Di bidang Biometrik, JST berperan dalam pengklasifikasian pola bersama dengan metode soft computing lainnya seperti fuzzy logic dan algoritme genetika hingga
bisa diimplementasikan secara nyata saat ini. Peranan JST sebagai Machine Learning dalam sistem Biometrik sangat penting untuk mengatasi masalah pengenalan dan
klasifikasi pola yang kompleks S. Y. Kung et al , 2004
.
2.6.1 Mengapa JST Propagasi Balik
Metode algoritme JST banyak variasinya dari yang paling sederhana seperti Perceptron
, kemudian berkembang menjadi Adaline Adaptive Linear dan Madaline Multi -Adaline di bidang pengolahan sinyal. Metode paling terkenal hingga saat ini
adalah algoritme Propagasi balik Backpropagation yang dikembangkan secara formal oleh Werbos, dan kemudian Parker serta Rummelhart dan McClelland James A.
Freeman at al, 1992. Kemudian dikenal juga Bidirectional Associative Memory BAM dan Hopfield Memory, Simulated Annealing, Counterpropagation Neural network CPN,
Self Organizing Maps SOM, dan Adaptive Resonance Theory ART .
JST Propagasi balik dipilih karena metode algoritme JST ini sering dijadikan acuan dalam beberapa penelitian sebelumnya. M.S. Obaidat, et al 1994 melakukan
perbandingan JST Propagasi Balik, JST Sum-of-Products Sigma-pi dan JST Hybri d Sum-of-Products
sebagai kombinasi keduanya. Ketiga JST tersebut mempunyai jumlah sel input dan output yang sama serta sel lapisan antara yang sama dengan jumlah dan
data pelatihan yang sama. Kesimpulan menunjukkan bahwa JST Propagasi balik mempunyai hasil ketelitian sebesar 97.5, dan JST Sum-of-Products menghasilkan
93.7 serta JST Hybrid Sum-of-Products
memberikan 96.2 dan waktu pembelajarannya yang lebih cepat dibandingkan lainnya. Penelitian tersebut
menunjukkan bahwa kinerja jaringan yang lebih baik diperoleh dengan ukuran jumlah pelatihan yang lebih banyak, namun memerlukan waktu pelatihan dan memori yang
lebih besar. JST Propagasi balik menggunakan pelatihan terarah supervised training yang
memudahkan dalam melakukan pembelajaran. Dengan meranc ang data pelatihan yang berupa pasangan pola input dan target output yang diinginkan, maka JST Propagasi
balik akan melakukan pembelajaran sedemikian rupa sehingga diperoleh hasil yang paling mendekati data pelatihan.
JST bersifat lebih adaptif dan fleksibel jika dibandingkan dengan metode soft computing
lainnya sehingga memudahkan dalam melakukan ragam variasi dan kombinasi percobaan tanpa memerlukan banyak perubahan pada kode program.
2.6.2 Arsitektur JST Propagasi Balik
