LAPORAN PRAKTIKUM MACHINE LEARNING AND MODERN PREDICTION PERTEMUAN 6
Nabilah Rifdah Tsabitah (F1F023011)
2026-10-29
BAB I PENDAHULUAN
1.1 Latar Belakang
Artificial Neural Network (ANN) merupakan salah satu metode dalam machine learning yang terinspirasi dari mekanisme kerja jaringan saraf manusia untuk mempelajari pola dan hubungan antara variabel masukan dan variabel keluaran. ANN tersusun atas tiga lapisan utama, yaitu input layer, hidden layer, dan output layer, yang saling terhubung melalui bobot tertentu untuk memproses informasi. Setiap neuron mengolah masukan melalui penjumlahan berbobot dan bias yang selanjutnya diproses menggunakan fungsi aktivasi untuk menghasilkan keluaran. Arsitektur jaringan dan fungsi aktivasi yang digunakan memungkinkan ANN mempelajari hubungan linear maupun nonlinear sesuai dengan karakteristik data. Oleh karena itu, pemahaman mengenai struktur jaringan, bobot, bias, dan fungsi aktivasi menjadi dasar penting dalam penerapan ANN untuk menyelesaikan permasalahan prediksi dan klasifikasi (Montesinos-López et al., 2022).
Proses pembelajaran ANN dilakukan dengan menyesuaikan bobot jaringan berdasarkan kesalahan yang dihasilkan oleh model selama proses pelatihan. Salah satu algoritma pembelajaran yang digunakan adalah backpropagation, yaitu mekanisme perhitungan gradien kesalahan untuk memperbarui bobot agar fungsi kerugian dapat diminimalkan. Proses tersebut melibatkan forward propagation untuk menghasilkan prediksi, backward propagation untuk menghitung gradien kesalahan, serta pembaruan bobot berdasarkan hasil perhitungan tersebut. Penerapan ANN dapat dibedakan menjadi regresi untuk memprediksi respons numerik kontinu dan klasifikasi untuk menentukan kategori berdasarkan pola yang dipelajari dari data. Pemilihan arsitektur jaringan, jumlah neuron pada lapisan tersembunyi, fungsi aktivasi, dan parameter pelatihan perlu diperhatikan karena berpengaruh terhadap kemampuan model dalam mempelajari pola data (Aggarwal, 2023).
Evaluasi model ANN diperlukan untuk mengetahui kemampuan jaringan dalam menghasilkan prediksi yang sesuai dengan karakteristik data sebenarnya. Pada kasus regresi, evaluasi dapat dilakukan menggunakan Mean Squared Error (MSE) dan Mean Absolute Percentage Error (MAPE) untuk mengukur besarnya kesalahan prediksi berdasarkan perbedaan antara nilai aktual dan nilai estimasi. Sementara itu, pada kasus klasifikasi, evaluasi dapat menggunakan confusion matrix, accuracy, dan precision untuk menilai kesesuaian hasil klasifikasi dengan kategori aktual. Pembagian data menjadi data pelatihan (training) dan data pengujian (testing) juga diperlukan untuk mempelajari pola sekaligus menilai kemampuan model pada data yang tidak digunakan selama pelatihan. Dengan demikian, implementasi ANN menggunakan bahasa pemrograman R dapat membantu memahami proses pembentukan jaringan, pelatihan model, prediksi, serta evaluasi performa pada permasalahan regresi dan klasifikasi (Bishop & Bishop, 2024).
1.2 Rumusan Masalah
Berdasarkan latar belakang di atas dapat disimpulkan bahwa rumusan masalah sebagai berikut:
Bagaimana mahasiswa mampu memahami konsep dan mengimplementasikan model Artificial Neural Network (ANN) untuk regresi dan klasifikasi menggunakan bahasa pemrograman R?
Bagaimana mahasiswa mampu mengevaluasi performa model ANN menggunakan metrik evaluasi MSE dan MAPE untuk regresi, serta akurasi dan presisi untuk klasifikasi?
1.3 Tujuan Penelitian
Berdasarkan rumusan masalah di atas, tujuan penelitian yang dapat disimpulkan sebagai berikut:
Mahasiswa dapat memahami konsep dan mengimplementasikan model Artificial Neural Network (ANN) untuk regresi dan klasifikasi menggunakan bahasa pemrograman R.
Mahasiswa dapat mengevaluasi performa model ANN menggunakan metrik evaluasi MSE dan MAPE untuk regresi, serta akurasi dan presisi untuk klasifikasi.
1.4 Manfaat Penelitian
Adapun manfaat yang didapatkan dari penelitian ini adalah sebagai berikut:
- Bagi penulis
- Memberikan informasi dan pengetahuan mengenai konsep dan mengimplementasikan model Artificial Neural Network (ANN) untuk regresi dan klasifikasi menggunakan bahasa pemrograman R serta dapat mengevaluasi performa model ANN menggunakan metrik evaluasi MSE dan MAPE untuk regresi, serta akurasi dan presisi untuk klasifikasi.
- Menerapkan ilmu atau wawasan baru mengenai konsep dan mengimplementasikan model Artificial Neural Network (ANN) untuk regresi dan klasifikasi menggunakan bahasa pemrograman R serta dapat mengevaluasi performa model ANN menggunakan metrik evaluasi MSE dan MAPE untuk regresi, serta akurasi dan presisi untuk klasifikasi.
- Bagi pembaca
- Menambah ilmu pengetahuan mengenai konsep dan mengimplementasikan model Artificial Neural Network (ANN) untuk regresi dan klasifikasi menggunakan bahasa pemrograman R serta dapat mengevaluasi performa model ANN menggunakan metrik evaluasi MSE dan MAPE untuk regresi, serta akurasi dan presisi untuk klasifikasi.
- Dapat menjadi rujukan bagi penelitian selanjutnya.
1.5 Batasan Masalah
Adapun batasan masalah pada penelitian ini yaitu, lakukan ANN Klasifikasi dengan Hidden Neuron=c(10, 20, 30) dengan data training 80% dan testing 20% serta data training 60% dan testing 40%, kemudian interpretasikan masing masing output dengan jelas!
Note: Menggunakan data Iris, Friedman, Breast Cancer, etc.
1.6 Sistematika Penulisan
Adapun sistematika penulisan dari praktikum ini adalah sebagai berikut:
BAB I PENDAHULUAN
Bab ini merupakan bab yang memuat latar belakang penelitian, rumusan masalah, tujuan dan manfaat penelitian, batasan masalah penelitian, dan sistematika penelitian.
BAB II TINJAUAN PUSTAKA
Bab ini merupakan bab yang memuat pengertian dari teori yang diperlukan untuk rancangan penelitian pada bab-bab berikutnya.
BAB III METODE PENELITIAN
Bab ini merupakan bab yang memuat uraian mengenai jenis dan sumber penelitian, variabel penelitian, dan analisis data.
BAB IV HASIL DAN PEMBAHASAN
Bab ini merupakan bab yang memuat hasil analisis, pembahasan dari hasil yang telah diperoleh, dan interpretasi.
BAB V KESIMPULAN DAN SARAN
Bab ini merupakan bab yang memuat rangkuman dari hasil keseluruhan dan saran yang diberikan oleh penulis terhadap hasil maupun analisis yang telah dilakukan.
DAFTAR PUSTAKA
BAB II TINJAUAN PUSTAKA
2.1 Artificial Neural Network
Artificial Neural Network (ANN) merupakan metode komputasi dalam machine learning yang meniru prinsip kerja jaringan saraf biologis untuk mempelajari pola hubungan antara variabel masukan dan keluaran. Struktur ANN terdiri atas neuron-neuron yang saling terhubung melalui bobot (weight), dengan setiap neuron mengolah informasi yang diterima sebelum meneruskannya ke neuron berikutnya. Secara umum, arsitektur ANN terdiri atas input layer sebagai penerima masukan, hidden layer sebagai pemroses informasi, dan output layer sebagai penghasil keluaran. Pemrosesan informasi dilakukan melalui kombinasi masukan berbobot, bias, dan fungsi aktivasi yang menentukan respons setiap neuron. Kemampuan ANN dalam mempelajari hubungan linear maupun nonlinear bergantung pada arsitektur jaringan, mekanisme pembelajaran, dan karakteristik data yang digunakan (Madhiarasan & Louzazni, 2022). Secara matematis, keluaran neuron dihitung berdasarkan kombinasi linear dari variabel masukan, bobot, dan bias yang kemudian diproses menggunakan fungsi aktivasi. Persamaan neuron dapat dituliskan sebagai berikut (Hwang & Kim, 2023):
\[ z_j = \sum_{i=1}^{p} w_{ij}x_i+b_j \] dengan:
\[ a_j=f(z_j) \]
Keterangan:
- \(x_i\) = variabel masukan ke-\(i\).
- \(w_{ij}\) = bobot yang menghubungkan masukan ke-\(i\) dengan neuron ke-\(j\).
- \(b_j\) = bias pada neuron ke-\(j\).
- \(z_j\) = hasil penjumlahan berbobot dan bias.
- \(f(z_j)\) = fungsi aktivasi.
- \(a_j\) = keluaran neuron.
- \(p\) = jumlah variabel masukan.
2.2 ANN untuk Regresi
ANN untuk regresi merupakan penerapan jaringan saraf tiruan yang bertujuan memodelkan hubungan antara variabel prediktor dan variabel respons numerik kontinu. Dalam penerapannya, variabel prediktor ditempatkan pada input layer, sedangkan nilai respons yang ingin diprediksi dihasilkan melalui output layer. Jaringan mempelajari hubungan antara masukan dan keluaran dengan menyesuaikan bobot serta bias selama proses pelatihan sehingga kesalahan prediksi dapat diminimalkan. Algoritma backpropagation dapat digunakan untuk menghitung gradien kesalahan dan memperbarui bobot jaringan, sedangkan fungsi aktivasi pada lapisan keluaran dipilih sesuai dengan karakteristik respons yang dimodelkan. Kinerja ANN regresi dapat dievaluasi dengan membandingkan nilai aktual dan prediksi menggunakan ukuran kesalahan, seperti Mean Squared Error (MSE) dan Root Mean Squared Error (RMSE), sehingga kemampuan prediksi model dapat dinilai secara kuantitatif (Munkhdalai et al., 2022). ANN regresi digunakan untuk memprediksi respons berupa nilai numerik kontinu. Nilai prediksi diperoleh dari keluaran jaringan yang telah mempelajari hubungan antara variabel prediktor dan respons. Untuk regresi dengan satu neuron keluaran dan fungsi aktivasi linear, prediksi dapat dituliskan sebagai berikut (Chicco et al., 2021):
\[ \hat{y}_i=f\left(\sum_{j=1}^{m}w_j a_{ij}+b\right) \]
dengan fungsi aktivasi keluaran linear:
\[ f(z)=z \]
Keterangan:
- \(\hat{y}_i\) = nilai prediksi pada observasi ke-\(i\).
- \(a_{ij}\) = keluaran neuron tersembunyi ke-\(j\) untuk observasi ke-\(i\).
- \(w_j\) = bobot dari neuron tersembunyi ke lapisan keluaran.
- \(b\) = bias pada lapisan keluaran.
- \(m\) = jumlah neuron pada lapisan tersembunyi.
2.3 ANN untuk Klasifikasi
ANN untuk klasifikasi merupakan penerapan jaringan saraf tiruan yang digunakan untuk mengelompokkan observasi ke dalam kategori berdasarkan pola yang dipelajari dari data. Pada proses ini, input layer menerima variabel prediktor, sedangkan output layer menghasilkan informasi yang digunakan untuk menentukan kelas suatu observasi. Klasifikasi biner melibatkan dua kategori dan dapat menggunakan fungsi aktivasi sigmoid untuk menghasilkan probabilitas kelas, sedangkan klasifikasi multikelas dapat menggunakan fungsi softmax untuk menghasilkan probabilitas pada setiap kategori. Selama proses pelatihan, bobot jaringan disesuaikan untuk mengurangi kesalahan klasifikasi, kemudian hasil prediksi dibandingkan dengan kelas aktual pada data pengujian. Evaluasi ANN klasifikasi dapat dilakukan menggunakan confusion matrix serta ukuran accuracy dan precision untuk menilai ketepatan prediksi dan proporsi prediksi positif yang benar di antara seluruh prediksi positif yang dihasilkan model (Mustaqim et al., 2023). ANN klasifikasi digunakan untuk menentukan kelas observasi berdasarkan pola yang dipelajari dari variabel prediktor. Pada klasifikasi biner, fungsi sigmoid dapat digunakan untuk menghasilkan probabilitas kelas positif (Sinsomboonthong, 2022).
\[ \hat{p}_i=\frac{1}{1+e^{-z_i}} \]
dengan:
\[ z_i=\sum_{j=1}^{m}w_j a_{ij}+b \]
Probabilitas tersebut dapat diubah menjadi kelas prediksi menggunakan ambang batas tertentu. Sebagai contoh, apabila ambang batas yang digunakan adalah 0,5, aturan klasifikasinya adalah:
\[ \hat{y}_i= \begin{cases} 1, & \hat{p}_i\geq 0.5\\ 0, & \hat{p}_i<0.5 \end{cases} \]
Pada klasifikasi multikelas, fungsi softmax dapat digunakan untuk menghitung probabilitas setiap kelas.
\[ \hat{p}_{ik} = \frac{e^{z_{ik}}} {\sum_{j=1}^{K}e^{z_{ij}}} \]
Keterangan:
- \(\hat{p}_{ik}\) = probabilitas observasi ke-\(i\) termasuk kelas ke-\(k\).
- \(z_{ik}\) = skor keluaran jaringan untuk kelas ke-\(k\).
- \(K\) = jumlah kelas.
BAB III METODE PENELITIAN
3.1 Jenis dan Sumber Data
Jenis data pada penelitian ini adalah data numerik. Data numerik adalah jenis data yang terdiri dari angka dan dapat diukur atau dihitung secara kuantitatif. Data ini digunakan untuk merepresentasikan nilai atau ukuran tertentu dalam berbagai konteks, seperti sains, ekonomi, statistik, dan matematika. Data numerik sering digunakan untuk melakukan perhitungan, analisis, dan visualisasi data. Data berbentuk data tabular dan bersifat cross-sectional karena setiap baris merepresentasikan satu pasien atau satu observasi pada satu waktu pengamatan.
Dalam laporan ini sumber data yang digunakan adalah sumber data dalam wujud data sekunder, yaitu data yang telah dikumpulkan dan disusun oleh pihak lain di luar praktikan itu sendiri. Data pada praktikum ini yaitu dataset Breast Cancer (Wisconsin Breast Cancer Database) yang tersedia di R melalui paket mlbench.
3.2 Variabel Penelitian
Variabel adalah simbol, karakteristik, atau atribut yang dapat diukur atau diamati dalam sebuah penelitian atau eksperimen. Pada laporan ini terdapat 1 batasan masalah. Variabel respons dalam penelitian ini adalah Class, yang terdiri atas dua kategori, yaitu benign dan malignant. Variabel prediktor terdiri atas sembilan karakteristik sel, yaitu ketebalan gumpalan sel (Cl.thickness), keseragaman ukuran sel (Cell.size), keseragaman bentuk sel (Cell.shape), perlekatan marginal (Marg.adhesion), ukuran sel epitel tunggal (Epith.c.size), kondisi inti sel (Bare.nuclei), struktur kromatin (Bl.cromatin), bentuk nukleolus normal (Normal.nucleoli), dan mitosis (Mitoses). Variabel Id tidak digunakan dalam pemodelan karena hanya berfungsi sebagai identitas observasi. Data yang memiliki nilai hilang pada variabel Bare.nuclei dibersihkan sebelum digunakan dalam pembentukan model ANN.
3.3 Analisis Data
Langkah-langkah yang digunakan pada penelitian untuk batasan masalah adalah sebagai berikut:
- Memuat dataset BreastCancer dan paket yang diperlukan.
- Membersihkan data, menghapus Id, mengubah prediktor menjadi numerik, dan menghapus observasi yang memiliki nilai hilang (?).
- Membagi data dengan skenario 80% training-20% testing dan 60% training-40% testing.
- Membentuk ANN dengan hidden neuron 10, 20, dan 30 pada setiap skenario.
- Melakukan prediksi pada data testing dan menghitung confusion matrix serta metrik klasifikasi.
- Membuat visualisasi jaringan, bobot jaringan, dan variable importance.
- Membandingkan enam model dan menentukan model terbaik berdasarkan performa klasifikasi serta jumlah false negative.
BAB IV HASIL DAN PEMBAHASAN
4.1 Library dan Import Data
library(nnet)
library(NeuralNetTools)
library(mlbench)
# Import Data
data(BreastCancer)
bc <- BreastCancer
bc$Id <- NULL
# Ubah prediktor (factor ordinal 1-10) menjadi numerik
for (j in 1:9) bc[, j] <- as.numeric(as.character(bc[, j]))
# Hapus missing value (16 baris pada Bare.nuclei)
bc <- na.omit(bc)
bc$Class <- factor(bc$Class, levels = c("benign", "malignant"))
head(bc)## Cl.thickness Cell.size Cell.shape Marg.adhesion Epith.c.size Bare.nuclei
## 1 5 1 1 1 2 1
## 2 5 4 4 5 7 10
## 3 3 1 1 1 2 2
## 4 6 8 8 1 3 4
## 5 4 1 1 3 2 1
## 6 8 10 10 8 7 10
## Bl.cromatin Normal.nucleoli Mitoses Class
## 1 3 1 1 benign
## 2 3 2 1 benign
## 3 3 1 1 benign
## 4 3 7 1 benign
## 5 3 1 1 benign
## 6 9 7 1 malignantBerdasarkan sintaks yang telah dijalankan, paket nnet,
NeuralNetTools, dan mlbench dimuat untuk
mendukung analisis Artificial Neural Network (ANN). Dataset
BreastCancer diimpor, kemudian disimpan dalam objek
bc, sedangkan variabel Id dihapus karena tidak
digunakan sebagai prediktor. Selanjutnya, sembilan variabel prediktor
dikonversi dari tipe faktor atau ordinal menjadi numerik, kemudian baris
yang mengandung missing value dihapus menggunakan fungsi
na.omit(). Variabel respons Class diubah
menjadi faktor dengan dua kategori, yaitu benign dan
malignant. Berdasarkan output head(bc), enam
observasi pertama berhasil ditampilkan dengan enam baris dan sepuluh
kolom, yang terdiri atas sembilan variabel prediktor dan satu variabel
respons.
4.2 Statistika Deskriptif dan Distribusi Kelas
summary(bc)## Cl.thickness Cell.size Cell.shape Marg.adhesion
## Min. : 1.000 Min. : 1.000 Min. : 1.000 Min. : 1.00
## 1st Qu.: 2.000 1st Qu.: 1.000 1st Qu.: 1.000 1st Qu.: 1.00
## Median : 4.000 Median : 1.000 Median : 1.000 Median : 1.00
## Mean : 4.442 Mean : 3.151 Mean : 3.215 Mean : 2.83
## 3rd Qu.: 6.000 3rd Qu.: 5.000 3rd Qu.: 5.000 3rd Qu.: 4.00
## Max. :10.000 Max. :10.000 Max. :10.000 Max. :10.00
## Epith.c.size Bare.nuclei Bl.cromatin Normal.nucleoli
## Min. : 1.000 Min. : 1.000 Min. : 1.000 Min. : 1.00
## 1st Qu.: 2.000 1st Qu.: 1.000 1st Qu.: 2.000 1st Qu.: 1.00
## Median : 2.000 Median : 1.000 Median : 3.000 Median : 1.00
## Mean : 3.234 Mean : 3.545 Mean : 3.445 Mean : 2.87
## 3rd Qu.: 4.000 3rd Qu.: 6.000 3rd Qu.: 5.000 3rd Qu.: 4.00
## Max. :10.000 Max. :10.000 Max. :10.000 Max. :10.00
## Mitoses Class
## Min. : 1.000 benign :444
## 1st Qu.: 1.000 malignant:239
## Median : 1.000
## Mean : 1.603
## 3rd Qu.: 1.000
## Max. :10.000table(bc$Class)##
## benign malignant
## 444 239nrow(bc)## [1] 683# Formula model
i <- names(bc)
form <- as.formula(paste("Class ~", paste(i[!i %in% "Class"], collapse = " + ")))
form## Class ~ Cl.thickness + Cell.size + Cell.shape + Marg.adhesion +
## Epith.c.size + Bare.nuclei + Bl.cromatin + Normal.nucleoli +
## MitosesBerdasarkan output fungsi summary(bc), diperoleh
ringkasan statistik deskriptif dari sembilan variabel prediktor yang
meliputi nilai minimum, kuartil pertama, median, rata-rata, kuartil
ketiga, dan maksimum. Seluruh variabel prediktor memiliki nilai minimum
1 dan maksimum 10, dengan rata-rata yang bervariasi pada setiap
variabel. Hasil table(bc$Class) menunjukkan bahwa terdapat
444 observasi berkategori benign dan 239 observasi berkategori
malignant, sehingga total data yang dianalisis sebanyak 683
observasi berdasarkan output nrow(bc). Selanjutnya, sintaks
names(bc) dan as.formula() digunakan untuk
membentuk formula model ANN dengan Class sebagai variabel
respons serta sembilan variabel lainnya sebagai prediktor. Dengan
demikian, formula
Class ~ Cl.thickness + Cell.size + Cell.shape + Marg.adhesion + Epith.c.size + Bare.nuclei + Bl.cromatin + Normal.nucleoli + Mitoses
menunjukkan bahwa model ANN yang dibangun bertujuan mengklasifikasikan
data ke dalam kategori benign atau malignant
berdasarkan sembilan variabel prediktor.
4.3 Fungsi ANN Klasifikasi
jalankan_ann <- function(prop_train, size, seed = 917) {
set.seed(seed)
index <- sample(1:nrow(bc), round(prop_train * nrow(bc)))
train <- bc[index, ]
test <- bc[-index, ]
set.seed(seed)
nn <- nnet.formula(form, size = size, data = train,
maxit = 500, trace = FALSE, MaxNWts = 5000)
pred <- factor(predict(nn, newdata = test, type = "class"),
levels = levels(bc$Class))
tab <- table(Aktual = test$Class, Prediksi = pred)
TN <- tab["benign", "benign"]; FP <- tab["benign", "malignant"]
FN <- tab["malignant", "benign"]; TP <- tab["malignant", "malignant"]
hasil <- data.frame(
Train = paste0(prop_train * 100, "%"),
Test = paste0((1 - prop_train) * 100, "%"),
Hidden = size,
n_train = nrow(train), n_test = nrow(test),
Akurasi = (TP + TN) / sum(tab),
Sensitivitas = TP / (TP + FN),
Spesifisitas = TN / (TN + FP),
Presisi = TP / (TP + FP)
)
list(model = nn, tabel = tab, hasil = hasil)
}
# Fungsi untuk menampilkan seluruh output satu skenario
tampilkan_skenario <- function(out) {
cat("Tabel klasifikasi (confusion matrix):\n")
print(out$tabel)
cat("\nMetrik evaluasi:\n")
print(round(out$hasil[, 6:9], 4))
cat("\nJumlah bobot jaringan:", length(out$model$wts), "\n")
cat("\nBobot jaringan (9 bobot pertama pada hidden neuron 1):\n")
w <- neuralweights(out$model)$wts[[1]]
print(w[1:min(9, length(w))])
cat("\nKepentingan variabel (Olden):\n")
print(olden(out$model, bar_plot = FALSE))
}Berdasarkan sintaks yang dibuat, fungsi jalankan_ann()
digunakan untuk membangun model Artificial Neural Network (ANN)
klasifikasi dengan variasi proporsi data pelatihan dan jumlah neuron
pada lapisan tersembunyi (hidden layer). Data dibagi menjadi
data training dan testing secara acak menggunakan
sample(), sedangkan model dilatih menggunakan fungsi
nnet.formula() dengan maksimum 500 iterasi dan batas 5.000
bobot jaringan. Hasil prediksi dibandingkan dengan kelas aktual melalui
confusion matrix untuk menghitung nilai akurasi, sensitivitas,
spesifisitas, dan presisi. Fungsi tampilkan_skenario()
kemudian digunakan untuk menampilkan confusion matrix, metrik
evaluasi, jumlah bobot jaringan, sembilan bobot pertama pada neuron
tersembunyi pertama, serta kepentingan variabel berdasarkan metode
Olden. Dengan demikian, kedua fungsi tersebut mempermudah evaluasi dan
interpretasi model ANN untuk mengklasifikasikan data kanker payudara ke
dalam kategori benign dan malignant pada berbagai
skenario pemodelan.
4.10 Ringkasan Perbandingan Seluruh Skenario
semua <- list(out1, out2, out3, out4, out5, out6)
ringkasan <- do.call(rbind, lapply(semua, function(x) x$hasil))
ringkasan[, 6:9] <- round(ringkasan[, 6:9], 4)
ringkasan## Train Test Hidden n_train n_test Akurasi Sensitivitas Spesifisitas Presisi
## 1 80% 20% 10 546 137 0.9635 0.9545 0.9677 0.9333
## 2 60% 40% 10 410 273 0.9267 0.8391 0.9677 0.9241
## 3 80% 20% 20 546 137 0.9489 0.8864 0.9785 0.9512
## 4 60% 40% 20 410 273 0.9304 0.8621 0.9624 0.9146
## 5 80% 20% 30 546 137 0.9781 0.9545 0.9892 0.9767
## 6 60% 40% 30 410 273 0.9451 0.9425 0.9462 0.8913Berdasarkan hasil perbandingan enam skenario ANN, diperoleh bahwa Skenario 5 dengan proporsi data training 80%, testing 20%, dan 30 hidden neuron menghasilkan performa terbaik berdasarkan nilai akurasi sebesar 97,81%, sensitivitas 95,45%, spesifisitas 98,92%, dan presisi 97,67%. Skenario tersebut menggunakan 546 observasi untuk data training dan 137 observasi untuk data testing, sehingga menghasilkan ketepatan klasifikasi yang paling tinggi dibandingkan skenario lainnya. Sementara itu, Skenario 2 dengan proporsi training 60%, testing 40%, dan 10 hidden neuron menghasilkan akurasi terendah sebesar 92,67%, dengan sensitivitas 83,91%, spesifisitas 96,77%, dan presisi 92,41%. Perbandingan tersebut menunjukkan bahwa peningkatan jumlah hidden neuron tidak selalu menghasilkan peningkatan performa secara konsisten karena hasil klasifikasi juga dipengaruhi oleh pembagian data training dan testing. Dengan demikian, berdasarkan hasil evaluasi enam skenario, Skenario 5 dipilih sebagai model ANN terbaik karena memiliki nilai akurasi, sensitivitas, spesifisitas, dan presisi yang paling tinggi secara keseluruhan.
BAB V KESIMPULAN DAN SARAN
5.1 Kesimpulan
Artificial Neural Network (ANN) merupakan metode pembelajaran mesin yang meniru cara kerja jaringan saraf biologis untuk mempelajari pola hubungan antara variabel masukan dan keluaran. ANN dapat diterapkan untuk menyelesaikan permasalahan regresi dengan memprediksi nilai numerik kontinu serta klasifikasi dengan menentukan kategori suatu observasi. Implementasi ANN menggunakan bahasa pemrograman R dapat dilakukan melalui pembentukan arsitektur jaringan yang terdiri atas input layer, hidden layer, dan output layer. Proses pelatihan jaringan dilakukan dengan menyesuaikan bobot dan bias agar model mampu mempelajari pola data secara optimal. Oleh karena itu, pemahaman konsep ANN dan implementasinya diperlukan untuk membangun model prediksi dan klasifikasi sesuai dengan karakteristik permasalahan.
Evaluasi performa model ANN diperlukan untuk mengetahui kemampuan model dalam menghasilkan prediksi dan klasifikasi yang tepat. Pada kasus regresi, Mean Squared Error (MSE) digunakan untuk mengukur rata-rata kuadrat kesalahan prediksi, sedangkan Mean Absolute Percentage Error (MAPE) mengukur rata-rata persentase kesalahan absolut antara nilai aktual dan prediksi. Pada kasus klasifikasi, akurasi digunakan untuk mengukur proporsi seluruh observasi yang diklasifikasikan dengan benar, sedangkan presisi mengukur proporsi prediksi positif yang benar dari seluruh prediksi positif. Nilai MSE dan MAPE yang lebih kecil umumnya menunjukkan kesalahan prediksi yang lebih rendah, sedangkan nilai akurasi dan presisi yang lebih tinggi menunjukkan performa klasifikasi yang lebih baik sesuai dengan aspek yang diukur. Dengan demikian, penggunaan metrik evaluasi yang sesuai dengan tujuan pemodelan membantu mahasiswa menilai dan membandingkan kinerja ANN secara sistematis.
Berdasarkan hasil batasan masalah, dapat disimpulkan bahwa analisis
Artificial Neural Network (ANN) menggunakan bahasa pemrograman
R dapat dilakukan untuk mengklasifikasikan data kanker payudara ke dalam
kategori benign dan malignant berdasarkan sembilan
variabel prediktor. Data yang digunakan berjumlah 683 observasi setelah
dilakukan penanganan terhadap missing value, dengan 444
observasi berkategori benign dan 239 observasi berkategori
malignant. Pemodelan ANN dilakukan melalui enam skenario dengan
variasi proporsi data training sebesar 60% dan 80%, proporsi
data testing sebesar 40% dan 20%, serta jumlah hidden
neuron sebanyak 10, 20, dan 30 neuron. Berdasarkan hasil evaluasi,
Skenario 5 dengan proporsi training 80%, testing 20%,
dan 30 hidden neuron memberikan performa terbaik, dengan
akurasi 97,81%, sensitivitas 95,45%, spesifisitas 98,92%, dan presisi
97,67%; selain itu, metode Olden menunjukkan bahwa variabel
Marg.adhesion memiliki nilai kepentingan positif tertinggi
sebesar 641,316 pada skenario tersebut. Dengan demikian, ANN dapat
digunakan untuk klasifikasi data kanker payudara, dan berdasarkan enam
skenario yang dibandingkan, Skenario 5 merupakan model terbaik karena
menghasilkan nilai evaluasi klasifikasi tertinggi secara
keseluruhan.
5.2 Saran
Praktikan dapat melakukan pembelajaran lebih lanjut mengenai Machine Learning and modern prediction serta cara interpretasinya agar semakin paham. Dapat dilakukan melalui sumber-sumber belajar lainnya. Dalam penulisan laporan praktikan juga diharapkan untuk selalu teliti dan memperhatikan tata cara penulisan yang baik. Penulis juga berharap kritik dan saran kepada pembaca dan asisten praktikum guna membuat laporan ini menjadi lebih baik.
DAFTAR PUSTAKA
Aggarwal, C. C. (2023). Neural networks and deep learning: A textbook (2nd ed.). Springer. https://doi.org/10.1007/978-3-031-29642-0
Bishop, C. M., & Bishop, H. (2024). Deep learning: Foundations and concepts. Springer. https://doi.org/10.1007/978-3-031-45468-4
Chicco, D., Warrens, M. J., & Jurman, G. (2021). The coefficient of determination R-squared is more informative than SMAPE, MAE, MSE, and RMSE in regression analysis evaluation. PeerJ Computer Science, 7, Article e623. https://doi.org/10.7717/peerj-cs.623
Fransiska, H. (2026). Modul Praktikum Machine Learning. Universitas Bengkulu
Hwang, S.-Y., & Kim, J.-J. (2023). A universal activation function for deep learning. Computers, Materials & Continua, 75(2), 3553–3569. https://doi.org/10.32604/cmc.2023.037028
Madhiarasan, M., & Louzazni, M. (2022). Analysis of artificial neural network: Architecture, types, and forecasting applications. Journal of Electrical and Computer Engineering, 2022, Article 5416722. https://doi.org/10.1155/2022/5416722
Montesinos-López, O. A., Montesinos-López, A., & Crossa, J. (2022). Fundamentals of artificial neural networks and deep learning. Dalam Multivariate statistical machine learning methods for genomic prediction (hlm. 379–425). Springer. https://doi.org/10.1007/978-3-030-89010-0_10
Munkhdalai, L., Munkhdalai, T., Pham, V. H., Hong, J.-E., Ryu, K. H., & Theera-Umpon, N. (2022). Neural network-augmented locally adaptive linear regression model for tabular data. Sustainability, 14(22), Article 15273. https://doi.org/10.3390/su142215273
Mustaqim, A. Z., Fadil, N. A., & Tyas, D. A. (2023). Artificial neural network for classification task in tabular datasets and image processing: A systematic literature review. Jurnal Online Informatika, 8(2). https://doi.org/10.15575/join.v8i2.1002
Sinsomboonthong, S. (2022). Performance comparison of new adjusted min-max with decimal scaling and statistical column normalization methods for artificial neural network classification. International Journal of Mathematics and Mathematical Sciences, 2022, Article 3584406. https://doi.org/10.1155/2022/3584406