BAB I PENDAHULUAN

1.1 Latar Belakang

Artificial Neural Network (ANN) merupakan metode machine learning yang terinspirasi dari sistem kerja jaringan saraf manusia. ANN tersusun atas input layer, hidden layer, dan output layer yang saling terhubung melalui bobot. Setiap neuron mengolah masukan melalui bobot dan bias, kemudian menerapkan fungsi aktivasi untuk menghasilkan keluaran. Kemampuan ANN dalam mempelajari pola yang kompleks membuat metode ini dapat digunakan untuk permasalahan klasifikasi maupun regresi (Aggarwal, 2023).

Pada klasifikasi, ANN digunakan untuk memprediksi variabel respons berbentuk kategori. Proses pembelajaran dilakukan dengan memperbarui bobot jaringan melalui algoritma backpropagation agar kesalahan prediksi semakin kecil. Banyaknya neuron pada hidden layer merupakan salah satu pengaturan arsitektur yang dapat memengaruhi kemampuan model dalam mempelajari pola data. Oleh karena itu, jumlah hidden neuron perlu dibandingkan untuk mengetahui konfigurasi yang memberikan hasil klasifikasi lebih baik.

Praktikum ini menerapkan ANN klasifikasi pada dataset BreastCancer dari package mlbench di R. Jumlah hidden neuron yang digunakan adalah 10, 20, dan 30, sedangkan pembagian data dilakukan dengan dua skenario, yaitu 80% training dan 20% testing serta 60% training dan 40% testing. Kinerja setiap model dibandingkan menggunakan confusion matrix, Accuracy, Precision, Recall, Specificity, dan F1-score. Perbandingan tersebut digunakan untuk melihat pengaruh jumlah hidden neuron dan proporsi data training-testing terhadap hasil klasifikasi.

1.2 Rumusan Masalah

  1. Bagaimana penerapan Artificial Neural Network untuk klasifikasi pada dataset BreastCancer?
  2. Bagaimana perbandingan hasil klasifikasi ANN dengan hidden neuron 10, 20, dan 30 pada pembagian data training 80% dan testing 20%?
  3. Bagaimana perbandingan hasil klasifikasi ANN dengan hidden neuron 10, 20, dan 30 pada pembagian data training 60% dan testing 40%?
  4. Skenario dan jumlah hidden neuron manakah yang menghasilkan kinerja klasifikasi terbaik berdasarkan metrik evaluasi?

1.3 Tujuan

  1. Menerapkan metode ANN klasifikasi menggunakan bahasa pemrograman R.
  2. Membandingkan kinerja model dengan hidden neuron 10, 20, dan 30 pada skenario training 80% dan testing 20%.
  3. Membandingkan kinerja model dengan hidden neuron 10, 20, dan 30 pada skenario training 60% dan testing 40%.
  4. Menginterpretasikan confusion matrix dan metrik evaluasi untuk menentukan model dengan kinerja klasifikasi terbaik.

BAB II TINJAUAN PUSTAKA

2.1 Artificial Neural Network

Artificial Neural Network (ANN) merupakan metode komputasi yang meniru prinsip kerja jaringan saraf biologis melalui sejumlah neuron yang saling terhubung. Secara umum, jaringan ANN terdiri atas input layer, hidden layer, dan output layer. Input layer menerima variabel prediktor, hidden layer memproses informasi melalui bobot dan fungsi aktivasi, sedangkan output layer menghasilkan nilai prediksi. Kemampuan ANN dalam mempelajari pola hubungan yang kompleks menjadikannya salah satu metode yang dapat digunakan dalam berbagai permasalahan klasifikasi (Aggarwal, 2023).

Proses pembelajaran ANN dilakukan dengan menyesuaikan bobot jaringan berdasarkan kesalahan prediksi. Proses tersebut meliputi forward propagation, yaitu perhitungan keluaran jaringan dari data masukan, dan backpropagation, yaitu proses menghitung serta memperbarui bobot berdasarkan gradien kesalahan. Pembaruan bobot dilakukan secara berulang hingga model mencapai kondisi pembelajaran yang ditentukan. Uraian mengenai konsep dan praktik jaringan saraf modern juga dijelaskan oleh Martínez-Ramón, Ajith, dan Kurup (2024).

2.2 ANN untuk Klasifikasi dan Hidden Neuron

ANN klasifikasi digunakan untuk memprediksi keanggotaan suatu observasi ke dalam kelas tertentu berdasarkan variabel prediktor. Pada klasifikasi biner, model mempelajari pola untuk membedakan dua kategori, misalnya kelas benign dan malignant pada data kanker payudara. Penerapan ANN untuk klasifikasi kanker payudara telah dikaji oleh Rahman et al. (2021), yang menunjukkan bahwa pemilihan jumlah neuron pada hidden layer menjadi salah satu aspek penting dalam membangun model klasifikasi yang baik. Penelitian Han dan Yin (2022) juga menerapkan pendekatan berbasis artificial neural network untuk klasifikasi kanker payudara.

Hidden neuron merupakan jumlah neuron pada hidden layer yang berperan mempelajari pola hubungan antara variabel prediktor dan variabel target. Jumlah neuron dapat memengaruhi kemampuan model dalam mengenali pola data. Jumlah yang terlalu sedikit berpotensi membuat model kurang mampu menangkap pola, sedangkan jumlah yang terlalu banyak dapat meningkatkan kompleksitas model dan risiko overfitting. Rahman et al. (2021) membahas pemilihan jumlah neuron untuk memperoleh model ANN yang lebih robust. Peleshchak dan Koshtura (2024) juga menunjukkan bahwa jumlah neuron dan konfigurasi lapisan tersembunyi dapat memengaruhi ketepatan klasifikasi. Oleh karena itu, praktikum ini membandingkan hidden neuron sebanyak 10, 20, dan 30 pada dua skenario pembagian data.

2.3 Evaluasi Model Klasifikasi

Kinerja ANN klasifikasi dievaluasi dengan membandingkan kelas aktual dan kelas hasil prediksi menggunakan confusion matrix. Pada klasifikasi biner, confusion matrix terdiri atas True Positive (TP), True Negative (TN), False Positive (FP), dan False Negative (FN). Nilai-nilai tersebut digunakan untuk menghitung beberapa ukuran evaluasi, yaitu:

  1. Accuracy, yaitu proporsi seluruh observasi yang berhasil diklasifikasikan dengan benar.
  2. Precision, yaitu proporsi prediksi kelas positif yang benar-benar termasuk kelas positif.
  3. Recall atau Sensitivity, yaitu kemampuan model dalam mengenali seluruh observasi yang sebenarnya termasuk kelas positif.
  4. Specificity, yaitu kemampuan model dalam mengenali observasi yang sebenarnya termasuk kelas negatif.
  5. F1-score, yaitu rata-rata harmonis antara Precision dan Recall.

Rumus evaluasi yang digunakan adalah:

\[ Accuracy = \frac{TP+TN}{TP+TN+FP+FN} \]

\[ Precision = \frac{TP}{TP+FP} \qquad Recall = \frac{TP}{TP+FN} \]

\[ Specificity = \frac{TN}{TN+FP} \qquad F1 = 2\frac{Precision \times Recall}{Precision+Recall} \]

Penggunaan confusion matrix dan ukuran evaluasi tersebut membantu menilai kinerja model dari beberapa aspek, bukan hanya ketepatan klasifikasi secara keseluruhan. Studi Abdullah, Altun, dan Ahmed (2024) membandingkan ANN dan SVM untuk klasifikasi tumor payudara dengan memperhatikan accuracy, sensitivity, dan specificity. Penelitian Priyanta, Selvyana, dan Salsabila (2026) juga menggunakan accuracy, precision, recall, dan F1-score dalam mengevaluasi model klasifikasi kanker payudara. Dalam praktikum ini, kelas malignant ditetapkan sebagai kelas positif. Dengan demikian, Recall menunjukkan kemampuan model mengenali observasi malignant, sedangkan Specificity menunjukkan kemampuan model mengenali observasi benign.

BAB III METODE PENELITIAN

3.1 Sumber Data

Data yang digunakan adalah dataset BreastCancer dari package mlbench pada perangkat lunak R. Variabel Class digunakan sebagai variabel target yang memiliki dua kategori, yaitu benign dan malignant. Variabel selain Class digunakan sebagai prediktor. Kolom Id dihapus karena hanya berfungsi sebagai identitas observasi, sedangkan observasi yang memiliki nilai hilang dihapus sebelum pemodelan.

3.2 Rancangan Percobaan

Percobaan dilakukan menggunakan enam model ANN yang berasal dari kombinasi dua skenario pembagian data dan tiga jumlah hidden neuron. Pembagian data dilakukan menggunakan createDataPartition() agar proporsi kelas pada data training dan testing relatif terjaga.

Skenario Training Testing Hidden neuron
1 80% 20% 10, 20, 30
2 60% 40% 10, 20, 30

Seluruh model menggunakan data training dan testing yang sama pada masing-masing skenario. Standardisasi prediktor dilakukan berdasarkan nilai rata-rata dan simpangan baku data training, kemudian parameter yang sama diterapkan pada data testing untuk menghindari kebocoran informasi. Random seed ditetapkan sebesar 234 agar pembagian data dapat direproduksi.

3.3 Langkah-Langkah Analisis

  1. Memanggil package yang diperlukan dan memuat dataset BreastCancer.
  2. Menghapus variabel identitas dan menangani nilai hilang.
  3. Mengubah variabel prediktor menjadi numerik dan melakukan standardisasi berdasarkan data training.
  4. Membagi data menjadi training 80% dan testing 20%, serta training 60% dan testing 40%.
  5. Membentuk model ANN dengan hidden neuron 10, 20, dan 30 pada setiap skenario.
  6. Melakukan prediksi kelas pada data testing.
  7. Menyusun confusion matrix dan menghitung Accuracy, Precision, Recall, Specificity, serta F1-score.
  8. Membandingkan seluruh model dan menginterpretasikan hasil evaluasi serta arsitektur jaringan.

BAB IV HASIL DAN PEMBAHASAN

4.1 Memuat Package dan Dataset

Ringkasan Dataset BreastCancer
Keterangan Nilai
Jumlah observasi setelah pembersihan 683
Jumlah variabel prediktor 9
Jumlah kelas target 2
Jumlah nilai hilang 0
Distribusi Kelas Dataset BreastCancer
Kelas Jumlah
benign 444
malignant 239

Berdasarkan hasil pemuatan dataset BreastCancer, diperoleh sebanyak 683 observasi dengan 9 variabel prediktor dan 1 variabel target yang terdiri atas dua kelas, yaitu benign dan malignant. Dataset tidak memiliki nilai hilang setelah proses pembersihan data. Distribusi kelas menunjukkan bahwa terdapat 444 observasi pada kelas benign dan 239 observasi pada kelas malignant. Hal ini menunjukkan bahwa jumlah data pada kedua kelas belum seimbang, karena kelas benign memiliki jumlah observasi lebih banyak dibandingkan kelas malignant. Dataset tersebut selanjutnya digunakan untuk membangun model Artificial Neural Network (ANN) dalam mengklasifikasikan jenis tumor berdasarkan karakteristik sel yang tersedia.

4.2 Pembagian Data Training dan Testing

Jumlah Observasi pada Setiap Skenario
Skenario Data Jumlah
Training 80% - Testing 20% Training 548
Training 80% - Testing 20% Testing 135
Training 60% - Testing 40% Training 411
Training 60% - Testing 40% Testing 272
Distribusi Kelas pada Training dan Testing
Skenario Bagian Kelas Jumlah
80:20 Training benign 356
80:20 Training malignant 192
80:20 Testing benign 88
80:20 Testing malignant 47
60:40 Training benign 267
60:40 Training malignant 144
60:40 Testing benign 177
60:40 Testing malignant 95

Pembagian data dilakukan menggunakan dua skenario, yaitu 80% data training dan 20% data testing serta 60% data training dan 40% data testing. Pada skenario pertama, sebanyak 548 observasi digunakan sebagai data training dan 135 observasi sebagai data testing. Sementara itu, pada skenario kedua, sebanyak 411 observasi digunakan sebagai data training dan 272 observasi sebagai data testing. Pembagian ini bertujuan untuk mengetahui pengaruh proporsi data training dan testing terhadap kemampuan model ANN dalam melakukan klasifikasi.

Berdasarkan distribusi kelas, kedua skenario tetap mempertahankan proporsi kelas benign dan malignant pada data training maupun testing. Pada skenario 80:20, data testing terdiri atas 88 observasi benign dan 47 observasi malignant. Sementara itu, pada skenario 60:40, data testing terdiri atas 177 observasi benign dan 95 observasi malignant. Dengan demikian, pembagian data memungkinkan evaluasi model dilakukan pada data yang tidak digunakan selama proses pelatihan.

4.3 Standardisasi dan Pembentukan Model ANN

Hasil Evaluasi Enam Model ANN
Model Skenario Hidden_Neuron Accuracy Precision Recall Specificity F1_Score
Train8020_Hidden10 80:20 10 0.9630 0.9773 0.9149 0.9886 0.9451
Train8020_Hidden20 80:20 20 0.9778 1.0000 0.9362 1.0000 0.9670
Train8020_Hidden30 80:20 30 0.9852 1.0000 0.9574 1.0000 0.9783
Train6040_Hidden10 60:40 10 0.9706 0.9485 0.9684 0.9718 0.9583
Train6040_Hidden20 60:40 20 0.9596 0.9286 0.9579 0.9605 0.9430
Train6040_Hidden30 60:40 30 0.9743 0.9490 0.9789 0.9718 0.9637

Berdasarkan hasil evaluasi enam model ANN, diperoleh bahwa jumlah hidden neuron dan proporsi pembagian data memberikan hasil klasifikasi yang berbeda. Pada skenario 80:20, peningkatan jumlah hidden neuron dari 10 menjadi 30 diikuti oleh peningkatan nilai Accuracy dari 0,9630 menjadi 0,9852 dan F1-score dari 0,9451 menjadi 0,9783. Sementara itu, pada skenario 60:40, model dengan 30 hidden neuron menghasilkan Accuracy sebesar 0,9743 dan F1-score sebesar 0,9637. Hasil tersebut menunjukkan bahwa model dengan 30 hidden neuron memberikan kinerja terbaik pada masing-masing skenario berdasarkan nilai F1-score.

Standardisasi dilakukan dengan menggunakan nilai rata-rata dan simpangan baku dari data training agar skala antarvariabel prediktor menjadi lebih seragam. Selanjutnya, model ANN dibentuk menggunakan variasi jumlah hidden neuron, yaitu 10, 20, dan 30. Penggunaan variasi tersebut bertujuan untuk mengetahui konfigurasi jaringan yang memberikan hasil klasifikasi paling baik. Hasil evaluasi menunjukkan bahwa model dengan jumlah hidden neuron lebih banyak tidak selalu menghasilkan kinerja yang lebih baik pada setiap skenario pembagian data.

4.4 Hasil ANN pada Training 80% dan Testing 20%

Model Train8020_Hidden10

Confusion Matrix Train8020_Hidden10
benign malignant
benign 87 1
malignant 4 43
Metrik Evaluasi Train8020_Hidden10
Model Skenario Hidden_Neuron Accuracy Precision Recall Specificity F1_Score
Train8020_Hidden10 80:20 10 0.963 0.9773 0.9149 0.9886 0.9451

Berdasarkan confusion matrix, model Train8020_Hidden10 mengklasifikasikan dengan benar sebanyak 130 dari 135 observasi testing. Accuracy sebesar 0.9630, Precision sebesar 0.9773, Recall sebesar 0.9149, Specificity sebesar 0.9886, dan F1-score sebesar 0.9451. Specificity lebih tinggi daripada Recall, sehingga model relatif lebih baik dalam mengenali kelas benign.

Model Train8020_Hidden20

Confusion Matrix Train8020_Hidden20
benign malignant
benign 88 0
malignant 3 44
Metrik Evaluasi Train8020_Hidden20
Model Skenario Hidden_Neuron Accuracy Precision Recall Specificity F1_Score
Train8020_Hidden20 80:20 20 0.9778 1 0.9362 1 0.967

Berdasarkan confusion matrix, model Train8020_Hidden20 mengklasifikasikan dengan benar sebanyak 132 dari 135 observasi testing. Accuracy sebesar 0.9778, Precision sebesar 1.0000, Recall sebesar 0.9362, Specificity sebesar 1.0000, dan F1-score sebesar 0.9670. Specificity lebih tinggi daripada Recall, sehingga model relatif lebih baik dalam mengenali kelas benign.

Model Train8020_Hidden30

Confusion Matrix Train8020_Hidden30
benign malignant
benign 88 0
malignant 2 45
Metrik Evaluasi Train8020_Hidden30
Model Skenario Hidden_Neuron Accuracy Precision Recall Specificity F1_Score
Train8020_Hidden30 80:20 30 0.9852 1 0.9574 1 0.9783

Berdasarkan confusion matrix, model Train8020_Hidden30 mengklasifikasikan dengan benar sebanyak 133 dari 135 observasi testing. Accuracy sebesar 0.9852, Precision sebesar 1.0000, Recall sebesar 0.9574, Specificity sebesar 1.0000, dan F1-score sebesar 0.9783. Specificity lebih tinggi daripada Recall, sehingga model relatif lebih baik dalam mengenali kelas benign.

4.5 Hasil ANN pada Training 60% dan Testing 40%

Model Train6040_Hidden10

Confusion Matrix Train6040_Hidden10
benign malignant
benign 172 5
malignant 3 92
Metrik Evaluasi Train6040_Hidden10
Model Skenario Hidden_Neuron Accuracy Precision Recall Specificity F1_Score
Train6040_Hidden10 60:40 10 0.9706 0.9485 0.9684 0.9718 0.9583

Berdasarkan confusion matrix, model Train6040_Hidden10 mengklasifikasikan dengan benar sebanyak 264 dari 272 observasi testing. Accuracy sebesar 0.9706, Precision sebesar 0.9485, Recall sebesar 0.9684, Specificity sebesar 0.9718, dan F1-score sebesar 0.9583. Specificity lebih tinggi daripada Recall, sehingga model relatif lebih baik dalam mengenali kelas benign.

Model Train6040_Hidden20

Confusion Matrix Train6040_Hidden20
benign malignant
benign 170 7
malignant 4 91
Metrik Evaluasi Train6040_Hidden20
Model Skenario Hidden_Neuron Accuracy Precision Recall Specificity F1_Score
Train6040_Hidden20 60:40 20 0.9596 0.9286 0.9579 0.9605 0.943

Berdasarkan confusion matrix, model Train6040_Hidden20 mengklasifikasikan dengan benar sebanyak 261 dari 272 observasi testing. Accuracy sebesar 0.9596, Precision sebesar 0.9286, Recall sebesar 0.9579, Specificity sebesar 0.9605, dan F1-score sebesar 0.9430. Specificity lebih tinggi daripada Recall, sehingga model relatif lebih baik dalam mengenali kelas benign.

Model Train6040_Hidden30

Confusion Matrix Train6040_Hidden30
benign malignant
benign 172 5
malignant 2 93
Metrik Evaluasi Train6040_Hidden30
Model Skenario Hidden_Neuron Accuracy Precision Recall Specificity F1_Score
Train6040_Hidden30 60:40 30 0.9743 0.949 0.9789 0.9718 0.9637

Berdasarkan confusion matrix, model Train6040_Hidden30 mengklasifikasikan dengan benar sebanyak 265 dari 272 observasi testing. Accuracy sebesar 0.9743, Precision sebesar 0.9490, Recall sebesar 0.9789, Specificity sebesar 0.9718, dan F1-score sebesar 0.9637. Recall lebih tinggi atau sama dengan Specificity, sehingga model relatif lebih baik dalam mengenali kelas malignant.

4.6 Perbandingan Seluruh Model

Perbandingan Kinerja Enam Model ANN
Model Skenario Hidden_Neuron Accuracy Precision Recall Specificity F1_Score
Train8020_Hidden10 80:20 10 0.9630 0.9773 0.9149 0.9886 0.9451
Train8020_Hidden20 80:20 20 0.9778 1.0000 0.9362 1.0000 0.9670
Train8020_Hidden30 80:20 30 0.9852 1.0000 0.9574 1.0000 0.9783
Train6040_Hidden10 60:40 10 0.9706 0.9485 0.9684 0.9718 0.9583
Train6040_Hidden20 60:40 20 0.9596 0.9286 0.9579 0.9605 0.9430
Train6040_Hidden30 60:40 30 0.9743 0.9490 0.9789 0.9718 0.9637

Berdasarkan tabel dan grafik perbandingan enam model ANN, terlihat bahwa setiap konfigurasi menghasilkan kinerja klasifikasi yang berbeda. Pada skenario 80:20, model dengan 30 hidden neuron memperoleh nilai Accuracy sebesar 0,9852 dan F1-score sebesar 0,9783, yang merupakan nilai tertinggi dibandingkan model lainnya. Sementara itu, pada skenario 60:40, model dengan 30 hidden neuron memperoleh Accuracy sebesar 0,9743 dan F1-score sebesar 0,9637. Hasil tersebut menunjukkan bahwa konfigurasi 30 hidden neuron memberikan hasil yang lebih baik dibandingkan konfigurasi lainnya berdasarkan nilai Accuracy dan F1-score pada kedua skenario.

Perbandingan grafik juga menunjukkan bahwa model dengan 30 hidden neuron pada skenario 80:20 memiliki nilai Precision dan Specificity sebesar 1,0000, sedangkan model dengan 30 hidden neuron pada skenario 60:40 memiliki nilai Recall tertinggi sebesar 0,9789. Hal ini menunjukkan adanya perbedaan kemampuan model dalam mengenali masing-masing kelas. Secara keseluruhan, skenario 80:20 dengan 30 hidden neuron memberikan keseimbangan kinerja terbaik berdasarkan F1-score, sedangkan skenario 60:40 dengan 30 hidden neuron lebih unggul dalam mengenali kelas malignant berdasarkan nilai Recall..

4.7 Menentukan Model Terbaik

Peringkat Model ANN Berdasarkan F1-score, Recall, dan Accuracy
Model Skenario Hidden_Neuron Accuracy Precision Recall Specificity F1_Score
Train8020_Hidden30 80:20 30 0.9852 1.0000 0.9574 1.0000 0.9783
Train8020_Hidden20 80:20 20 0.9778 1.0000 0.9362 1.0000 0.9670
Train6040_Hidden30 60:40 30 0.9743 0.9490 0.9789 0.9718 0.9637
Train6040_Hidden10 60:40 10 0.9706 0.9485 0.9684 0.9718 0.9583
Train8020_Hidden10 80:20 10 0.9630 0.9773 0.9149 0.9886 0.9451
Train6040_Hidden20 60:40 20 0.9596 0.9286 0.9579 0.9605 0.9430 
## 
## Berdasarkan urutan F1-score, Recall, dan Accuracy, model dengan hasil terbaik adalah Train8020_Hidden30 pada skenario training-testing 80:20 dengan 30 hidden neuron. Model tersebut memperoleh Accuracy sebesar 0.9852, Precision sebesar 1.0000, Recall sebesar 0.9574, Specificity sebesar 1.0000, dan F1-score sebesar 0.9783. Pemilihan ini mengutamakan keseimbangan Precision dan Recall melalui F1-score, kemudian mempertimbangkan Recall dan Accuracy sebagai kriteria berikutnya.

Berdasarkan hasil pemeringkatan menggunakan F1-score, Recall, dan Accuracy, model terbaik adalah ANN dengan skenario pembagian data 80:20 dan 30 hidden neuron, yaitu Train8020_Hidden30. Model tersebut memperoleh Accuracy sebesar 0,9852, Precision sebesar 1,0000, Recall sebesar 0,9574, Specificity sebesar 1,0000, dan F1-score sebesar 0,9783. Nilai F1-score tertinggi menunjukkan bahwa model memiliki keseimbangan yang sangat baik antara Precision dan Recall dalam melakukan klasifikasi. Selain itu, nilai Accuracy yang tinggi menunjukkan bahwa model mampu mengklasifikasikan sebagian besar observasi dengan benar.

Pemilihan model terbaik didasarkan pada urutan F1-score, Recall, dan Accuracy. F1-score digunakan sebagai kriteria utama karena mempertimbangkan keseimbangan antara Precision dan Recall, khususnya ketika jumlah observasi pada setiap kelas berbeda. Berdasarkan hasil tersebut, model Train8020_Hidden30 menjadi konfigurasi yang paling optimal di antara enam model yang diuji. Meskipun demikian, nilai Recall sebesar 0,9574 tetap menunjukkan bahwa masih terdapat sebagian kecil observasi malignant yang belum berhasil dikenali oleh model.

4.8 Eksplorasi Jaringan ANN

## $struct
## [1]  9 30  1
## 
## $wts
## $wts$`hidden 1 1`
##  [1]  0.5603902  3.0139384 -1.1781183  0.6790505  0.8887325 -1.0120227
##  [7] -2.3560731 -1.4506238 -1.0413390 -0.7297169
## 
## $wts$`hidden 1 2`
##  [1] -0.06446015  0.24620484 -1.13779277 -0.98766649  0.97195005 -1.90401168
##  [7]  1.98008789  0.67469395  3.17151330  2.28667444
## 
## $wts$`hidden 1 3`
##  [1] -0.21783567  0.25806626 -0.04753869  0.27311036  0.08234109  0.16210636
##  [7]  0.11085721  0.47562862  0.41072119  0.05788880
## 
## $wts$`hidden 1 4`
##  [1] -1.5266791  2.1798846  0.8511024 -0.1507267 -0.6157715  0.5960058
##  [7]  0.9331737 -2.9409187  2.5847380 -0.6531668
## 
## $wts$`hidden 1 5`
##  [1]  0.165785850 -0.205918413 -0.006591339 -0.257091238 -0.062306899
##  [6] -0.176384799 -0.124882183 -0.380532476 -0.362168878 -0.025941568
## 
## $wts$`hidden 1 6`
##  [1] -0.7802849  0.2774071 -1.6786732  0.3450782 -0.7561680  1.5467701
##  [7] -3.4692071  1.4476177  2.3787479 -1.0966196
## 
## $wts$`hidden 1 7`
##  [1]  0.165856560 -0.206206788 -0.006085045 -0.257210240 -0.062518953
##  [6] -0.176136248 -0.124808159 -0.381564474 -0.362648250 -0.026176321
## 
## $wts$`hidden 1 8`
##  [1]  0.165153318 -0.205869994 -0.006644408 -0.256831137 -0.062223567
##  [6] -0.176138019 -0.125017337 -0.380612143 -0.362070022 -0.025879201
## 
## $wts$`hidden 1 9`
##  [1]  0.165667373 -0.205869101 -0.006666122 -0.257068600 -0.062267948
##  [6] -0.176414133 -0.124913989 -0.380457252 -0.362120506 -0.025895136
## 
## $wts$`hidden 1 10`
##  [1]  0.16515455 -0.20750053 -0.00564896 -0.25700741 -0.06279814 -0.17495110
##  [7] -0.12473138 -0.38197712 -0.36253533 -0.02621188
## 
## $wts$`hidden 1 11`
##  [1]  0.4609859 -0.1680401 -1.5937523 -0.8037553 -2.3023576 -1.6226293
##  [7]  1.0689250  0.5544688 -1.0519061 -1.1400563
## 
## $wts$`hidden 1 12`
##  [1] -1.6212961 -0.5752116  0.6727350  0.7921062  0.7727792  1.5648643
##  [7] -2.1136696 -0.7887104  1.1033012  2.7225063
## 
## $wts$`hidden 1 13`
##  [1]  0.165424124 -0.206207496 -0.006425802 -0.256989314 -0.062531137
##  [6] -0.176193460 -0.125001029 -0.381330404 -0.362274006 -0.026253801
## 
## $wts$`hidden 1 14`
##  [1]  0.166368026 -0.205579331 -0.006045517 -0.257016464 -0.062302447
##  [6] -0.176992256 -0.124298198 -0.381197276 -0.362320670 -0.026178625
## 
## $wts$`hidden 1 15`
##  [1]  0.165156779 -0.207312310 -0.005621613 -0.257308327 -0.062708428
##  [6] -0.175550137 -0.124645688 -0.382307237 -0.362949763 -0.026763789
## 
## $wts$`hidden 1 16`
##  [1]  0.165854505 -0.205876730 -0.006581395 -0.257028957 -0.062268137
##  [6] -0.176380742 -0.124748055 -0.380479688 -0.362091804 -0.025902006
## 
## $wts$`hidden 1 17`
##  [1]  0.164306526 -0.206738941 -0.006151856 -0.257189574 -0.062294135
##  [6] -0.175426691 -0.125623636 -0.381255001 -0.362337978 -0.026130497
## 
## $wts$`hidden 1 18`
##  [1] -0.21667638  0.25741592 -0.04679246  0.27294721  0.08212786  0.16213866
##  [7]  0.11111111  0.47511391  0.41015617  0.05745176
## 
## $wts$`hidden 1 19`
##  [1] -1.0015843 -0.5902252 -1.0916065 -0.7107383  0.2570170 -0.5901541
##  [7] -1.7685781 -0.3048282 -1.0641765 -0.2894253
## 
## $wts$`hidden 1 20`
##  [1] -1.1213351  0.2282609 -2.8835545 -2.2117515  1.8445604  0.5659305
##  [7]  0.3275284  1.8043803 -0.6713831  1.2409443
## 
## $wts$`hidden 1 21`
##  [1] -1.6315864 -1.0500400 -1.4587022  0.2924474 -0.9919920 -2.7212290
##  [7]  2.5517780  1.4984779 -0.6067943 -2.7312134
## 
## $wts$`hidden 1 22`
##  [1] -1.0075935 -0.5898564 -1.0979980 -0.7113952  0.2595648 -0.5942040
##  [7] -1.7803089 -0.3068952 -1.0714570 -0.2916944
## 
## $wts$`hidden 1 23`
##  [1]  1.3845852  1.4621222  0.1134484 -0.7501977 -3.1800123  0.7685446
##  [7]  1.4375371  0.4438232 -0.5192339  0.5589897
## 
## $wts$`hidden 1 24`
##  [1] -1.8489210  0.6289774  1.9584253  0.3326509  0.1405198  1.3734861
##  [7]  1.6964101  0.2631589 -1.9729798 -0.7085858
## 
## $wts$`hidden 1 25`
##  [1] -2.1151464  1.6609364 -0.9979464 -0.7409230 -2.7930217  3.1722099
##  [7] -0.2585266 -0.2117361 -0.2127722  1.8655379
## 
## $wts$`hidden 1 26`
##  [1]  0.1257534 -2.8857115 -0.1020874  0.1271416 -0.2979397  1.2497913
##  [7]  1.8193542 -1.8298085 -0.5496318 -0.4914061
## 
## $wts$`hidden 1 27`
##  [1]  0.9078270  1.2383297 -0.4432518 -0.4363142  1.6491951  0.4031745
##  [7]  1.4543904  1.3870069  0.4253239  0.7230481
## 
## $wts$`hidden 1 28`
##  [1]  0.165336764 -0.206365959 -0.006437868 -0.257061887 -0.062430244
##  [6] -0.176120287 -0.124979714 -0.381403216 -0.362234046 -0.026199065
## 
## $wts$`hidden 1 29`
##  [1]  0.165619344 -0.205888137 -0.006618547 -0.257054247 -0.062274212
##  [6] -0.176363573 -0.124915585 -0.380518634 -0.362152620 -0.025910388
## 
## $wts$`hidden 1 30`
##  [1] -0.21676197  0.25904213 -0.04746543  0.27304402  0.08250850  0.16097234
##  [7]  0.11051579  0.47556655  0.41017190  0.05747675
## 
## $wts$`out 1`
##  [1]  0.1674287  4.1454601  5.3002766  1.1836822 -4.4048480 -0.9348565
##  [7] -4.8570680 -0.9365510 -0.9348891 -0.9347660 -0.9350751  3.3961006
## [13]  4.2971354 -0.9355779 -0.9351646 -0.9363797 -0.9345687 -0.9351208
## [19]  1.1830486 -2.6471647 -4.7167199  5.0245086 -2.6653240 -3.8854897
## [25]  3.9105203  5.9268191 -3.8409332  3.1560433 -0.9355481 -0.9348734
## [31]  1.1828706

Berdasarkan visualisasi struktur jaringan ANN, model terbaik terdiri atas sembilan variabel input, 30 neuron pada lapisan tersembunyi (hidden layer), dan satu variabel output, yaitu Class. Jaringan tersebut juga memiliki node bias yang membantu proses pembentukan model. Setiap variabel input terhubung dengan neuron pada lapisan tersembunyi, kemudian diteruskan menuju lapisan output untuk menghasilkan klasifikasi kelas benign atau malignant. Banyaknya hubungan antarneuron menunjukkan bahwa ANN mampu mempelajari pola hubungan yang kompleks antara variabel prediktor dan variabel target.

Berdasarkan grafik variable importance menggunakan metode Olden, variabel Bare.nuclei memiliki nilai kepentingan paling tinggi, diikuti oleh Cl.thickness, Bl.cromatin, Mitoses, dan Cell.shape. Hal ini menunjukkan bahwa variabel-variabel tersebut memberikan kontribusi relatif lebih besar terhadap hasil prediksi model ANN. Sementara itu, variabel Epith.size, Normal.nucleoli, dan Marg.adhesion memiliki nilai kepentingan yang relatif lebih rendah atau negatif. Nilai negatif pada grafik menunjukkan arah kontribusi berdasarkan bobot jaringan, bukan berarti variabel tersebut tidak memiliki pengaruh. Dengan demikian, hasil eksplorasi menunjukkan bahwa Bare.nuclei merupakan variabel yang memiliki kontribusi relatif paling besar dalam proses klasifikasi tumor pada model ANN yang digunakan.

BAB V PENUTUP

5.1 Kesimpulan

Berdasarkan hasil analisis dan pembahasan, dapat disimpulkan bahwa metode Artificial Neural Network (ANN) mampu melakukan klasifikasi tumor ke dalam dua kategori, yaitu benign dan malignant, menggunakan sembilan variabel prediktor pada dataset BreastCancer. Pembentukan model dilakukan dengan dua skenario pembagian data, yaitu 80:20 dan 60:40, serta tiga variasi jumlah hidden neuron, yaitu 10, 20, dan 30. Hasil pengujian menunjukkan bahwa perbedaan proporsi data training dan testing serta jumlah hidden neuron menghasilkan kinerja klasifikasi yang berbeda. Dari enam model yang dibangun, model dengan skenario pembagian data 80:20 dan 30 hidden neuron menghasilkan kinerja terbaik dengan Accuracy sebesar 0,9852, Precision sebesar 1,0000, Recall sebesar 0,9574, Specificity sebesar 1,0000, dan F1-score sebesar 0,9783. Hasil tersebut menunjukkan bahwa model mampu mengklasifikasikan sebagian besar observasi dengan tepat serta memiliki keseimbangan yang baik antara Precision dan Recall. Selain itu, hasil eksplorasi jaringan ANN menggunakan metode Olden menunjukkan bahwa variabel Bare.nuclei memiliki kontribusi relatif paling tinggi terhadap hasil klasifikasi, diikuti oleh Cl.thickness, Bl.cromatin, Mitoses, dan Cell.shape. Dengan demikian, konfigurasi ANN dengan 30 hidden neuron pada skenario 80:20 merupakan model terbaik di antara enam model yang dibandingkan dalam penelitian ini. Markdown dijalankan.

5.2 Saran

Penelitian selanjutnya dapat melakukan pengulangan pembagian data atau validasi silang agar kestabilan kinerja ANN dapat dievaluasi. Selain itu, jumlah hidden neuron dan parameter pembelajaran lainnya dapat diuji dengan rentang yang lebih luas. Pada data dengan dua kelas yang jumlahnya berbeda, evaluasi sebaiknya tidak hanya berfokus pada Accuracy, tetapi juga memperhatikan Recall, Specificity, Precision, dan F1-score.

DAFTAR PUSTAKA

Abdullah, M. O., Altun, Y., & Ahmed, R. M. (2024). Leveraging artificial neural networks and support vector machines for accurate classification of breast tumors in ultrasound images. Cureus, 16(11), e73067. https://doi.org/10.7759/cureus.73067

Aggarwal, C. C. (2023). Neural networks and deep learning: A textbook (2nd ed.). Springer. https://doi.org/10.1007/978-3-031-29642-0

Han, L., & Yin, Z. (2022). A hybrid breast cancer classification algorithm based on meta-learning and artificial neural networks. Frontiers in Oncology, 12, 1042964. https://doi.org/10.3389/fonc.2022.1042964

Martínez-Ramón, M., Ajith, M., & Kurup, A. R. (2024). Deep learning: A practical introduction. Wiley. https://doi.org/10.1002/9781119861898

Peleshchak, I., & Koshtura, D. (2024). Evaluation of classification accuracy using feedforward neural network for dynamic objects. Scientific Journal of Information Systems and Networks, 15, 260–272. https://doi.org/10.23939/sisn2024.15.260

Priyanta, S., Selvyana, D. R., & Salsabila, A. (2026). Optimizing early breast cancer classification using hybrid SVM-ANN with Ridge embedded feature selection. Scientific Journal of Informatics, 13(1), 1–14. https://doi.org/10.15294/sji.v13i1.36676

Rahman, M. A., Muniyandi, R. C., Albashish, D., Rahman, M. M., & Usman, O. L. (2021). Artificial neural network with Taguchi method for robust classification model to improve classification accuracy of breast cancer. PeerJ Computer Science, 7, e344. https://doi.org/10.7717/peerj-cs.344