Terhambatnya atau terhentinya proses Contoh :
ini dibentuk berdasarkan data masa lalu penjualan produk roti. Penentuan sejumlah 7 input data didasarkan atas dasar bahwa riwayat data penjualan produk
roti dalam periode hari-an yang menunjukkan pola data trend dan musiman. Sebagai parameter dalam proses training dan testing JST akan digunakan
fungsi aktivasi sigmoid biner fungsi ‘logsig’ untuk aktivasi dari input layer ke hidden layer dengan sejumlah neuron juga aktivasi dari hidden layer ke satu
output layer dengan fungsi ‘logsig’. Fungsi aktivasi sigmoid biner merupakan fungsi aktivasi yang banyak diaplikasikan untuk memudahkan jaringan dalam
proses pembelajaran pola data penjualan. Setelah dilakukan proses normalisasi data, berikutnya ditentukan parameter pembelajaran learning dengan kisaran 0
– 1, sasaran kesalahan serta penentuan jumlah epoch sebagai kriteria pemberhentian
proses pencarian. Penentuan parameter jaringan JST ini dilakukan berdasarkan trial-error yang membutuhkan usaha dan waktu yang cukup lama, sebagai tanda
bahwa sistem sudah mengenali pola data. Untuk mempercepat proses pembelajaran oleh JST, juga dapat dilakukan modifikasi terhadap standar
backpropagation dengan menambahkan fungsi penurunan gradient dengan momentum pada arah penurunan tercepat berdasarkan algoritma conjugate dengan
metode pencarian Powel Beale fungsi ‘traincgb’ . Proses pelatihan, pengujian dan prakiraan permintaan berdasarkan metode
JST dengan bantuan software Matlab membutuhkan dukungan rancangan program untuk eksekusi. Dalam penelitian ini, digunakan sejumlah 15 neuron dengan
parameter pembelajaran lr sebesar 0.1 dengan kriteria pemberhentian proses pencarian dibatasi apabila sasaran kesalahan sebesar 0.0001 dan jumlah epoch
sebesar 500 sudah terpenuhi. Dalam penulisan arsitektur jaringan dituliskan : net=newffminmax P,[15,1], {logsig,logsig},traincgb
net.trainParam.lr=0.1; net.trainParam.epochs=500;
net.trainParam.goal=0.0001;
Berikutnya dilakukan program pengujian dengan menggunakan hasil pembentukan pola data yang berbeda sebagai data input dan data target dalam
proses testing. Konfigurasi jaringan dan parameter yang digunakan adalah sama dengan parameter yang digunakan pada program pelatihan dengan menggunakan
sejumlah 25 pola data.dengan jumlah variabel input yang sama y1, y2 hingga y7 dan data target. Setelah sasaran tercapai pada program pengujian, dilakukan
proses peramalan dengan melakukan simulasi yang dilakukan oleh jaringan berdasarkan bobot jaringan yang dimiliki dengan memasukan input pola data
baru, namun tidak diberikan input data target. Listing program JST menggunakan software matlab versi pelajar dan hasil perhitungan prakiraan permintaan dapat
dilihat pada lampiran 3 dan lampiran 4.