Tahun 1982, Hopfield telah memperluas aplikasi JST untuk memecahkan masalah-masalah optimasi. Hopfield telah berhasil memperhitungkan fungsi
energi ke dalam jaringan syaraf, yaitu agar jaringan memiliki kemampuan mengingat atau memperhitungkan suatu obyek dengan obyek yang pernah dikenal
atau diingat sebelumnya associative memory. Konfigurasi jaringan yang demikian dikenal sebagai recurrent network. Salah satu aplikasinya adalah
Travelling Salesman Problem TSP Puspitaningrum, 2006. Pada tahun 1986, Rumelhart menciptakan suatu algoritma belajar yang
dikenal sebagai propagasi balik backpropagation. Bila algoritma ini diterapkan pada perceptron yang memiliki lapisan banyak multi layer perceptron, maka
dapat dibuktikan bahwa pemilahan pola-pola yang tidak linier dapat diselesaikan. Perkembangan JST yang ramai dibicarakan sejak tahun 1990-an adalah aplikasi
model-model jaringan syaraf tiruan untuk menyelesaikan berbagai masalah di dunia nyata Siang, 2009.
2.2.2 Definisi Jaringan Syaraf Tiruan
Jaringan syaraf tiruan JST didefinisikan sebagai suatu sistem pemrosesan informasi yang mempunyai karakteristik menyerupai jaringan syaraf manusia
Hermawan, 2006. Beberapa istilah dalam JST yang sering ditemui adalah sebagai berikut.
a Neuron atau node atau unit: sel syaraf tiruan yang merupakan elemen
pengolahan jaringan syaraf tiruan. Setiap neuron menerima data input, memproses input tersebut kemudian mengirimkan hasilnya berupa sebuah
output.
b Jaringan: kumpulan neuron yang saling terhubung dan membentuk lapisan.
c Lapisan tersembunyi hidden layer: lapisan yang tidak secara langsung
berinteraksi dengan dunia luar. Lapisan ini memperluas kemampuan jaringan syaraf tiruan dalam menghadapi masalah-masalah yang kompleks.
d Input: sebuah nilai input yang akan diproses menjadi nilai output.
e Output: solusi dari nilai input.
f Bobot: nilai matematis dari sebuah koneksi antar-neuron.
g Fungsi aktivasi: fungsi yang digunakan untuk meng-update nilai-nilai bobot
per-iterasi dari semua nilai input. h
Fungsi aktivasi sederhana adalah mengalikan input dengan bobotnya dan kemudian menjumlahkannya disebut penjumlahan sigma berbentuk linier
atau tidak linier dan sigmoid. i
Paradigma pembelajaran: bentuk pembelajaran, supervised learning, atau unsupervised learning.
Menurut Siang 2009:2, JST adalah sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi. JST dibentuk sebagai
generalisasi model matematika dari jaringan syaraf biologi, dengan asumsi bahwa a.
Pemrosesan informasi terjadi pada banyak elemen sederhana neuron. b.
Sinyal dikirimkan di antara neuron-neuron melalui penghubung-penghubung. c.
Penghubung antar-neuron memiliki bobot yang akan memperkuat atau memperlemah sinyal.
d. Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi
biasanya bukan fungsi linier yang dikenakan pada jumlahan input yang
diterima. Besarnya output ini selanjutnya dibandingkan dengan suatu batas ambang threshold.
JST ditentukan oleh tiga hal, yaitu 1
Pola hubungan antar-neuron disebut arsitektur jaringan. 2
Metode untuk menentukan bobot penghubung disebut metode training learning algoritma.
3 Fungsi aktivasi fungsi transfer.
Neuron adalah unit pemroses informasi yang menjadi dasar dalam pengoperasian jaringan syaraf tiruan Siang, 2009:23. Neuron terdiri atas tiga
elemen pembentuk sebagai berikut. 1
Himpunan unit-unit yang dihubungkan dengan jalur koneksi. 2
Suatu unit penjumlah yang akan menjumlahkan masukan-masukan sinyal yang sudah dikalikan dengan bobotnya.
3 Fungsi aktivasi yang menentukan apakah sinyal dari input neuron akan
diteruskan ke neuron lain ataukah tidak. Neuron dalam jaringan syaraf tiruan sering diganti dengan istilah simpul.
Setiap simpul tersebut berfungsi untuk menerima atau mengirim sinyal dari atau ke simpul-simpul lainnya. Pengiriman sinyal disampaikan melalui penghubung.
Kekuatan hubungan yang terjadi antara setiap simpul yang saling terhubung dikenal dengan nama bobot.
2.2.3 Komponen Jaringan Syaraf Tiruan
