah model komputasi yang terinspirasi oleh cara kerja otak manusia dalam memproses informasi. JST terdiri dari sekumpulan unit sederhana yang disebut neuron atau node yang terhubung satu sama lain dalam bentuk jaringan. Model ini digunakan untuk mempelajari pola, membuat prediksi, atau menyelesaikan masalah seperti klasifikasi, regresi, dan pengenalan pola.
Prinsip dasar JST:
- JST bekerja berdasarkan konsep pembelajaran (learning), yaitu kemampuan untuk mengadaptasi bobot koneksi antara neuron melalui proses pelatihan dengan data.
- Proses pembelajaran dilakukan dengan cara menyesuaikan bobot berdasarkan perbedaan antara keluaran yang dihasilkan dan keluaran yang diinginkan (disebut error). Algoritma seperti backpropagation sering digunakan untuk mengurangi error ini.
- JST memanfaatkan fungsi aktivasi untuk menentukan keluaran dari setiap neuron dan membuat sistemnya non-linear, sehingga mampu memodelkan hubungan kompleks.
  2. Komponen Dasar Jaringan Syaraf Tiruan
    a. Neuron
Neuron adalah unit dasar dalam JST yang bertugas menerima masukan, melakukan perhitungan, dan menghasilkan keluaran. Setiap neuron memiliki:
- Input: Masukan dari neuron lain atau data awal.
- Bobot: Parameter yang menentukan pengaruh masukan terhadap neuron.
- Fungsi Aktivasi: Fungsi non-linear yang menentukan keluaran berdasarkan total input yang diterima.
- Output: Hasil akhir dari neuron yang diteruskan ke neuron lain atau sebagai hasil jaringan.
b. Lapisan Input
- Berfungsi sebagai pintu masuk data ke dalam jaringan.
- Setiap neuron di lapisan input menerima data mentah dari fitur input.
- Neuron di lapisan ini biasanya tidak memiliki fungsi aktivasi karena hanya menyampaikan data ke lapisan berikutnya.
 c. Lapisan Tersembunyi (Hidden Layer)
- Lapisan yang berada di antara lapisan input dan output.
- Fungsi utamanya adalah memproses data dari lapisan sebelumnya dan menemukan pola atau fitur yang lebih kompleks.
- Setiap neuron di lapisan tersembunyi menerapkan bobot, fungsi aktivasi, dan memberikan hasil ke lapisan berikutnya.
- JST dapat memiliki lebih dari satu lapisan tersembunyi (disebut deep learning jika memiliki banyak lapisan).
 d. Lapisan Output
- Lapisan terakhir yang memberikan hasil dari jaringan.
- Jumlah neuron di lapisan output tergantung pada jenis masalah yang diselesaikan:
  - Klasifikasi: Setiap neuron merepresentasikan satu kelas.
  - Regresi: Satu neuron menghasilkan nilai kontinu.
- Fungsi aktivasi di lapisan output sering disesuaikan dengan tugas yang dilakukan (contoh: fungsi softmax untuk klasifikasi multi-kelas atau fungsi identitas untuk regresi).