Lihat sumber Jaringan saraf tiruan

Jaringan saraf tiruan (JST) adalah model komputasi yang terinspirasi oleh struktur dan fungsi [[sistem saraf]] biologis. JST digunakan dalam berbagai bidang [[kecerdasan buatan]] untuk memproses data, mengenali pola, dan membuat prediksi. Model ini terdiri dari unit-unit sederhana yang disebut neuron buatan, yang dihubungkan dalam lapisan dan memproses sinyal numerik melalui bobot dan fungsi aktivasi.

== Sejarah dan perkembangan ==
Konsep awal JST diperkenalkan oleh [[Warren McCulloch]] dan [[Walter Pitts]] pada tahun 1943. Mereka mengusulkan model matematika untuk neuron buatan yang dapat melakukan perhitungan logis. Kemudian, [[Frank Rosenblatt]] mengembangkan ''perceptron'' pada tahun 1958, yang menjadi dasar bagi banyak arsitektur JST modern.

Pada dekade 1980-an, algoritma [[backpropagation]] memicu kebangkitan JST, memungkinkan pelatihan jaringan multilayer dengan efisiensi tinggi. Perkembangan perangkat keras seperti [[GPU]] pada abad ke-21 mempercepat komputasi JST, mendorong penerapan dalam visi komputer, pengenalan suara, dan pemrosesan bahasa alami.

== Arsitektur jaringan ==
JST terdiri dari lapisan masukan, lapisan tersembunyi, dan lapisan keluaran. Setiap neuron menerima masukan <math>x<sub>i</sub></math> yang dikalikan dengan bobot <math>w<sub>i</sub></math>, kemudian dijumlahkan dan dilewatkan melalui fungsi aktivasi seperti [[sigmoid]], [[ReLU]], atau [[tanh]].

Arsitektur JST dapat bervariasi, mulai dari jaringan feedforward sederhana hingga jaringan berulang ([[RNN]]) dan jaringan konvolusional ([[CNN]]). Variasi ini memungkinkan JST memproses data berurutan, gambar, atau representasi kompleks lainnya.

== Fungsi utama JST ==
# Klasifikasi data seperti pengenalan wajah dan objek.
# Prediksi deret waktu dalam [[ekonomi]] dan [[meteorologi]].
# Penerjemahan bahasa alami.
# Deteksi anomali dalam sistem keamanan.
# Pengendalian robot dan sistem otonom.

== Pelatihan jaringan ==
Pelatihan JST melibatkan penyesuaian bobot melalui algoritma optimisasi untuk meminimalkan fungsi kerugian. Backpropagation menghitung gradien kerugian terhadap bobot, kemudian [[stochastic gradient descent]] atau varian lainnya digunakan untuk pembaruan.

Proses pelatihan dapat memerlukan banyak iterasi dan data besar untuk mencapai performa optimal. Regularisasi seperti ''dropout'' dan [[L2 regularization]] digunakan untuk mencegah overfitting.

== Aplikasi industri ==
JST telah diadopsi secara luas dalam industri. Dalam [[medis]], JST digunakan untuk diagnosis penyakit dari citra medis. Dalam [[transportasi]], jaringan ini mengendalikan kendaraan otonom. Dalam [[keuangan]], JST membantu analisis risiko dan prediksi pasar.

== Keterbatasan ==
Meskipun kuat, JST memiliki keterbatasan seperti kebutuhan data besar, interpretabilitas rendah, dan potensi bias dari data pelatihan. Penelitian terus dilakukan untuk mengembangkan model yang lebih efisien dan dapat dijelaskan.

== Penelitian lanjutan ==
Pengembangan JST terkini mencakup integrasi dengan [[pembelajaran penguatan]] dan model transformer untuk pemrosesan bahasa alami. Konsep neuromorfik juga dikaji untuk menciptakan perangkat keras yang meniru fungsi neuron biologis.