 **Jaringan Syaraf Tiruan (JST)** adalah sistem komputasi yang terinspirasi dari cara kerja otak manusia. Jaringan ini terdiri dari sejumlah unit atau node yang disebut "neuron" yang saling terhubung, menyerupai jaringan saraf biologis. JST digunakan untuk memodelkan hubungan kompleks antara input dan output, serta dapat belajar dan membuat keputusan berdasarkan data.
### Prinsip dasar yang mendasari cara kerja jaringan syaraf tiruan:
1. **Neuron dan Lapisan**: JST terdiri dari lapisan-lapisan neuron, yang umumnya terbagi menjadi tiga jenis: 
   - **Lapisan Input**: Menerima data atau informasi.
   - **Lapisan Tersembunyi**: Mengolah informasi dari lapisan input.
   - **Lapisan Output**: Memberikan hasil atau prediksi.
2. **Proses Pembelajaran (Learning)**: JST dapat "belajar" dari data yang diberikan melalui suatu proses yang disebut **pelatihan**. Pelatihan ini dilakukan dengan cara menyesuaikan bobot (weight) dan bias dari setiap koneksi antar neuron, berdasarkan kesalahan yang dihitung dari output yang dihasilkan dan output yang diinginkan.
3. **Fungsi Aktivasi**: Setiap neuron memiliki fungsi aktivasi yang mengontrol apakah neuron tersebut akan mengirimkan sinyal ke neuron berikutnya atau tidak. Fungsi ini membantu jaringan untuk menangani data yang lebih kompleks, seperti pola non-linear.
4. **Backpropagation**: Untuk melatih jaringan syaraf tiruan, algoritma backpropagation digunakan untuk memperbaiki kesalahan dengan cara menghitung gradien kesalahan dan memperbarui bobot secara iteratif agar kesalahan menjadi minimal.
Dengan prinsip-prinsip dasar ini, JST mampu memproses data yang besar dan kompleks, seperti dalam pengenalan pola, pengolahan citra, dan prediksi.
[8/1 21:34] +62 877-9630-4301: Komponen dasar yang membentuk **jaringan syaraf tiruan (JST)** terdiri dari beberapa elemen utama yang bekerja sama untuk memproses dan menganalisis data. Berikut adalah penjelasan mengenai komponen-komponen dasar tersebut:
### 1. **Neuron**
   - **Neuron** adalah unit dasar dalam jaringan syaraf tiruan yang berfungsi untuk menerima input, memprosesnya, dan menghasilkan output.
   - Setiap neuron menerima sinyal dari neuron lain atau dari input data, kemudian melakukan perhitungan berdasarkan bobot (weight) dan bias yang ada. Setelah itu, neuron akan meneruskan hasilnya ke neuron lainnya.
   - Fungsi utama dari neuron adalah untuk menerapkan fungsi aktivasi yang mengubah sinyal masuk menjadi output yang bisa digunakan oleh neuron berikutnya.
### 2. **Lapisan Input**
   - **Lapisan input** adalah lapisan pertama dalam jaringan syaraf tiruan yang menerima data dari luar (misalnya, gambar, teks, atau nilai numerik).
   - Setiap neuron di lapisan ini mewakili satu fitur atau variabel dari data yang masuk. Misalnya, dalam pengenalan gambar, lapisan input dapat menerima nilai intensitas pixel dari gambar.
   - Lapisan input hanya mengirimkan data tanpa modifikasi atau pemrosesan lebih lanjut. Fungsinya adalah sebagai titik awal dari pemrosesan informasi dalam jaringan.
### 3. **Lapisan Tersembunyi (Hidden Layer)**
   - **Lapisan tersembunyi** adalah lapisan yang terletak di antara lapisan input dan lapisan output. Di lapisan ini, data yang diterima dari lapisan input diproses lebih lanjut.
   - Setiap neuron dalam lapisan tersembunyi menerima input dari lapisan sebelumnya, mengalikan input tersebut dengan bobot yang sesuai, menambahkan bias, dan kemudian menerapkan fungsi aktivasi untuk menghasilkan output yang diteruskan ke lapisan berikutnya.
   - Lapisan tersembunyi sangat penting untuk mengenali pola dan hubungan yang kompleks dalam data. Semakin banyak lapisan tersembunyi yang digunakan, semakin mendalam dan kompleks pemrosesan yang dapat dilakukan oleh jaringan.
### 4. **Lapisan Output**
   - **Lapisan output** adalah lapisan terakhir dalam jaringan syaraf tiruan yang menghasilkan hasil akhir dari proses pemrosesan data.
   - Neuron di lapisan output menerima informasi dari lapisan tersembunyi dan menghitung nilai output berdasarkan bobot dan bias yang ada. Output ini biasanya berupa hasil prediksi atau klasifikasi yang ingin dicapai oleh jaringan syaraf tiruan.
   - Misalnya, dalam masalah klasifikasi, lapisan output akan menghasilkan probabilitas atau kategori yang mewakili kelas data yang paling sesuai dengan input.
### 5. **Bobot dan Bias**
   - **Bobot** adalah parameter yang menghubungkan neuron satu dengan yang lainnya, mengatur seberapa besar pengaruh satu neuron terhadap neuron lainnya. Bobot inilah yang dipelajari oleh jaringan selama proses pelatihan.
   - **Bias** adalah nilai tambahan yang ditambahkan pada input untuk neuron, yang memungkinkan model untuk mempelajari pola yang lebih fleksibel dan mengatasi keterbatasan fungsi aktivasi tertentu.
### 6. **Fungsi Aktivasi**
   - **Fungsi aktivasi** adalah komponen matematis yang diterapkan pada output dari setiap neuron untuk menentukan apakah neuron tersebut akan mengirimkan sinyal ke neuron lain. Fungsi ini memungkinkan jaringan untuk menangani pola non-linear dan membuat keputusan yang lebih kompleks.
   - Beberapa contoh fungsi aktivasi yang sering digunakan antara lain **Sigmoid**, **ReLU (Rectified Linear Unit)**, **Tanh**, dan **Softmax**.
### Ringkasan
Komponen dasar yang membentuk jaringan syaraf tiruan adalah **neuron**, **lapisan input**, **lapisan tersembunyi**, dan **lapisan output**. Neuron bertanggung jawab untuk memproses dan mentransmisikan informasi antar lapisan. Lapisan input menerima data, lapisan tersembunyi memproses data, dan lapisan output menghasilkan hasil akhir. Bobot dan bias adalah parameter yang mempengaruhi pengolahan data, sementara fungsi aktivasi memastikan bahwa jaringan dapat memodelkan hubungan non-linear dalam data.