1. Jaringan Syaraf Tiruan (JST)
Jaringan Syaraf Tiruan (JST), atau Artificial Neural Network (ANN), adalah model komputasi yang terinspirasi oleh struktur dan cara kerja otak manusia. JST dirancang untuk menyelesaikan berbagai masalah, seperti pengenalan pola, klasifikasi, regresi, dan prediksi, melalui pendekatan pembelajaran yang menyerupai proses belajar manusia.
Prinsip Dasar Cara Kerja JST
Prinsip dasar JST melibatkan:
1. Neuron sebagai Unit Pemrosesan Dasar:JST terdiri dari unit-unit kecil yang disebut neuron atau node, yang terhubung satu sama lain melalui "bobot" (weights).
2. Pengolahan Data melalui Lapisan: Data input diproses melalui beberapa lapisan neuron, mulai dari lapisan input, lapisan tersembunyi, hingga lapisan output.
3. Pembelajaran melalui Penyesuaian Bobot: JST belajar dengan cara memperbarui bobot koneksi antar neuron berdasarkan kesalahan yang dihitung dari prediksi model terhadap data aktual. Proses ini dilakukan dengan algoritma seperti *backpropagation*.
2. Komponen Dasar JST
1. Neuron (Node)
   - Neuron adalah unit pemrosesan dasar JST. Setiap neuron menerima input, mengalikannya dengan bobot, menjumlahkan hasilnya, dan menerapkan fungsi aktivasi untuk menghasilkan output. 
   - Fungsi Aktivasi: Mengatur apakah neuron aktif atau tidak, contohnya fungsi sigmoid, ReLU, atau tanh.
2. Lapisan Input
   - Lapisan ini menerima data awal yang akan diproses. Jumlah neuron di lapisan input biasanya sama dengan jumlah fitur pada data.
3. Lapisan Tersembunyi (Hidden Layer)
   - Lapisan tersembunyi berada di antara lapisan input dan lapisan output. Fungsi utamanya adalah mengekstraksi pola-pola kompleks dari data.
   - Jumlah lapisan tersembunyi dan neuron di setiap lapisan memengaruhi kemampuan model untuk mempelajari data.
4. Lapisan Output
   - Lapisan ini menghasilkan hasil akhir yang dapat berupa nilai kontinu (untuk regresi) atau kategori (untuk klasifikasi). Jumlah neuron di lapisan output bergantung pada jenis masalah (misalnya, jumlah kelas dalam klasifikasi).
Cara Kerja JST Secara Umum
1. Forward Propagation:
   Data input diproses dari lapisan input, melewati lapisan tersembunyi, hingga lapisan output. Output dihitung berdasarkan bobot dan fungsi aktivasi.
2. Perhitungan Error:
   Setelah output dihasilkan, error dihitung dengan membandingkan output dengan nilai target menggunakan fungsi loss (misalnya, Mean Squared Error atau Cross Entropy).
3. Backward Propagation:
   Error ini digunakan untuk memperbarui bobot menggunakan algoritma seperti gradient descent, dengan tujuan meminimalkan error.
4. Iiterasi (Epoch):
   Proses ini diulang beberapa kali hingga model mencapai akurasi atau error yang diinginkan.
Dengan struktur dan prinsip kerja ini, JST menjadi alat yang sangat kuat untuk menangani berbagai tugas komputasi berbasis data.