"ABSTRAK" Pada tesis ini akan diaplikasikan algoritma supervised PNN structure determination yang ditujukan untuk menentukan sampel data pelatihan yang optimum. PNN dipilih sebagai arsitektur jaringan saraf dalam tesis ini karena relatif efektif dalam meneylesaikan persoalan pengklasifikasian. Kelebihan dari algoritma supervised learning adalah persyaratan nilai kesalahan klasifikasi dan ukuran model diikutsertakan dalam proses penentuan struktur jaringan. Algoritma supervised PNN structure determination terdiri dari dua bagian dan dijalankan secara iteratif. Bagian pertama melakukan seleksi neuron pada pattern layer, yang menggunakan algoritma Orthogonal untuk memilih neuron yang penting. Uji coba yang dilakukan terhadap algoritma dalam tesis ini pada data Iris memberikan hasil rata-rata 96% untuk menguji data yang tidak dilatihkan dan reduksi struktur rata-rata yang mencapai nilai maksimal dengan mendapatkan 1 (satu) neuron terpilih untuk tiap-tiap kelas. Sedangkan uji coba yang dilakukan terhadap data bispektrum dengan dimensi 18,32,50,72, dan 98, dengan noise 0dB, 10dB, 20dB, dan tanpa noise, memberikan hasil tingkat kemampuan identifikasi yang tinggi dengan rata-rata 81% untuk data masukan tanpa proses penormalan dan 88% untuk data dengan penormalan. Tetapi reduksi struktur yang dihasilkan adalah sebesar 10% untuk data masukan tanpa proses penormalan dan 3% untuk data dengan penormalan. Hasil komparasi algoritma dalam tesis ini dengan algoritma PNN standar dan algoritma JNB Propagasi Balik untuk data suara bispektrum dengan dimensi 18,32,50,72, dan 98, dengan noise 0dB, 10dB, 20dB, dan tanpa noise, memberikan hasil relatif lebih tinggi pada data suara dengan noise 20dB untuk dimensi 18 dan 32 dan data suara dengan noise 10 dB untuk dimensi 18 dan 32. Namun selanjutnya mendapatkan hasil relatif lebih rendah pada data suara dengan noise 0dB untuk dimensi 50,72, dan 98.