Jaringan Syaraf Tiruan (JST)  adalah sistem komputasi yang terinspirasi oleh cara kerja otak manusia untuk memproses informasi. JST digunakan untuk menyelesaikan berbagai masalah dalam bidang kecerdasan buatan (AI), seperti pengenalan pola, klasifikasi, prediksi, dan lainnya. Jaringan ini terdiri dari lapisan-lapisan yang saling terhubung, di mana setiap lapisan berfungsi untuk memproses data secara bertahap. 
 Prinsip Dasar Cara Kerja Jaringan Syaraf Tiruan:
JST beroperasi berdasarkan konsep pembelajaran yang mirip dengan cara otak manusia belajar melalui pengalaman. Ada dua prinsip dasar yang mendasari cara kerjanya:
1. Pembelajaran Terawasi (Supervised Learning): JST belajar dari data yang sudah diberi label. Melalui proses ini, jaringan akan berusaha untuk memetakan input yang diberikan ke output yang sesuai berdasarkan contoh-contoh data pelatihan yang ada.
   
2. Penyebaran Maju (Forward Propagation) dan Pembaruan Bobot (Weight Update): Pada setiap lapisan, informasi diteruskan melalui neuron dengan mempertimbangkan bobot (weight) dan bias. Hasil dari proses ini kemudian digunakan untuk menghitung kesalahan (error), yang digunakan untuk memperbarui bobot dalam jaringan, biasanya menggunakan algoritma pembelajaran seperti *backpropagation*.
Komponen Dasar dalam Jaringan Syaraf Tiruan:
1. Neuron
   Neuron adalah unit dasar dalam JST yang bertugas untuk memproses informasi. Setiap neuron menerima input, memprosesnya, dan mengeluarkan output. Proses pengolahan melibatkan fungsi aktivasi yang menentukan apakah neuron akan "menyala" atau tidak berdasarkan input yang diterimanya.
2. Lapisan Input (Input Layer)
   Lapisan ini menerima data mentah yang akan diproses oleh jaringan. Setiap neuron dalam lapisan input merepresentasikan satu fitur dari data yang masuk. Misalnya, jika data yang masuk berupa gambar, setiap piksel gambar dapat menjadi satu neuron dalam lapisan input.
3. Lapisan Tersembunyi (Hidden Layer):
   Lapisan tersembunyi adalah lapisan yang berada di antara lapisan input dan lapisan output. Di lapisan ini, neuron-neuron memproses data yang diterima dan mentransformasikannya menjadi informasi yang lebih kompleks. Jumlah lapisan tersembunyi dan neuron di dalamnya dapat bervariasi, dan pengaturan ini mempengaruhi kemampuan jaringan untuk belajar dan memodelkan data yang kompleks.
4. Lapisan Output (Output Layer):
   Lapisan output menghasilkan hasil dari jaringan syaraf tiruan setelah data diproses melalui lapisan-lapisan sebelumnya. Pada lapisan ini, neuron-neuron menghasilkan output akhir, yang bisa berupa kategori (untuk klasifikasi) atau nilai kontinu (untuk regresi), tergantung pada jenis masalah yang dihadapi.
 Proses Kerja Jaringan Syaraf Tiruan:
1. Penyebaran Maju (Forward Propagation): Data diproses dari lapisan input melalui lapisan tersembunyi hingga menghasilkan output di lapisan output.
2. Perhitungan Kesalahan: Setelah hasil output diperoleh, kesalahan dihitung dengan membandingkan hasil jaringan dengan hasil yang benar (nilai target).
3. Penyebaran Mundur (Backpropagation): Kesalahan tersebut digunakan untuk memperbarui bobot-bobot di jaringan melalui algoritma backpropagation, yang memastikan jaringan dapat meminimalkan kesalahan di iterasi berikutnya.