BAB I PENDAHULUAN

1.1 Latar Belakang Masalah

Jaringan Saraf Tiruan atau Artificial Neural Network (ANN) adalah model matematis yang terinspirasi dari struktur dan fungsi jaringan saraf biologis manusia. ANN terdiri dari neuron buatan yang saling terhubung dalam lapisan masukan, lapisan tersembunyi, dan lapisan keluaran. Pada proses pelatihan, ANN menyesuaikan bobot antarneuron berdasarkan data agar keluaran yang dihasilkan mendekati solusi yang benar (Fitriani & Bahri, 2024). Dengan kemampuan tersebut, ANN dapat digunakan untuk mendeteksi pola dan tren yang terlalu kompleks untuk dikenali oleh teknik komputer lainnya (Kuntarini, 2024).

ANN dapat digunakan untuk klasifikasi dan prediksi, termasuk peramalan data numerik atau regresi ((Fitriani & Bahri, 2024;Kuntarini, 2024). Pada regresi, performa model dievaluasi dengan Mean Squared Error (MSE) dan Mean Absolute Percentage Error (MAPE), dan arsitektur terbaik dipilih berdasarkan nilai MSE dan MAPE terkecil. Nilai MAPE rata-rata di bawah 10% menunjukkan bahwa hasil peramalan sangat akurat (Kuntarini, 2024). Pada klasifikasi, performa model dievaluasi dengan akurasi, yang menunjukkan seberapa baik model memprediksi secara keseluruhan, dan presisi, yang menunjukkan seberapa benar prediksi model untuk kelas positif (Fitriani & Bahri, 2024).

Berdasarkan uraian tersebut, ANN dapat diterapkan untuk regresi dan klasifikasi menggunakan bahasa pemrograman R. Pada analisis ini, data dibagi menjadi data latih dan data uji, model ANN dibangun, kemudian performa model dievaluasi menggunakan MSE dan MAPE untuk regresi serta akurasi dan presisi untuk klasifikasi. Analisis tersebut dilakukan untuk memahami model ANN dan cara mengevaluasi performanya dengan R.

1.2 Rumusan Masalah

  1. Apa itu model Artificial Neural Network (ANN) untuk regresi dan klasifikasi menggunakan bahasa pemrograman R?
  2. Bagaimana cara mengevaluasi performa model ANN menggunakan metrik evaluasi MSE dan MAPE untuk regresi, serta akurasi dan presisi untuk klasifikasi?

1.3 Tujuan

  1. Memahami konsep dan mengimplementasikan model Artificial Neural Network (ANN) untuk regresi dan klasifikasi menggunakan bahasa pemrograman R.
  2. Mengevaluasi performa model ANN menggunakan metrik evaluasi MSE dan MAPE untuk regresi, serta akurasi dan presisi untuk klasifikasi.

BAB II TINJAUAN PUSTAKA

2.1 Artificial Neural Network (ANN)

Artificial Neural Network (ANN) merupakan model komputasi yang terinspirasi dari kerja otak manusia, di mana sejumlah neuron saling terhubung untuk memproses informasi dan mempelajari pola dari data. ANN terdiri dari beberapa lapisan, yaitu lapisan masukan (input layer), lapisan tersembunyi (hidden layer), dan lapisan keluaran (output layer). Setiap neuron menerima masukan yang dikalikan dengan bobot tertentu, kemudian ditambahkan bias dan diproses melalui fungsi aktivasi untuk menghasilkan keluaran (Fransiska, 2026).

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. Secara matematis, proses pengolahan informasi pada suatu neuron dapat dinyatakan sebagai (Fransiska, 2026). \[ y = f\left(\sum_{i=1}^{n} w_i x_i + b\right) \] dengan \(x_i\) merupakan masukan ke-\(𝑖\), \(𝑤_i\) bobot yang menghubungkan masukan ke-𝑖 dengan neuron, 𝑏 adalah bias, 𝑓 merupakan fungsi aktivasi, dan 𝑦 adalah keluaran neuron (Fransiska, 2026).

2.2 ANN Regresi

ANN regresi digunakan untuk memprediksi variabel respons berupa nilai numerik kontinu.Lapisan keluaran umumnya menggunakan fungsi aktivasi linear agar jaringan dapat menghasilkan nilai prediksi sesuai dengan rentang variabel respon (Fransiska, 2026).

  1. Algoritma Backpropagation

Backpropagation merupakan algoritma pembelajaran pada ANN yang digunakan untuk menyesuaikan bobot jaringan berdasarkan kesalahan prediksi. Pada ANN regresi, proses pembelajaran bertujuan meminimalkan selisih antara nilai aktual dan nilai prediksi, misalnya menggunakan Mean Squared Error (MSE). Secara umum, proses pembelajaran terdiri atas tiga tahap berikut: a. Forward Propogation, yaitu menghitung keluaran jaringan berdasarkan masukan, bobot, dan fungsi aktivasi b. Backward Propogation, yaitu menghitung gradien kesalahan terhadap bobot jaringan c. Pembaruan Bobot, yaitu memperbarui bobot berdasarkan gradien untuk mengurangi kesalahan prediksi

  1. Fungsi Aktivasi

Fungsi aktivasi digunakan untuk menentukan keluaran neuron dan membantu jaringan mempelajari pola nonlinear. Beberapa fungsi aktivasi yang dapat digunakan dalam ANN regresi, yaitu sigmoid biner yang digunakan pada hidden layer untuk menghasilkan nilai antara 0 dan 1, hyperbolic tangent (Tanh) yang digunakan pada hidden layer dengan keluaran antara -1 dan 1, serta rectified linear unit (ReLU) yang digunakan pada hidden layer untuk mempelajari pola nonlinier.

  1. Evaluasi Model

Evaluasi Evaluasi ANN regresi dilakukan dengan membandingkan nilai aktual dan nilai hasil prediksi. Beberapa ukuran yang umum digunakan adalah Mean Squared Error (MSE), Root Mean Squared Error (RMSE), dan koefisien determinasi (\(𝑅^2\)). \[ MSE = \frac{1}{n}\sum_{i=1}^{n}(y_i-\hat{y}_i)^2 \] \[ MAPE = \frac{100\%}{n}\sum_{i=1}^{n} \left|\frac{y_i-\hat{y}_i}{y_i}\right| \]

2.3 ANN Klasifikasi

ANN klasifikasi digunakan untuk memprediksi variabel respons berupa kategori. Berdasarkan jumlah kelasnya, ANN klasifikasi dibedakan menjadi dua jenis (Fransiska, 2026): - Klasifikasi biner, yaitu klasifikasi dengan dua kategori. Lapisan keluaran umumnya menggunakan satu neuron dengan fungsi sigmoid untuk menghasilkan probabilitas antara 0 dan 1. - Klasifikasi multikelas, yaitu klasifikasi dengan lebih dari dua kategori. Lapisan keluaran umumnya menggunakan fungsi softmax untuk menghasilkan probabilitas setiap kelas, dengan jumlah probabilitas seluruh kelas sama dengan 1

  1. Proses Pembelajaran dan Backpropagation

Proses pembelajaran ANN klasifikasi dilakukan dengan menyesuaikan bobot jaringan untuk meminimalkan kesalahan klasifikasi. Salah satu fungsi kerugian yang digunakan adalah crossentropy loss, yang mengukur perbedaan antara probabilitas prediksi dan kelas aktual (Fransiska, 2026) - Klasifikasi biner, fungsi binary cross-entropy dinyatakan sebagai: \[ BCE = -\frac{1}{n}\sum_{i=1}^{n} \left[ y_i\ln(\hat{p}_i) + (1-y_i)\ln(1-\hat{p}_i) \right] \] dengan \(𝑦_𝑖\) adalah kelas aktual observasi ke-𝑖, bernilai 0 atau 1, \(𝑝̂_𝑖\) merupakan probabilitas kelas posiitf pada observasi ke-𝑖. - Klasifikasi multikelas, fungsi categorical cross-entropy dinyatakan sebagai: \[ L = -\frac{1}{N}\sum_{i=1}^{N}\sum_{k=1}^{K} y_{ik}\log(\hat{y}_{ik}) \] dengan \(𝑦_{ik}\) adalah label aktual dan \(\hat{y}_{ik}\) prediksi model. - Bobot jaringan diperbarui berdasarkan gradien fungsi kerugian. Secara umum, pembaruan bobot menggunakan gradient descent dapat dituliskan sebagai: \[ w_{ij}(t+1) = w_{ij}(t) - \eta \frac{\partial L}{\partial w_{ij}} \] dengan \(𝜂\) adalah laju pembelajaran (learning rate).

  1. Fungsi AKtivasi

Fungsi aktivasi berperan penting dalam menentukan non-linearitas jaringan. Beberapa fungsi umum pada ANN klasifikasi meliputi Sigmoid yang digunakan untuk klasifikasi biner, softmax yang digunakan untuk multiclass classification, ReLU yang digunakan untuk mempercepat konvergensi dan mengatasi masalah vanishing gradient, serta tanh yang digunakan untuk menghasilkan output antara -1 dan 1 dan membantu normalisasi sinyal neuron.

  1. Evaluasi Model

Evaluasi ANN Klasifikasi dilakukan dengan membandingkan kelas aktual dan kelas hasil prediksi yang dapat disajikan dalam confusion matrix. Berdasarkan confusion matrix, beberapa ukuran evaluasi yang dapat digunakan adalah: \[ Accuracy = \frac{TP+TN}{TP+TN+FP+FN} \]

\[ Precision = \frac{TP}{TP+FP} \]

\[ Recall = \frac{TP}{TP+FN} \]

\[ Specificity = \frac{TN}{TN+FP} \]

\[ F1\text{-}Score = 2 \left(\frac{Precision \times Recall}{Precision+Recall}\right) \]

BAB III METODE PENELITIAN

3.1 Sumber Data

Jenis data yang digunakan pada penelitian ini adalah data kategorik dan numerik. Data kategorik adalah data yang menunjukkan kategori atau kelompok tertentu dan digunakan untuk membedakan karakteristik suatu objek sedangkan data numerik adalah data berbentuk angka yang menunjukkan nilai atau jumlah dan dapat digunakan dalam perhitungan matematis. Sumber data yang diperoleh dalam penelitian ini adalah data sekunder. Data sekunder adalah sekumpulan informasi yang telah ada sebelumnya dan digunakan sebagai pelengkap kebutuhan data penelitian, di mana pada praktikum ini data sekundernya adalah data yang berasal dari program RStudio.

3.2 Variabel Penelitian

Variabel penelitian adalah segala sesuatu yang akan menjadi objek pengamatan penelitian. Pada laporan ini terdapat 5 variabel yang digunakan pada data. Variabel tersebut, yaitu Sepal.Length, Sepal Width, Petal.Length, Petal.Width, dan Species.

3.3 Langkah-langkah Analisis

  1. Input dataset.
  2. Melakukan preprocessing data.
  3. Menentukan variabel dependen (Petal.Width) dan variabel independen.
  4. Membangun model Artificial Neural Network (ANN) Regression.
  5. Melakukan prediksi pada data testing.
  6. Menghitung metrik evaluasi.
  7. Memvisualisasikan struktur jaringan saraf tiruan, bobot jaringan (neural weights), dan tingkat kepentingan variabel (variable importance).
  8. Membandingkan hasil evaluasi dan menginterpretasikan performa model ANN Regresi .

BAB IV HASIL DAN PEMBAHASAN

4.1 Library dan Dataset

library(nnet)
library(NeuralNetTools)

# Memanggil dataset Iris
data(iris)

# Melihat data
head(iris)
##   Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## 1          5.1         3.5          1.4         0.2  setosa
## 2          4.9         3.0          1.4         0.2  setosa
## 3          4.7         3.2          1.3         0.2  setosa
## 4          4.6         3.1          1.5         0.2  setosa
## 5          5.0         3.6          1.4         0.2  setosa
## 6          5.4         3.9          1.7         0.4  setosa
# Ringkasan data
summary(iris)
##   Sepal.Length    Sepal.Width     Petal.Length    Petal.Width   
##  Min.   :4.300   Min.   :2.000   Min.   :1.000   Min.   :0.100  
##  1st Qu.:5.100   1st Qu.:2.800   1st Qu.:1.600   1st Qu.:0.300  
##  Median :5.800   Median :3.000   Median :4.350   Median :1.300  
##  Mean   :5.843   Mean   :3.057   Mean   :3.758   Mean   :1.199  
##  3rd Qu.:6.400   3rd Qu.:3.300   3rd Qu.:5.100   3rd Qu.:1.800  
##  Max.   :7.900   Max.   :4.400   Max.   :6.900   Max.   :2.500  
##        Species  
##  setosa    :50  
##  versicolor:50  
##  virginica :50  
##                 
##                 
## 
# Melihat jumlah baris dan kolom
dim(iris)
## [1] 150   5

Digunakan dataset Iris sebanyak 150 observasi dengan 5 variabel, yaitu Sepal.Length, Sepal.Width, Petal.Length, Petal.Width, dan Species. Empat variabel pertama merupakan variabel numerik, sedangkan Species merupakan variabel kategorik, dengan masing-masing sebanyak 50 observasi. Dalam pemodelan ANN Regresi, variabel Petal.Width digunakan sebagai variabel dependen (Y), sedangkan Sepal.Length, Sepal.Width, Petal.Length, dan Species digunakan sebagai variabel independen (X).

4.2 Preprocessing Data

# Divide the data into train and test
set.seed(918)

nrow(iris)
## [1] 150
# Mengambil 80% data untuk training
index <- sample(1:nrow(iris), round(0.8*nrow(iris)))

train <- iris[index, ]
nrow(train)
## [1] 120
# Mengambil 20% data untuk testing
test <- iris[-index, ]
nrow(test)
## [1] 30

Pada tahap preprocessing, dilakukan pembagian dataset menjadi data *training** dan data testing dengan proporsi 80:20 menggunakan set.seed(918) agar pembagian data dapat direproduksi. Dari total 150 observasi, diperoleh sebanyak 120 observasi sebagai data training dan 30 observasi sebagai data testing. Data training digunakan untuk membangun dan melatih model ANN dalam mempelajari hubungan antara variabel independen dan variabel dependen, sedangkan data testing digunakan untuk menguji kemampuan model dalam memprediksi data yang tidak digunakan selama proses pelatihan.

4.3 ANN Regresi

# Membentuk formula ANN Regresi
i <- names(train)

form <- as.formula(
  paste("Petal.Width ~",
        paste(i[!i %in% "Petal.Width"], collapse = " + ")))

form
## Petal.Width ~ Sepal.Length + Sepal.Width + Petal.Length + Species
# ANN Regresi

# Hidden Neuron = 10, Maxit = 250
nn_10_250 <- nnet.formula(
  form, size = 10, data = train,
  linout = TRUE, maxit = 250, trace = FALSE)

# Hidden Neuron = 10, Maxit = 500
nn_10_500 <- nnet.formula(
  form, size = 10, data = train,
  linout = TRUE, maxit = 500, trace = FALSE)

# Hidden Neuron = 20, Maxit = 250
nn_20_250 <- nnet.formula(
  form, size = 20, data = train,
  linout = TRUE, maxit = 250, trace = FALSE)

# Hidden Neuron = 20, Maxit = 500
nn_20_500 <- nnet.formula(
  form, size = 20, data = train,
  linout = TRUE, maxit = 500, trace = FALSE)

# Hidden Neuron = 30, Maxit = 250
nn_30_250 <- nnet.formula(
  form, size = 30, data = train,
  linout = TRUE, maxit = 250, trace = FALSE)

# Hidden Neuron = 30, Maxit = 500
nn_30_500 <- nnet.formula(
  form, size = 30, data = train,
  linout = TRUE, maxit = 500, trace = FALSE)

Pada tahap pemodelan, digunakan metode Artificial Neural Network (ANN) Regresi dengan variabel dependen Petal.Width dan variabel independen yang terdiri atas Sepal.Length, Sepal.Width, Petal.Length, serta Species. Pemodelan dilakukan dengan mengombinasikan jumlah hidden neuron sebanyak 10, 20, dan 30 serta nilai maxit sebesar 250 dan 500, sehingga diperoleh enam model ANN yang berbeda. Seluruh model menggunakan linout = TRUE karena penelitian ini merupakan kasus regresi dengan output berupa nilai numerik kontinu. Variasi jumlah hidden neuron bertujuan untuk mengetahui pengaruh jumlah neuron pada lapisan tersembunyi terhadap kemampuan model dalam mempelajari pola data, sedangkan variasi maxit digunakan untuk membandingkan hasil pelatihan berdasarkan jumlah maksimum iterasi yang berbeda.

4.4 Prediksi Data Testing

# Hasil prediksi masing-masing model

pred_10_250 <- predict(nn_10_250, newdata = test, type = "raw")
pred_10_500 <- predict(nn_10_500, newdata = test, type = "raw")

pred_20_250 <- predict(nn_20_250, newdata = test, type = "raw")
pred_20_500 <- predict(nn_20_500, newdata = test, type = "raw")

pred_30_250 <- predict(nn_30_250, newdata = test, type = "raw")
pred_30_500 <- predict(nn_30_500, newdata = test, type = "raw")

# Membandingkan hasil aktual dan prediksi
hasil_prediksi <- data.frame(
  Aktual = test$Petal.Width,
  Prediksi_10_250 = as.numeric(pred_10_250),
  Prediksi_10_500 = as.numeric(pred_10_500),
  Prediksi_20_250 = as.numeric(pred_20_250),
  Prediksi_20_500 = as.numeric(pred_20_500),
  Prediksi_30_250 = as.numeric(pred_30_250),
  Prediksi_30_500 = as.numeric(pred_30_500))

head(hasil_prediksi)
##   Aktual Prediksi_10_250 Prediksi_10_500 Prediksi_20_250 Prediksi_20_500
## 1    0.2       0.2084812       0.2442119       0.2345012       0.2036916
## 2    0.2       0.1653693       0.2160458       0.2128981       0.1995526
## 3    0.2       0.2513020       0.2511167       0.2416886       0.2623489
## 4    0.1       0.1597906       0.1703343       0.2877695       0.4018283
## 5    0.4       0.3043029       0.2229785       0.3185011       0.2346009
## 6    0.3       0.3415432       0.3451777       0.3677291       0.3199770
##   Prediksi_30_250 Prediksi_30_500
## 1       0.2274376       0.2626169
## 2       0.2532872       0.1862068
## 3       0.2630279       0.1940023
## 4       0.3652026       0.1073619
## 5       0.2225126       0.3672676
## 6       0.5196102       0.2947825

Setelah keenam model ANN berhasil dibangun, selanjutnya dilakukan prediksi terhadap 30 observasi pada data testing menggunakan fungsi predict() dengan tipe output raw. Hasil prediksi menunjukkan bahwa setiap kombinasi jumlah hidden neuron dan maxit menghasilkan nilai prediksi Petal.Width yang berbeda-beda. Sebagai contoh, pada observasi pertama dengan nilai aktual sebesar 0,2, model dengan 10 hidden neuron dan maxit = 250 menghasilkan prediksi sebesar 0,2085, sedangkan model dengan 10 hidden neuron dan maxit = 500 menghasilkan prediksi sebesar 0,2442. Perbedaan tersebut menunjukkan bahwa konfigurasi parameter pada jaringan saraf tiruan memengaruhi hasil prediksi yang diperoleh. Semakin dekat nilai prediksi dengan nilai aktual, semakin baik kemampuan model dalam memperkirakan nilai variabel dependen.

4.5 Evaluasi Model

# Membuat daftar model
model <- list(nn_10_250, nn_10_500, nn_20_250,
              nn_20_500, nn_30_250, nn_30_500)

nama_model <- c("Neuron 10 - Maxit 250", "Neuron 10 - Maxit 500",
                "Neuron 20 - Maxit 250", "Neuron 20 - Maxit 500",
               "Neuron 30 - Maxit 250","Neuron 30 - Maxit 500")

# Evaluasi model
evaluasi <- data.frame()

for (j in 1:length(model)) {

  prediksi <- as.numeric(
    predict(model[[j]], newdata = test, type = "raw"))

  error <- test$Petal.Width - prediksi
  MAE <- mean(abs(error))
  RMSE <- sqrt(mean(error^2))

  evaluasi <- rbind(evaluasi,
    data.frame(Model = nama_model[j], MAE = MAE, RMSE = RMSE))}

# Menampilkan hasil evaluasi
evaluasi
##                   Model       MAE      RMSE
## 1 Neuron 10 - Maxit 250 0.1897637 0.5560109
## 2 Neuron 10 - Maxit 500 0.1419825 0.2084061
## 3 Neuron 20 - Maxit 250 0.1803871 0.2711464
## 4 Neuron 20 - Maxit 500 0.3779970 0.7395403
## 5 Neuron 30 - Maxit 250 0.2040726 0.4850784
## 6 Neuron 30 - Maxit 500 0.3673444 1.1425545

Evaluasi performa keenam model ANN Regresi dilakukan menggunakan metrik Mean Absolute Error (MAE) dan Root Mean Squared Error (RMSE). Berdasarkan hasil perhitungan, model dengan 10 hidden neuron dan maxit = 250 menghasilkan nilai MAE sebesar 0,1898 dan RMSE sebesar 0,5560. Model dengan 10 hidden neuron dan maxit = 500 menghasilkan nilai MAE sebesar 0,1420 dan RMSE sebesar 0,2084. Selanjutnya, model dengan 20 hidden neuron dan maxit = 250 menghasilkan MAE sebesar 0,1804 dan RMSE sebesar 0,2711, sedangkan pada maxit = 500 diperoleh MAE sebesar 0,3780 dan RMSE sebesar 0,7395. Model dengan 30 hidden neuron dan maxit = 250 menghasilkan MAE sebesar 0,2041 dan RMSE sebesar 0,4851, sementara pada maxit = 500 diperoleh MAE sebesar 0,3673 dan RMSE sebesar 1,1426. Nilai MAE dan RMSE yang lebih kecil menunjukkan tingkat kesalahan prediksi yang lebih rendah, sehingga model dengan 10 hidden neuron dan maxit = 500 memiliki performa terbaik berdasarkan kedua metrik evaluasi tersebut.

4.6 Visualiasi

# Plot Neural Network
plotnet(nn_10_500)

# Mendapatkan nilai bobot jaringan
neuralweights(nn_10_500)
## $struct
## [1]  5 10  1
## 
## $wts
## $wts$`hidden 1 1`
## [1] -19.8073684  11.8565906 -13.2294639  -0.8785283  -6.4813272 -13.4218448
## 
## $wts$`hidden 1 2`
## [1]  28.586368 -10.567471  11.273978  -3.415771  13.589054  25.155061
## 
## $wts$`hidden 1 3`
## [1] -13.009757   6.579847  -8.313100   1.632478  -7.459525 -14.026935
## 
## $wts$`hidden 1 4`
## [1]   6.152936  -7.857481 -11.754735  14.826971  14.679275  -9.218191
## 
## $wts$`hidden 1 5`
## [1]  3.9837638  2.0589259 -9.9060048  0.3026675  3.0762202  0.2990468
## 
## $wts$`hidden 1 6`
## [1]  0.3968412 -1.4720140 -1.0268484 -0.5856492  0.1734303 -0.5146272
## 
## $wts$`hidden 1 7`
## [1] -5.3884506  0.4349884 -0.8126814  0.5952758  3.6491563  2.9547711
## 
## $wts$`hidden 1 8`
## [1] -6.2609260 -0.1038894  0.2363819  2.8388443 -0.7402586  1.1543386
## 
## $wts$`hidden 1 9`
## [1]  0.09802547 -6.71572662 15.92124558  1.82164585 -1.70500753  6.80172068
## 
## $wts$`hidden 1 10`
## [1]  15.888410 -10.398585   4.835074   8.028692  12.366291   3.236944
## 
## $wts$`out 1`
##  [1] -0.7342717  1.3665621 -2.6284306 -5.3450907 -0.2463549  4.5789814
##  [7] -0.1292734  6.2134073  0.9516348  3.4665698 -3.2016362
# Plot variable importance
olden(nn_10_500)
## Warning: `label` cannot be a <ggplot2::element_blank> object.

Berdasarkan nilai evaluasi terkecil, yaitu model dengan 10 neuron pada hidden layer dan 500 iterasi (maxit), diperoleh arsitektur jaringan 5-10-1. Artinya, jaringan memiliki 5 neuron input yang terdiri atas Sepal.Length, Sepal.Width, Petal.Length, Speciesversicolor, dan Speciesvirginica, 10 neuron pada hidden layer, serta 1 neuron output yang merepresentasikan variabel Petal.Width. Hasil neuralweights() menunjukkan bobot yang menghubungkan setiap neuron dalam jaringan dan digunakan selama proses pembelajaran. Sementara itu, berdasarkan grafik Variable Importance dengan metode Olden, variabel Sepal.Length memiliki kontribusi positif paling besar terhadap prediksi, diikuti oleh Speciesvirginica, sedangkan Speciesversicolor memiliki kontribusi negatif paling besar, diikuti oleh Petal.Length dan Sepal.Width. Hal ini menunjukkan bahwa Sepal.Length dan kategori spesies virginica memberikan kontribusi positif yang relatif besar dalam proses prediksi Petal.Width pada model ANN terbaik.

4.9 Menetukan Model Terbaik

# Menampilkan model dengan MAE dan RMSE terkecil
model_terbaik <- evaluasi[
  which.min(evaluasi$MAE + evaluasi$RMSE),]

model_terbaik
##                   Model       MAE      RMSE
## 2 Neuron 10 - Maxit 500 0.1419825 0.2084061

Berdasarkan hasil evaluasi, model ANN terbaik ditentukan dengan mempertimbangkan nilai MAE dan RMSE terkecil. Hasil menunjukkan bahwa model dengan 10 hidden neuron dan maxit = 500 menghasilkan nilai MAE terkecil sebesar 0,1420 dan RMSE terkecil sebesar 0,2084. Karena kedua metrik menghasilkan kombinasi model terbaik yang sama, model tersebut dipilih sebagai model ANN Regresi terbaik.

BAB V KESIMPULAN

5.1 Kesimpulan

Model Artificial Neural Network (ANN) merupakan metode komputasi yang meniru cara kerja jaringan saraf manusia dengan menghubungkan neuron melalui bobot dan bias untuk mempelajari pola dari data. Dalam bahasa pemrograman R, ANN dapat diterapkan untuk regresi dengan memprediksi variabel respons berupa nilai numerik kontinu, serta klasifikasi untuk memprediksi variabel respons berupa kategori, melalui proses pembelajaran backpropagation yang menyesuaikan bobot jaringan berdasarkan kesalahan prediksi. Kinerja model ANN dapat dievaluasi menggunakan ukuran evaluasi yang sesuai, seperti MAE, MSE, RMSE, dan \(R^2\) untuk regresi, serta accuracy, precision, recall, specificity, dan F1-score untuk klasifikasi.

Evaluasi performa model ANN dilakukan dengan membandingkan hasil prediksi terhadap nilai atau kelas aktual menggunakan metrik evaluasi yang sesuai. Pada regresi, metrik MSE digunakan untuk mengukur rata-rata kuadrat kesalahan prediksi, sedangkan MAPE mengukur rata-rata persentase kesalahan prediksi, sehingga semakin kecil nilainya semakin baik performa model. Sementara itu, pada klasifikasi, akurasi mengukur proporsi seluruh prediksi yang benar dan presisi mengukur ketepatan model dalam memprediksi kelas positif, sehingga semakin tinggi nilai kedua metrik tersebut menunjukkan performa model yang semakin baik.

Berdasarkan hasil analisis menggunakan metode Artificial Neural Network (ANN) Regresi pada dataset Iris, dilakukan pengujian terhadap enam kombinasi parameter dengan jumlah hidden neuron sebanyak 10, 20, dan 30 serta nilai maxit sebesar 250 dan 500. Pembagian data dilakukan dengan proporsi 80% untuk training dan 20% untuk testing. Berdasarkan hasil evaluasi menggunakan MAE dan RMSE, diperoleh bahwa model dengan 10 hidden neuron dan maxit = 500 memberikan performa terbaik dengan nilai MAE sebesar 0,1420 dan RMSE sebesar 0,2084. Hasil tersebut menunjukkan bahwa konfigurasi tersebut mampu menghasilkan prediksi nilai Petal.Width dengan tingkat kesalahan paling rendah dibandingkan lima model lainnya. Oleh karena itu, model dengan 10 hidden neuron dan maxit = 500 dipilih sebagai model ANN Regresi terbaik dari enam kombinasi parameter yang telah diuji.

DAFTAR PUSTAKA

Fitriani, D. N., & Bahri, S. (2024). Prediksi tingkat obesitas menggunakan neural network: Pendekatan klasifikasi biner. PARAMETER: Jurnal Matematika, Statistika dan Terapannya, 3(1), 85–92. https://doi.org/10.30598/parameterv3i01pp85-92

Fransiska, H. (2026). Modul Praktikum Machine Learning dan Modern Prediction. Bengkulu: Universitas Bengkulu.

Kuntarini, A. A. W. (2024). Pendekatan neural network dalam peramalan jumlah penduduk Kota Semarang dengan menggunakan metode backpropagation. ESTIMASI: Journal of Statistics and Its Application, 5(2), 230–239. https://doi.org/10.20956/ejsa.v5i2.28112