Dalam dunia pemrograman, komputer dan kecerdasan buatan, jaringan saraf tiruan backpropagation hanyalah sejenis jaringan saraf tiruan (JST) yang menggunakan backpropagation. Backpropagation adalah fundamental dan merupakan algoritma yang umum digunakan yang menginstruksikan JST bagaimana melakukan tugas yang diberikan. Meskipun konsep ini mungkin tampak membingungkan, dan setelah melihat persamaan yang diperlukan selama proses tampaknya benar-benar asing, konsep ini, bersama dengan jaringan saraf lengkap, cukup mudah untuk dipahami.
Bagi mereka yang tidak akrab dengan jaringan saraf, ANN, atau hanya NN yang merupakan singkatan dari “jaringan saraf,” adalah model matematika yang dipolakan setelah fitur tertentu dari jaringan saraf kehidupan nyata, seperti yang ditemukan pada makhluk hidup. Otak manusia adalah jaringan saraf utama yang fungsinya memberikan beberapa petunjuk tentang cara meningkatkan struktur dan operasi NN buatan. Seperti otak yang paling dasar, JST memiliki jaringan neuron buatan yang saling berhubungan yang memproses informasi.
Apa yang menarik tentang itu adalah bahwa JST dapat beradaptasi dan memodifikasi strukturnya bila diperlukan, sesuai dengan informasi yang diterimanya dari lingkungan dan dari dalam jaringan. Ini adalah model komputasi canggih yang menggunakan analisis data statistik non-linier, dan mampu menafsirkan hubungan kompleks antara data seperti input dan output. Ini dapat menyelesaikan masalah yang tidak dapat diselesaikan dengan menggunakan metode komputasi tradisional.
Ide untuk jaringan syaraf tiruan backpropagation pertama kali muncul pada tahun 1969 dari karya Arthur E. Bryson dan Yu-Chi Ho. Di tahun-tahun berikutnya, pemrogram dan ilmuwan lain menyempurnakan gagasan itu. Mulai tahun 1974 jaringan saraf tiruan backpropagation mulai diakui sebagai terobosan inovatif dalam studi dan pembuatan jaringan saraf tiruan.
Pembelajaran jaringan saraf tiruan adalah tugas utama dalam JST yang memastikannya terus dapat memproses data dengan benar dan karenanya menjalankan fungsinya dengan baik. Sebuah jaringan saraf backpropagation menggunakan bentuk umum dari aturan delta untuk memungkinkan pembelajaran jaringan saraf. Ini berarti menggunakan seorang guru yang mampu menghitung output yang diinginkan dari input tertentu yang dimasukkan ke dalam jaringan.
Dengan kata lain, jaringan saraf tiruan backpropagation belajar melalui contoh. Pemrogram menyediakan model pembelajaran yang mendemonstrasikan apa yang akan menjadi keluaran yang benar, dengan serangkaian masukan tertentu. Contoh input-output ini adalah guru, atau model, yang bagian lain dari jaringan dapat membuat pola perhitungan selanjutnya.
Seluruh proses berlangsung secara metodis dalam interval yang terukur. Mengingat satu set input yang pasti, JST menerapkan perhitungan yang dipelajari dari model untuk menghasilkan output awal. Kemudian membandingkan keluaran ini dengan keluaran awal yang diketahui, diharapkan, atau baik, dan membuat penyesuaian sesuai kebutuhan. Dalam prosesnya, nilai kesalahan dihitung. Ini kemudian disebarkan bolak-balik melalui jaringan saraf propagasi balik sampai keluaran terbaik ditentukan.