LAPORAN PRAKTIKUM VI
Rahfikka Sahara
2026-10-31
BAB I PENDAHULUAN
Perkembangan teknologi informasi mendorong penggunaan metode pembelajaran mesin untuk menganalisis data dan menghasilkan prediksi. Salah satu metode yang dapat digunakan adalah Artificial Neural Network (ANN). ANN merupakan metode komputasi yang terinspirasi dari sistem jaringan saraf manusia dan mampu mempelajari pola hubungan antara variabel melalui proses pembelajaran. Metode ini dapat diterapkan pada permasalahan regresi maupun klasifikasi dengan menyesuaikan bentuk variabel respons yang digunakan (Aggarwal, 2023).
ANN regresi digunakan untuk memprediksi variabel respons berbentuk numerik berdasarkan sejumlah variabel prediktor. Model ini memiliki beberapa komponen, yaitu input layer, hidden layer, dan output layer. Hidden layer berperan dalam mempelajari pola hubungan antara variabel input dan output, termasuk hubungan yang bersifat nonlinier. Jumlah neuron pada hidden layer dapat memengaruhi kemampuan model dalam mempelajari pola data (Nguyen dan Mücke, 2024).
Pada praktikum ini dilakukan pemodelan ANN regresi menggunakan dataset BreastCancer dari paket mlbench. Variabel Bare.nuclei digunakan sebagai variabel respons, sedangkan variabel lainnya digunakan sebagai prediktor. Pemodelan dilakukan dengan membandingkan jumlah hidden neuron sebanyak 10, 20, dan 30 serta jumlah iterasi (maxit) sebanyak 250 dan 500. Perbandingan tersebut dilakukan untuk mengetahui konfigurasi model yang memberikan hasil prediksi terbaik berdasarkan ukuran kesalahan prediksi.
1.2 Rumusan Masalah
- Bagaimana penerapan Artificial Neural Network untuk regresi menggunakan data BreastCancer?
- Bagaimana hasil ANN regresi dengan jumlah hidden neuron 10, 20, dan 30?
- Bagaimana perbandingan hasil model dengan maxit 250 dan 500?
- Konfigurasi model manakah yang menghasilkan tingkat kesalahan prediksi paling kecil?
1.3 Tujuan Praktikum
- Memahami penerapan Artificial Neural Network untuk regresi.
- Membentuk model ANN dengan jumlah hidden neuron 10, 20, dan 30.
- Membandingkan model ANN dengan maxit 250 dan 500.
- Mengevaluasi performa model menggunakan MSE, RMSE, dan MAE.
- Menentukan konfigurasi model ANN dengan performa prediksi terbaik.
BAB II. LANDASAN TEORI
2.1 Artificial Neural Network
Artificial Neural Network (ANN) merupakan metode pembelajaran mesin yang meniru prinsip kerja jaringan saraf manusia. ANN terdiri atas sejumlah neuron yang saling terhubung melalui bobot. Setiap neuron menerima masukan, mengolahnya melalui kombinasi bobot dan bias, kemudian menghasilkan keluaran berdasarkan fungsi aktivasi yang digunakan (Aggarwal, 2023).
ANN dapat digunakan untuk mempelajari pola hubungan yang kompleks antara variabel prediktor dan variabel respons. Kemampuan tersebut membuat ANN dapat diterapkan pada berbagai permasalahan prediksi, termasuk regresi.
2.2 Arsitektur Artificial Neural Network
Arsitektur ANN secara umum terdiri atas tiga lapisan utama, yaitu:
- Input layer, merupakan lapisan yang menerima variabel prediktor sebagai masukan model.
- Hidden layer, merupakan lapisan tersembunyi yang mengolah informasi dari input layer untuk mempelajari pola hubungan antarvariabel.
- Output layer, merupakan lapisan yang menghasilkan nilai prediksi dari model.
Jumlah neuron pada hidden layer dapat memengaruhi kompleksitas model. Jumlah neuron yang terlalu sedikit dapat menyebabkan model kurang mampu mempelajari pola data, sedangkan jumlah yang terlalu banyak dapat meningkatkan kompleksitas dan risiko overfitting (Nguyen dan Mücke, 2024).
2.3 ANN Regresi
ANN regresi merupakan penerapan jaringan saraf untuk memprediksi
variabel respons numerik. Pada regresi, lapisan output menghasilkan
nilai prediksi, bukan kategori kelas. Oleh karena itu, model ANN regresi
menggunakan pengaturan linear output (linout = TRUE) pada
fungsi nnet.
Penelitian mengenai neural network untuk prediksi regresi menunjukkan bahwa pemilihan arsitektur dan pengaturan model dapat memengaruhi hasil prediksi (Lesmana, 2025).
2.5 Maxit
Maxit merupakan jumlah maksimum iterasi yang digunakan dalam proses pelatihan jaringan saraf. Iterasi merupakan proses pembaruan bobot jaringan untuk memperoleh nilai kesalahan yang lebih kecil. Pada praktikum ini digunakan dua variasi maxit, yaitu 250 dan 500. Penggunaan jumlah iterasi yang berbeda bertujuan untuk membandingkan hasil pelatihan model.
2.6 Evaluasi Model Regresi
Evaluasi model dilakukan dengan membandingkan nilai aktual dan nilai prediksi. Ukuran evaluasi yang digunakan adalah:
1. Mean Squared Error (MSE)
MSE merupakan rata-rata kuadrat selisih antara nilai aktual dan nilai prediksi.
\[ MSE = \frac{1}{n}\sum_{i=1}^{n}(y_i-\hat{y}_i)^2 \]
2. Root Mean Squared Error (RMSE)
RMSE merupakan akar kuadrat dari MSE sehingga memiliki satuan yang sama dengan variabel respons.
\[ RMSE = \sqrt{\frac{1}{n}\sum_{i=1}^{n}(y_i-\hat{y}_i)^2} \]
3. Mean Absolute Error (MAE)
MAE merupakan rata-rata nilai absolut dari selisih antara nilai aktual dan nilai prediksi.
\[ MAE = \frac{1}{n}\sum_{i=1}^{n}|y_i-\hat{y}_i| \]
Nilai MSE, RMSE, dan MAE yang lebih kecil menunjukkan kesalahan prediksi yang lebih rendah. Pemilihan ukuran evaluasi perlu mempertimbangkan karakteristik data dan tujuan analisis (Hodson, 2022). # BAB III METODE PENELITIAN
3.1 Sumber Data
Data yang digunakan adalah dataset BreastCancer dari package mlbench pada perangkat lunak R. Dataset tersebut berisi karakteristik sel kanker payudara. Pada praktikum ini, variabel Bare.nuclei digunakan sebagai variabel respons (Y), sedangkan Cl.thickness, Cell.size, Cell.shape, Marg.adhesion, Epith.c.size, Bl.cromatin, Normal.nucleoli, dan Mitoses digunakan sebagai variabel prediktor (X). Variabel Id dihapus karena hanya berfungsi sebagai identitas observasi, sedangkan Class tidak digunakan karena merupakan variabel kategorik.
3.2 Rancangan Percobaan
Percobaan dilakukan menggunakan enam model ANN regresi yang berasal dari kombinasi tiga jumlah hidden neuron dan dua nilai maxit. Pembagian data dilakukan dengan proporsi 80% training dan 20% testing.
| Model | Hidden Neuron | Maxit | Training | Testing |
|---|---|---|---|---|
| Model 1 | 10 | 250 | 80% | 20% |
| Model 2 | 10 | 500 | 80% | 20% |
| Model 3 | 20 | 250 | 80% | 20% |
| Model 4 | 20 | 500 | 80% | 20% |
| Model 5 | 30 | 250 | 80% | 20% |
| Model 6 | 30 | 500 | 80% | 20% |
3.3 Langkah-Langkah Analisis
- Memanggil package yang diperlukan dan memuat dataset BreastCancer.
- Menghapus variabel identitas dan menangani nilai hilang.
- Menentukan Bare.nuclei sebagai variabel respons dan delapan variabel lainnya sebagai prediktor.
- Membagi data menjadi 80% training dan 20% testing.
- Melakukan standardisasi prediktor dan respons berdasarkan data training.
- Membentuk enam model ANN berdasarkan kombinasi hidden neuron dan maxit.
- Melakukan prediksi pada data testing.
- Menghitung nilai MSE, RMSE, dan MAE.
- Membandingkan hasil keenam model dan menentukan model terbaik.
BAB IV HASIL DAN PEMBAHASAN
4.1 Memuat Package dan Dataset
| Keterangan | Nilai |
|---|---|
| Jumlah observasi setelah pembersihan | 683 |
| Jumlah variabel prediktor | 8 |
| Jumlah variabel respons | 1 |
| Jumlah nilai hilang | 0 |
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.000 1.000 1.000 3.545 6.000 10.000Berdasarkan hasil pemuatan dataset, data yang digunakan telah melalui proses pembersihan dengan menghapus variabel identitas, variabel kategorik Class, serta observasi yang memiliki nilai hilang. Variabel Bare.nuclei ditetapkan sebagai variabel respons, sedangkan delapan variabel lainnya digunakan sebagai prediktor. Dengan demikian, analisis difokuskan pada kemampuan ANN dalam memprediksi nilai Bare.nuclei berdasarkan karakteristik sel lainnya.
Perlu diperhatikan bahwa Bare.nuclei merupakan variabel numerik diskrit yang bersifat ordinal. Oleh karena itu, penggunaannya sebagai variabel respons regresi merupakan pendekatan untuk keperluan praktikum, bukan representasi variabel kontinu murni.
4.2 Pembagian Data Training dan Testing
| Data | Jumlah | Persentase |
|---|---|---|
| Training | 546 | 80% |
| Testing | 137 | 20% |
Pembagian data dilakukan dengan menggunakan proporsi 80% sebagai data training dan 20% sebagai data testing. Data training digunakan untuk membentuk model ANN dan mempelajari pola hubungan antara variabel prediktor dengan Bare.nuclei. Sementara itu, data testing digunakan untuk mengukur kemampuan model dalam memprediksi observasi yang tidak digunakan selama proses pelatihan. Penggunaan satu pembagian data yang sama pada seluruh model bertujuan agar perbandingan kinerja berdasarkan jumlah hidden neuron dan maxit dapat dilakukan secara konsisten.
4.3 Standardisasi Data dan Pembentukan Model ANN
| Model | Hidden_Neuron | Maxit | MSE | RMSE | MAE | Konvergensi |
|---|---|---|---|---|---|---|
| ANN_Hidden10_Maxit250 | 10 | 250 | 7.0147 | 2.6485 | 1.6147 | 1 |
| ANN_Hidden20_Maxit250 | 20 | 250 | 9.6053 | 3.0992 | 1.8246 | 1 |
| ANN_Hidden30_Maxit250 | 30 | 250 | 11.7000 | 3.4205 | 1.8843 | 1 |
| ANN_Hidden10_Maxit500 | 10 | 500 | 8.2978 | 2.8806 | 1.5882 | 0 |
| ANN_Hidden20_Maxit500 | 20 | 500 | 10.8589 | 3.2953 | 1.9098 | 1 |
| ANN_Hidden30_Maxit500 | 30 | 500 | 11.3735 | 3.3725 | 1.9270 | 1 |
Standardisasi dilakukan agar variabel prediktor memiliki skala yang lebih seragam sehingga proses pembelajaran jaringan dapat berjalan lebih stabil. Parameter standardisasi dihitung berdasarkan data training dan kemudian diterapkan pada data testing. Variabel respons juga distandardisasi selama proses pelatihan, kemudian hasil prediksi dikembalikan ke skala aslinya sebelum dilakukan evaluasi.
Pembentukan model dilakukan menggunakan enam kombinasi, yaitu hidden
neuron 10, 20, dan 30 dengan maxit 250 dan 500. Parameter
linout = TRUE digunakan untuk menghasilkan keluaran numerik
sehingga model dapat diterapkan pada permasalahan regresi. Selanjutnya,
setiap model menghasilkan prediksi pada data testing yang dievaluasi
menggunakan MSE, RMSE, dan MAE.
4.4 Hasil Prediksi Masing-Masing Model ANN
4.5 Perbandingan Seluruh Model ANN Regresi
| Model | Hidden_Neuron | Maxit | MSE | RMSE | MAE | Konvergensi |
|---|---|---|---|---|---|---|
| ANN_Hidden10_Maxit250 | 10 | 250 | 7.0147 | 2.6485 | 1.6147 | 1 |
| ANN_Hidden20_Maxit250 | 20 | 250 | 9.6053 | 3.0992 | 1.8246 | 1 |
| ANN_Hidden30_Maxit250 | 30 | 250 | 11.7000 | 3.4205 | 1.8843 | 1 |
| ANN_Hidden10_Maxit500 | 10 | 500 | 8.2978 | 2.8806 | 1.5882 | 0 |
| ANN_Hidden20_Maxit500 | 20 | 500 | 10.8589 | 3.2953 | 1.9098 | 1 |
| ANN_Hidden30_Maxit500 | 30 | 500 | 11.3735 | 3.3725 | 1.9270 | 1 |
Berdasarkan tabel dan grafik perbandingan, kinerja enam model ANN dapat diamati melalui nilai MSE, RMSE, dan MAE. Ketiga metrik tersebut digunakan untuk mengetahui seberapa besar kesalahan prediksi yang dihasilkan oleh masing-masing konfigurasi. Perubahan jumlah hidden neuron dan nilai maxit dapat menghasilkan perbedaan nilai kesalahan karena setiap konfigurasi memiliki kemampuan pembelajaran yang berbeda. Model dengan nilai kesalahan paling rendah menunjukkan hasil prediksi yang lebih mendekati nilai aktual.
4.6 Menentukan Model Terbaik
| Model | Hidden_Neuron | Maxit | MSE | RMSE | MAE | Konvergensi |
|---|---|---|---|---|---|---|
| ANN_Hidden10_Maxit250 | 10 | 250 | 7.0147 | 2.6485 | 1.6147 | 1 |
| ANN_Hidden10_Maxit500 | 10 | 500 | 8.2978 | 2.8806 | 1.5882 | 0 |
| ANN_Hidden20_Maxit250 | 20 | 250 | 9.6053 | 3.0992 | 1.8246 | 1 |
| ANN_Hidden20_Maxit500 | 20 | 500 | 10.8589 | 3.2953 | 1.9098 | 1 |
| ANN_Hidden30_Maxit500 | 30 | 500 | 11.3735 | 3.3725 | 1.9270 | 1 |
| ANN_Hidden30_Maxit250 | 30 | 250 | 11.7000 | 3.4205 | 1.8843 | 1 |
##
## Berdasarkan hasil evaluasi, model terbaik adalah ANN_Hidden10_Maxit250 dengan hidden neuron sebanyak 10 dan maxit sebesar 250. Model tersebut menghasilkan MSE sebesar 7.0147, RMSE sebesar 2.6485, dan MAE sebesar 1.6147. Model dipilih karena menghasilkan nilai MSE paling rendah, dengan RMSE dan MAE sebagai pertimbangan berikutnya.Model terbaik ditentukan berdasarkan nilai MSE terkecil, kemudian dibandingkan menggunakan RMSE dan MAE. MSE menjadi kriteria utama karena memberikan penalti lebih besar terhadap kesalahan prediksi yang tinggi. Sementara itu, RMSE menunjukkan besarnya kesalahan dalam satuan yang sama dengan variabel respons dan MAE menunjukkan rata-rata kesalahan absolut. Kombinasi dengan nilai kesalahan paling rendah dipilih sebagai model ANN regresi terbaik di antara enam model yang diuji.
4.7 Visualisasi Prediksi Model Terbaik
Berdasarkan grafik aktual dan prediksi, kedekatan titik-titik terhadap garis diagonal menunjukkan kesesuaian antara nilai prediksi dan nilai aktual. Apabila sebagian besar titik berada di sekitar garis diagonal, model memiliki kemampuan prediksi yang relatif baik. Sebaliknya, titik yang semakin jauh dari garis menunjukkan adanya kesalahan prediksi yang lebih besar. Grafik ini memberikan gambaran visual mengenai kemampuan model terbaik dalam memperkirakan nilai Bare.nuclei.
BAB V PENUTUP
5.1 Kesimpulan
Berdasarkan hasil analisis dan pembahasan, dapat disimpulkan bahwa metode Artificial Neural Network (ANN) dapat diterapkan untuk melakukan prediksi regresi dengan menggunakan variabel Bare.nuclei sebagai respons dan delapan variabel lainnya sebagai prediktor pada dataset BreastCancer. Pemodelan dilakukan dengan pembagian data 80% training dan 20% testing serta menggunakan enam kombinasi parameter, yaitu hidden neuron 10, 20, dan 30 serta maxit 250 dan 500. Perbedaan kombinasi parameter menghasilkan nilai kesalahan prediksi yang berbeda berdasarkan MSE, RMSE, dan MAE. Model terbaik ditentukan berdasarkan nilai MSE terkecil dengan mempertimbangkan nilai RMSE dan MAE. Dengan demikian, kombinasi hidden neuron dan maxit yang menghasilkan nilai kesalahan paling rendah merupakan konfigurasi terbaik di antara enam model yang diuji.
5.2 Saran
Penelitian selanjutnya disarankan menggunakan variabel respons kontinu agar penerapan ANN regresi lebih sesuai dengan karakteristik permasalahan regresi. Selain itu, variasi jumlah hidden neuron dan nilai maxit dapat diperluas untuk memperoleh konfigurasi model yang lebih optimal. Penggunaan validasi silang juga dapat dipertimbangkan untuk menguji kestabilan kinerja model pada berbagai pembagian data. Evaluasi sebaiknya tidak hanya berfokus pada satu metrik, tetapi mempertimbangkan MSE, RMSE, dan MAE secara bersamaan agar kemampuan prediksi model dapat dinilai secara lebih menyeluruh.
DAFTAR PUSTAKA
Aggarwal, C. C. (2023). Neural Networks and Deep Learning: A Textbook (2nd ed.). Springer.
Bishop, C. M., dan Bishop, H. (2024). Deep Learning: Foundations and Concepts. Springer.
Hodson, T. O. (2022). Root-mean-square error (RMSE) or mean absolute error (MAE): When to use them or not. Geoscientific Model Development, 15, 5481–5487. https://doi.org/10.5194/gmd-15-5481-2022.
Lesmana, D. (2025). Pengaplikasian deep learning dengan desain arsitektur JST untuk tugas regresi dan klasifikasi. Elektronika Sistem Senjata, 6(1). https://doi.org/10.54317/elka.v6i1.564.
Nguyen, M., dan Mücke, N. (2024). How many neurons do we need? A refined analysis for shallow networks trained with gradient descent. Journal of Statistical Planning and Inference, 233, 106169. https://doi.org/10.1016/j.jspi.2024.106169.