Multilayer Perceptron (MLP) merupakan salah satu jenis jaringan saraf tiruan yang terdiri dari lapisan masukan, lapisan tersembunyi, dan lapisan keluaran. MLP cocok untuk tugas pembelajaran yang diawasi seperti klasifikasi dan pengenalan pola, dan sering digunakan dalam aplikasi pembelajaran mendalam.
Lapisan masukan MLP terdiri dari sejumlah neuron tertentu, atau sekumpulan “node masukan” yang ditunjuk. Setiap neuron memiliki bobot tertentu yang sesuai dengan masukan numerik dan nilai biasnya. Nilai bias ditambahkan ke jumlah input yang dihitung untuk setiap neuron. Lapisan keluaran dari MLP merupakan hasil evaluasi dari lapisan masukan menggunakan nilai bobot dan bias, dan diumpankan ke lapisan tersembunyi.
Lapisan tersembunyi adalah lapisan tengah antara lapisan masukan dan keluaran MLP. Lapisan ini berisi sejumlah neuron tertentu yang masing-masing digunakan untuk memproses informasi masukan dan mengekstrak pola tertentu. Hal ini dilakukan dengan menerapkan fungsi aktivasi pada keluaran dari lapisan masukan. Fungsi aktivasi yang paling umum digunakan adalah Rectified Linear Unit (ReLU).
MLP adalah salah satu arsitektur yang paling banyak digunakan di bidang kecerdasan buatan dan pembelajaran mesin karena kesederhanaan dan fleksibilitasnya. Setelah parameter model dilatih dan dioptimalkan, parameter model dapat digunakan untuk membuat prediksi dengan data baru. MLP dapat digunakan untuk berbagai macam aplikasi, seperti pemrosesan bahasa alami, pengenalan suara, pengenalan gambar, dan banyak lagi.
