LAPORAN PRAKTIKUM MACHINE LEARNING AND MODERN PREDICTION PERTEMUAN VI
Aprilia Asharani
2026-11-6
BAB I PENDAHULUAN
1.1 Latar Belakang Masalah
Perkembangan teknologi informasi menyebabkan meningkatnya kebutuhan terhadap metode analisis data yang mampu mengidentifikasi pola serta menghasilkan prediksi secara akurat. Salah satu metode machine learning yang dapat digunakan adalah Artificial Neural Network (ANN) atau jaringan saraf tiruan. ANN merupakan metode komputasi yang terinspirasi dari sistem kerja jaringan saraf manusia dan terdiri atas sejumlah neuron yang saling terhubung untuk memproses informasi. Metode ini memiliki kemampuan mempelajari hubungan yang kompleks dan nonlinier antara variabel input dan output melalui proses pelatihan menggunakan data. Struktur ANN umumnya terdiri atas input layer, hidden layer, dan output layer yang bekerja secara terhubung dalam menghasilkan keluaran berdasarkan pola yang dipelajari (Saputra dkk., 2026).
ANN dapat diterapkan dalam permasalahan regresi, yaitu analisis yang bertujuan untuk memprediksi nilai suatu variabel respons berdasarkan satu atau lebih variabel prediktor. Proses regresi menggunakan ANN dilakukan dengan melatih jaringan agar mampu mengenali pola hubungan antara data input dan output sehingga menghasilkan nilai prediksi yang mendekati nilai aktual. Kemampuan ANN dalam mempelajari pola nonlinier menjadikannya alternatif metode untuk menyelesaikan berbagai permasalahan prediksi.
Selain regresi, ANN juga dapat digunakan untuk permasalahan klasifikasi, yaitu proses pengelompokan data ke dalam kelas atau kategori berdasarkan karakteristik tertentu. Dalam penerapannya, ANN mempelajari pola dari data pelatihan untuk mengenali karakteristik masing-masing kelas sehingga dapat mengklasifikasikan data baru. Pada praktikum kali ini dilakukan penerapan Artificial Neural Network (ANN) untuk regresi dan klasifikasi guna memahami proses pembentukan model, pelatihan jaringan, serta kemampuan ANN dalam mempelajari pola data. Praktikum ini juga bertujuan untuk mengevaluasi kinerja model dalam menghasilkan prediksi numerik maupun mengklasifikasikan data ke dalam kategori tertentu berdasarkan ukuran evaluasi yang sesuai.
1.2 Rumusan Masalah
Berdasarkan latar belakang, rumusan masalah yang disimpulkan adalah:
Bagaimana konsep dan cara mengimoplementasikan model ANN untuk regresi dan klasifikasi menggunakan bahasa pemrograman R?
Bagaimana cara mengevaluasi performa model ANN menggunakan metrik evaluasi MSE dan MAPE untuk regresi, serta akurasi dan presisi utntuk klasifikasi?
1.3 Tujuan Penelitian
Berdasarkan rumusan masalah, tujuan yang dapat disimpulkan adalah:
Memahami konsep dan mengimplementasikan model ANN untuk regresi dan klasifikasi menggunakan bahasa pemrograman R.
Mengevaluasi performa model ANN menggunakan metrik evaluasi MSE dan MAPE untuk regresi, serta akurasi dan presisi utntuk klasifikasi.
1.4 Manfaat Penelitian
Adapun manfaat pada penelitian ini, yaitu:
Bagi penulis
- Dapat memberikan informasi serta pengetahuan tentang ANN untuk regresi dan klasifikasi.
- Dapat menerapkan wawasan ilmu yang telah diperoleh dalam bidang statistika tentang ANN untuk regresi dan klasifikasi.
Bagi pembaca Menambah ilmu pengetahuan dan pemahaman yang berkaitan tentang ANN untuk regresi dan klasifikasi.
1.5 Batasan Masalah
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! Data yang digunakan adalah data Iris, Friedman, Breast Cancer, etc.
BAB II TINJAUAN PUSTAKA
2.1 Artificial Neural Network (ANN)
Artificial Neural Network (ANN) atau jaringan saraf tiruan merupakan metode komputasi yang meniru cara kerja jaringan saraf manusia dalam memproses informasi. ANN terdiri atas neuron-neuron yang saling terhubung dan memiliki bobot untuk mempelajari pola dari data. Secara umum, ANN memiliki tiga lapisan utama, yaitu input layer sebagai penerima data masukan, hidden layer sebagai pengolah informasi, dan output layer sebagai penghasil keluaran (Supriyanto dkk, 2022).
ANN memiliki tiga komponen utama, yaitu arsitektur jaringan yang menggambarkan pola hubungan antar neuron, algoritma pembelajaran yang digunakan untuk menyelesuaikan bobot jaringan, serta fungsi aktivasi yang menentukan keluaran setiap neuron. Neuron-neuron tersebut tersusun dalam lapisan dan saling terhubung melalui bobot sesuai dengan arsitektur jaringan yang digunakan (Fransiska, 2026).
2.2 ANN untuk Regresi
Regresi merupakan metode yang digunakan untuk memodelkan hubungan antara variabel prediktor dan variabel respons yang memiliki nilai numerik. ANN untuk regresi bekerja dengan mempelajari pola hubungan antarvariabel sehingga dapat menghasilkan prediksi berupa nilai kontinu (Az Zahra dkk, 2024).
Evaluasi ANN untuk regresi dapat dilakukan menggunakan dua metrik berikut:
Mean Squared Error (MSE) MSE merupakan ukuran yang digunakan untuk menghitung rata-rata kuadrat selisih antara nilai aktual dan nilai prediksi. Semakin kecil nilai MSE, semakin kecil kesalahan prediksi yang dihasilkan model.
Mean Absolute Percentage Error (MAPE) MAPE merupakan ukuran yang digunakan untuk menghitung rata-rata persentase kesalahan antara nilai aktual dan nilai prediksi. Semakin kecil nilai MAPE, semakin baik kemampuan model dalam menghasilkan prediksi.
2.3 ANN untuk Klasifikasi
Klasifikasi merupakan metode yang digunakan untuk mengelompokkan data ke dalam kelas atau kategori tertentu berdasarkan karakteristik yang dimiliki. ANN untuk klasifikasi bekerja dengan mempelajari pola dari data pelatihan, kemudian menggunakan pola tersebut untuk menentukan kelas pada data pengujian (Musdar dkk, 2024).
Evaluasi ANN untuk klasifikasi dapat dilakukan menggunakan dua metrik berikut:
Akurasi (Accuracy) Akurasi merupakan ukuran yang digunakan untuk mengetahui persentase jumlah prediksi yang benar dibandingkan dengan seluruh data yang diuji.
Presisi (Precision) Presisi merupakan ukuran yang digunakan untuk mengetahui ketepatan model dalam memprediksi kelas positif dibandingkan dengan seluruh data yang diprediksi sebagai kelas positif.
BAB III METODE PENELITIAN
3.1 Jenis dan Sumber Data
Jenis data pada penelitian ini adalah data kuantitatif. Data kuantitatif merupakan data atau informasi yang didapatkan dalam bentuk angka atau numerik. Sumber data yang digunakan pada batasan masalah ini adalah sekunder yaang merupakan data sekunder, yaitu data yang didapatkan dari pihak lain. Data yang dogunakan pada praktikum ini yaitu dataset Breast Cancer yang tersedia di R melalui paket mlbench.
3.2 Variabel Penelitian
Variabel penelitian adalah atribut atau nilai yang memiliki variasi tertentu dan dipilih peneliti untuk dianalisis.Variabel yang digunakan dalam praktikum ini terdiri atas variabel prediktor (X) dan variabel respons (Y). 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).
3.3 Langkah-langkah Analisis
Berikut adalah algoritma untuk menyelesaiankan batasan masalah:
Mengumpulkan dan menginput data yang akan digunakan dalam analisis.
Melakukan pemeriksaan dan prapemrosesan data, meliputi pemeriksaan tipe data, penanganan data hilang, serta normalisasi data.
Membagi data menjadi data pelatihan (training data) dan data pengujian (testing data) berdasarkan proporsi yang telah ditentukan.
Membangun model Artificial Neural Network (ANN) menggunakan jumlah neuron pada hidden layer yang berbeda.
Melakukan prediksi menggunakan masing-masing model yang telah dibentuk.
Mengevaluasi kinerja model menggunakan confusion matrix, akurasi, dan presisi.
Membandingkan hasil evaluasi untuk menentukan model klasifikasi terbaik.
BAB IV HASIL DAN PEMBAHASAN
4.1 Persiapan 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 malignant## 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. :10.000##
## benign malignant
## 444 239## [1] 683i <- 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 +
## MitosesInterpretasi
Berdasarkan hasil pengolahan data menggunakan package mlbench pada RStudio, diperoleh dataset BreastCancer yang terdiri atas 683 observasi setelah dilakukan penghapusan data yang memiliki nilai hilang (missing value). Dataset ini memuat 10 variabel, yaitu 9 variabel prediktor dan 1 variabel respons (Class). Kesembilan variabel prediktor, yaitu Cl.thickness, Cell.size, Cell.shape, Marg.adhesion, Epith.c.size, Bare.nuclei, Bl.cromatin, Normal.nucleoli, dan Mitoses, dikonversi dari tipe faktor ordinal menjadi numerik dengan rentang nilai 1–10. Variabel respons Class dikategorikan menjadi dua kelas, yaitu benign sebanyak 444 observasi dan malignant sebanyak 239 observasi. Hasil statistik deskriptif menunjukkan bahwa nilai rata-rata tertinggi terdapat pada variabel Cell.shape sebesar 3,215, sedangkan nilai rata-rata terendah terdapat pada variabel Mitoses sebesar 1,603. Selanjutnya, dilakukan pembentukan formula model dengan menggunakan kesembilan variabel prediktor untuk mengklasifikasikan kondisi kanker payudara ke dalam kelas benign dan malignant.
4.2 Artificial Neural Network (ANN) untuk 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))}Intepretasi Hasil 4.2
Pembangun model klasifikasi menggunakan metode Artificial Neural Network (ANN) dengan package nnet pada RStudio. Pemodelan dilakukan melalui fungsi jalankan_ann() dengan menentukan proporsi data training, jumlah hidden neuron, serta seed sebesar 917 untuk menjaga konsistensi hasil pemodelan. Data dibagi menjadi data training dan testing sesuai proporsi yang ditentukan, kemudian model ANN dibangun menggunakan fungsi nnet.formula() dengan jumlah iterasi maksimum (maxit) sebanyak 500. Hasil prediksi pada data testing selanjutnya dievaluasi menggunakan confusion matrix untuk memperoleh nilai akurasi, sensitivitas, spesifisitas, dan presisi. Selain itu, dilakukan pengamatan terhadap jumlah bobot jaringan (weights), bobot koneksi pada hidden neuron pertama, serta tingkat kepentingan masing-masing variabel prediktor menggunakan metode Olden. Fungsi tampilkan_skenario() digunakan untuk menampilkan seluruh hasil pemodelan dan evaluasi sehingga perbandingan performa ANN pada setiap skenario dapat dilakukan.
Intepretasi Hasil 4.3
Berdasarkan hasil pengujian pertama, model ANN berhasil mengklasifikasikan 132 dari total 137 data testing secara tepat, sedangkan 5 data lainnya mengalami kesalahan klasifikasi. Hasil confusion matrix menunjukkan bahwa sebanyak 90 data benign dan 42 data malignant berhasil diprediksi sesuai dengan kelas sebenarnya. Sementara itu, terdapat 3 data benign yang salah diprediksi sebagai malignant dan 2 data malignant yang diklasifikasikan sebagai benign. Kinerja model menghasilkan akurasi sebesar 96,35%, sensitivitas 95,45%, spesifisitas 96,77%, serta presisi 93,33%, yang menunjukkan kemampuan model yang sangat baik dalam mengenali kedua kategori. Jaringan saraf yang dihasilkan memiliki arsitektur 9-10-1, yaitu sembilan neuron input, sepuluh hidden neuron, dan satu neuron output, dengan total 111 bobot koneksi. Visualisasi menggunakan fungsi plotnet() menggambarkan hubungan antar-neuron melalui bobot yang terbentuk selama proses pembelajaran. Berdasarkan analisis kepentingan variabel menggunakan metode Olden, Cell.shape memberikan kontribusi positif tertinggi sebesar 9,352, diikuti oleh Bl.cromatin sebesar 8,688 dan Bare.nuclei sebesar 7,019. Sebaliknya, variabel Cl.thickness menunjukkan kontribusi negatif sebesar −5,119. Temuan ini menunjukkan bahwa setiap variabel prediktor memiliki besaran dan arah kontribusi yang berbeda dalam mendukung proses klasifikasi pada model ANN.
Intepretasi Hasil 4.4
Hasil pengujian kedua menggunakan proporsi 60% data training dan 40% data testing, sehingga diperoleh 410 data untuk pelatihan dan 273 data untuk pengujian. Berdasarkan hasil klasifikasi, model mampu memprediksi 253 data dengan benar, sementara 20 data lainnya masih mengalami kesalahan pengelompokan. Evaluasi model menghasilkan akurasi sebesar 92,67%, sensitivitas 83,91%, spesifisitas 96,77%, dan presisi 92,41%. Hasil ini menunjukkan bahwa model memiliki kemampuan yang lebih baik dalam mengidentifikasi kelas benign dibandingkan kelas malignant, yang ditunjukkan oleh adanya 14 data malignant yang keliru diprediksi sebagai benign. Arsitektur jaringan yang dihasilkan tetap terdiri atas sembilan neuron input, sepuluh hidden neuron, dan satu neuron output (9-10-1), dengan total 111 bobot koneksi. Hasil analisis menggunakan metode Olden menunjukkan bahwa variabel Cell.size memiliki kontribusi negatif terbesar sebesar −2,426, sedangkan Bl.cromatin memberikan kontribusi positif tertinggi sebesar 2,200. Perbedaan kontribusi variabel tersebut dibandingkan hasil pengujian sebelumnya mengindikasikan bahwa perubahan proporsi data pelatihan dapat memengaruhi proses pembelajaran serta pola kepentingan variabel dalam model ANN.
Intepretasi Hasil 4.5
Pada pengujian ketiga, proporsi pembagian data tetap menggunakan 80% untuk training dan 20% untuk testing, tetapi jumlah hidden neuron ditingkatkan menjadi 20. Hasil evaluasi menunjukkan bahwa model berhasil mengklasifikasikan 130 dari 137 data pengujian secara tepat. Performa klasifikasi yang diperoleh meliputi akurasi sebesar 94,89%, sensitivitas 88,64%, spesifisitas 97,85%, dan presisi 95,12%. Apabila dibandingkan dengan pengujian sebelumnya yang menggunakan 10 hidden neuron dengan proporsi pembagian data yang sama, penambahan jumlah neuron mampu meningkatkan nilai spesifisitas dan presisi, meskipun nilai akurasi dan sensitivitas justru mengalami penurunan. Struktur jaringan yang terbentuk menjadi 9-20-1 dengan total 221 bobot koneksi, sehingga kompleksitas jaringan meningkat seiring bertambahnya jumlah neuron tersembunyi. Kondisi ini memperlihatkan bahwa penambahan jumlah hidden neuron tidak selalu memberikan hasil klasifikasi yang lebih optimal. Berdasarkan analisis Olden, variabel Mitoses memiliki kontribusi positif paling besar sebesar 5,335, kemudian diikuti oleh Bl.cromatin sebesar 4,926 dan Epith.c.size sebesar 3,861. Sementara itu, Marg.adhesion menunjukkan kontribusi negatif terbesar sebesar −1,959. Perbedaan hasil tersebut memperlihatkan bahwa perubahan jumlah neuron tersembunyi dapat memengaruhi pola kontribusi setiap variabel prediktor dalam proses klasifikasi ANN.
Intepretasi Hasil 4.6
Pengujian keempat dilakukan dengan menggunakan 60% data sebagai training dan 40% data sebagai testing, serta melibatkan 20 hidden neuron pada arsitektur jaringan. Berdasarkan hasil confusion matrix, model berhasil mengklasifikasikan 179 data benign dan 75 data malignant secara tepat. Di sisi lain, terdapat 7 data benign yang salah diprediksi sebagai malignant dan 12 data malignant yang dikategorikan sebagai benign. Hasil evaluasi menunjukkan nilai akurasi sebesar 93,04%, sensitivitas 86,21%, spesifisitas 96,24%, dan presisi 91,46%. Jika dibandingkan dengan pengujian kedua yang menggunakan 10 hidden neuron pada proporsi pembagian data yang sama, penambahan neuron menghasilkan peningkatan akurasi dan sensitivitas, meskipun perubahan yang terjadi tidak terlalu besar. Model ini memiliki susunan jaringan 9-20-1 dengan total 221 bobot koneksi. Selanjutnya, hasil analisis menggunakan metode Olden menunjukkan bahwa Bare.nuclei memberikan kontribusi positif tertinggi sebesar 2,150, diikuti oleh Cell.size sebesar 2,128 dan Mitoses sebesar 1,653. Sebaliknya, Normal.nucleoli memiliki kontribusi negatif terbesar sebesar −0,890. Perbedaan nilai kepentingan tersebut menunjukkan bahwa perubahan jumlah neuron tersembunyi turut memengaruhi pola hubungan antara variabel prediktor dan hasil klasifikasi yang dihasilkan oleh model ANN.
Intepretasi Hasil 4.7
Hasil pengujian kelima menunjukkan bahwa model ANN memberikan performa klasifikasi terbaik dibandingkan dengan pengujian sebelumnya. Dari total 137 data testing, sebanyak 134 data berhasil diklasifikasikan secara tepat, yang terdiri atas 92 data benign dan 42 data malignant. Adapun kesalahan prediksi hanya terjadi pada 3 data, yaitu 1 data benign yang dikategorikan sebagai malignant dan 2 data malignant yang diprediksi sebagai benign. Berdasarkan hasil evaluasi, diperoleh akurasi sebesar 97,81%, sensitivitas 95,45%, spesifisitas 98,92%, dan presisi 97,67%. Model ini menggunakan arsitektur jaringan 9-30-1 dengan jumlah bobot koneksi sebanyak 331. Hasil tersebut menunjukkan bahwa penggunaan 80% data training dan 30 hidden neuron mampu menghasilkan kemampuan klasifikasi yang sangat baik. Berdasarkan analisis Olden, variabel Marg.adhesion memiliki kontribusi positif terbesar sebesar 641, kemudian diikuti oleh Bare.nuclei sebesar 450 dan Cl.thickness sebesar 353. Sementara itu, Epith.c.size memberikan kontribusi negatif sebesar −176. Dengan demikian, kombinasi konfigurasi tersebut menghasilkan performa paling optimal di antara seluruh pengujian berdasarkan nilai akurasi, sensitivitas, spesifisitas, dan presisi, meskipun pengujian lebih lanjut dengan pembagian data yang berbeda tetap diperlukan untuk mengetahui konsistensi kinerjanya.
Intepretasi Hasil 4.8
Pengujian keenam menerapkan proporsi 60% data training dan 40% data testing dengan jumlah hidden neuron sebanyak 30. Dari total 273 data pengujian, model berhasil mengklasifikasikan 258 data secara tepat, sedangkan 15 data lainnya masih mengalami kesalahan prediksi. Hasil evaluasi menunjukkan nilai akurasi sebesar 94,51%, sensitivitas 94,25%, spesifisitas 94,62%, dan presisi 89,13%. Tingginya nilai sensitivitas menunjukkan bahwa model memiliki kemampuan yang baik dalam mendeteksi kelas malignant, yaitu berhasil mengenali 82 dari 87 data. Namun, masih terdapat 10 data benign yang keliru diklasifikasikan sebagai malignant, sehingga nilai presisi yang dihasilkan relatif lebih rendah. Arsitektur jaringan yang terbentuk tetap menggunakan susunan 9-30-1 dengan total 331 bobot koneksi. Berdasarkan analisis menggunakan metode Olden, variabel Marg.adhesion memberikan kontribusi positif paling besar sebesar 498, diikuti oleh Mitoses sebesar 424 dan Cl.thickness sebesar 248. Sebaliknya, Cell.size dan Epith.c.size menunjukkan kontribusi negatif masing-masing sebesar −53 dan −46. Hasil ini memperlihatkan bahwa penggunaan 30 hidden neuron dengan proporsi pembagian data 60:40 mampu menghasilkan kemampuan deteksi kelas malignant yang cukup baik, meskipun model masih perlu ditingkatkan dalam mengidentifikasi kelas benign secara tepat.
4.9 Perbandingan Kinerja Model ANN (secara keseluruhan)
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 0.8913Intepretasi Hasil 4.9
Berdasarkan hasil evaluasi terhadap keenam konfigurasi ANN, terlihat bahwa perbedaan proporsi data pelatihan dan jumlah hidden neuron menghasilkan tingkat performa klasifikasi yang bervariasi. Pada proporsi pembagian data 80:20, model dengan 10, 20, dan 30 hidden neuron masing-masing memperoleh akurasi sebesar 96,35%, 94,89%, dan 97,81%. Adapun pada proporsi 60:40, akurasi yang dihasilkan secara berurutan adalah 92,67%, 93,04%, dan 94,51%. Perbandingan tersebut menunjukkan bahwa penggunaan proporsi data pelatihan sebesar 80% memberikan hasil akurasi yang lebih tinggi pada seluruh jumlah neuron yang diuji. Namun, peningkatan jumlah hidden neuron tidak selalu diikuti oleh kenaikan akurasi secara konsisten karena performa model juga dipengaruhi oleh proses pembelajaran dan kompleksitas jaringan. Secara keseluruhan, konfigurasi terbaik diperoleh pada pengujian kelima dengan proporsi 80% data training, 20% data testing, dan 30 hidden neuron. Kombinasi tersebut menghasilkan akurasi sebesar 97,81%, sensitivitas 95,45%, spesifisitas 98,92%, serta presisi 97,67%, dengan hanya tiga kesalahan klasifikasi dari 137 data pengujian. Sebaliknya, performa terendah diperoleh pada pengujian kedua dengan akurasi sebesar 92,67% dan sensitivitas 83,91%. Dengan demikian, konfigurasi pengujian kelima dipilih sebagai model ANN terbaik karena menghasilkan tingkat ketepatan klasifikasi tertinggi serta mampu mengenali kelas benign dan malignant dengan sangat baik.
BAB V KESIMPULAN
5.1 Kesimpulan
Konsep Artificial Neural Network (ANN) untuk regresi dan klasifikasi didasarkan pada jaringan neuron buatan yang terdiri atas input layer, hidden layer, dan output layer yang saling terhubung untuk mempelajari pola data. Implementasi ANN menggunakan bahasa pemrograman R dilakukan dengan menyiapkan data, menentukan variabel prediktor dan respons, membagi data menjadi data pelatihan dan pengujian, serta membangun model menggunakan algoritma pembelajaran seperti Backpropagation. Pada regresi, ANN digunakan untuk memprediksi nilai numerik, sedangkan pada klasifikasi ANN digunakan untuk menentukan kelas atau kategori berdasarkan pola yang dipelajari dari data.
Evaluasi performa model ANN dilakukan untuk mengetahui kemampuan model dalam menghasilkan prediksi dan mengklasifikasikan data secara tepat. Pada regresi, evaluasi menggunakan Mean Squared Error (MSE) untuk mengukur rata-rata kuadrat selisih antara nilai aktual dan prediksi, serta Mean Absolute Percentage Error (MAPE) untuk mengukur rata-rata persentase kesalahan prediksi. Semakin kecil nilai MSE dan MAPE, semakin baik kemampuan model dalam melakukan prediksi. Sementara itu, pada klasifikasi, evaluasi dilakukan menggunakan akurasi (accuracy) untuk mengukur proporsi keseluruhan prediksi yang benar dan presisi (precision) untuk mengukur ketepatan model dalam memprediksi suatu kelas positif. Semakin tinggi nilai akurasi dan presisi, semakin baik performa model dalam melakukan klasifikasi.
Berdasarkan hasil analisis dan pembahasan, dapat disimpulkan bahwa metode Artificial Neural Network (ANN) mampu diterapkan dengan baik untuk mengklasifikasikan data BreastCancer ke dalam dua kategori, yaitu benign dan malignant. Perbedaan proporsi data pelatihan dan pengujian serta jumlah hidden neuron menghasilkan performa klasifikasi yang bervariasi. Penggunaan proporsi 80% data training secara umum memberikan hasil yang lebih baik dibandingkan proporsi 60%. Dari enam konfigurasi yang diuji, model 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, analisis kepentingan variabel menggunakan metode Olden menunjukkan bahwa kontribusi setiap prediktor berbeda pada masing-masing konfigurasi jaringan. Dengan demikian, pemilihan proporsi data dan jumlah neuron tersembunyi menjadi aspek penting dalam memperoleh model ANN yang optimal untuk klasifikasi kanker payudara.
DAFTAR PUSTAKA
Az Zahra, F. S., Sumargo, B., Siregar, D., & Fathya, A. Y. (2024). The Application of the Artificial Neural Network (ANN) Method for Forecasting the Southern Oscillation Index (SOI). Jurnal Statistika dan Aplikasinya, 8(2), 179–192.
Fransiska, H. (2026). Modul Praktikum Machine Learning and Modern Prediction. Laboratorium Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Bengkulu.
Musdar, D. M. J., Eriyani, N. S., Azis, S., Kaswar, A. B., & Sasmita, S. (2024). Implementasi Jaringan Saraf Tiruan Backpropagation untuk Klasifikasi Tingkat Kesegaran Wortel Berbasis Pengolahan Citra Digital Disertai Operasi Morfologi. JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), 9(3), 1518–1533.
Saputra, A. M., Salsabila, I., Sari, R. P., & Rusadi, T. M. (2026). Implementasi jaringan saraf tiruan berbasis algoritma Backpropagation untuk prediksi jumlah penduduk di Provinsi Nusa Tenggara Barat. JSN: Jurnal Sains Natural, 4(1).
Supriyanto, S., Sunardi, S., & Riadi, I. (2022). Pengaruh Nilai Hidden Layer dan Learning Rate Terhadap Kecepatan Pelatihan Jaringan Saraf Tiruan Backpropagation. JIKO (Jurnal Informatika dan Komputer), 6(1), 27–33.