Jaringan syaraf tiruan merupakan algoritma klasifikasi yang meniru prinsip kerja dari jaringan syaraf manusia. Algoritma ini memetakan data masukan pada layer masukan menuju target pada layer keluaran melalui neuron-neuron pada layer tersembunyi.

Data masukan dirambatkan maju, dihubungkan oleh bobot-bobot masukan yang sebelumnya telah diinisialisasi secara acak menuju neuron pada layer tersembunyi

Pada layer tersembunyi, data masukan yang telah dihubungkan dengan bobot tersebut kemudian diproses menggunakan fungsi aktivasi. Selanjutnya data hasil olahan dari layer tersembunyi dihubungkan oleh bobot-bobot tersembunyi menuju neuron pada layer keluaran. Hasil yang diperoleh kemudian dibandingkan dengan data target sehingga diperoleh tingkat kesalahan (error). Apabila tingkat kesalahan yang diperoleh lebih kecil daripada tingkat kesalahan yang sebelumnya telah ditetapkan (target error), maka proses perambatan akan berhenti. Namun apabila tingkat kesalahan masih lebih besar daripada tingkat kesalahan tetapan maka dilakukan proses perambatan balik dengan melakukan pembaharuan bobot.

Jenis-jenis jaringan syaraf tiruan antara lain: perceptron, backpropagation/ propagasi balik, learning vector quantization, dsb.
Gambar berikut ini merupakan contoh arsitektur jaringan syaraf tiruan propagasi balik:

Perancangan algoritma jaringan syaraf tiruan, umumnya dibagi menjadi dua proses utama yaitu pelatihan dan pengujian. Sebelum kedua proses itu dilakukan, perlu dipersiapkan pembagian data untuk untuk data latih dan data uji terlebih dahulu. Persentase pembagian data latih dengan data uji yang umumnya digunakan yaitu 50:50, 60:40, 70:30, dan 80:20. Proses pelatihan dilakukan menggunakan sekumpulan data latih yang memuat parameter ciri/ feature yang digunakan untuk membedakan antara objek satu dengan objek lainnya (pengenalan pola). Data latih tersebut dirambatkan maju menuju target latih melalui arsitektur jaringan syaraf tiruan yang sebelumnya telah didesain.
Luaran dari proses pelatihan adalah suatu jaringan yang terdiri dari arsitektur beserta bobot-bobot terbaik hasil pembaharuan. Dengan jaringan tersebut, kemudian data latih dirambatkan maju sehingga diperoleh data keluaran yang kemudian dibandingkan dengan target latih sehingga diperoleh tingkat akurasi proses pelatihan.
Pada proses pengujian, dengan menggunakan jaringan syaraf tiruan hasil proses pelatihan, data uji dirambatkan maju sehingga diperoleh data keluaran yang kemudian dibandingkan dengan target uji dan diperoleh tingkat akurasi proses pengujian.
Beberapa parameter yang perlu diperhatikan dalam menyusun/ merancang arsitektur jaringan syaraf tiruan antara lain:
1. Jenis jaringan syaraf tiruan yang akan digunakan
2. Jumlah neuron pada layer masukan, layer tersembunyi, dan layer keluaran
3. Jumlah layer tersembunyi (hidden layer)
4. Fungsi aktivasi pada layer tersembunyi
5. Inisialisasi bobot awal
6. Inisialisasi nilai target kesalahan (error goal)
7. Inisialisasi nilai epoch
8. Inisialisasi nilai momentum

Algoritma jaringan syaraf tiruan dapat diaplikasikan untuk menyelesaikan berbagai macam persoalan komputasi diantaranya untuk kasus klasifikasi, identifikasi, prediksi, deteksi anomali, dll. Algoritma ini digunakan dengan tujuan mencari rumusan untuk memetakan nilai masukan menuju nilai keluaran di mana secara matematis ataupun secara fisis tidak ada persamaan yang menghubungkan kedua nilai tersebut.

Jaringan syaraf tiruan hanya akan bekerja dengan baik apabila nilai masukan dan nilai keluaran memiliki pola yang jelas dan teratur. Sebagai contoh untuk kasus prediksi curah hujan. Secara fisis, tidak ada persamaan yang menghubungkan antara besarnya suhu, kelembaban, kecepatan angin, dan curah hujan pada hari ini dengan besarnya curah hujan pada esok hari. Namun berdasarkan polanya, data-data tersebut memiliki pola yang jelas dan berulang (dilihat dari pola curah hujan dalam selang waktu yang relatif lama misalnya 10 atau 20 tahun terakhir). Pada kasus tersebut, peran jaringan syaraf tiruan dapat diandalkan untuk melakukan prediksi curah hujan dalam beberapa jangka waktu ke depan.

sumber: https://pemrogramanmatlab.com/data-mining-menggunakan-matlab/jaringan-syaraf-tiruan-menggunakan-matlab/