Artificial Neural Network (ANN) merupakan salah satu metode dalam machine learning yang dikembangkan dengan mengadaptasi cara kerja jaringan saraf manusia untuk mempelajari pola dari data. Metode ini mampu mengenali hubungan antara variabel melalui proses pembelajaran berdasarkan data yang diberikan, sehingga dapat digunakan untuk menyelesaikan berbagai permasalahan prediksi. Kemampuan ANN dalam mempelajari pola yang kompleks menjadikannya salah satu pendekatan yang banyak dikembangkan dalam bidang kecerdasan buatan dan analisis data (Aggarwal, 2023).
Dalam penerapannya, ANN memiliki arsitektur yang terdiri atas input layer, hidden layer, dan output layer yang saling terhubung melalui bobot. Proses pembelajaran dilakukan dengan menyesuaikan bobot jaringan melalui algoritma backpropagation untuk meminimalkan kesalahan prediksi. Kinerja ANN dipengaruhi oleh beberapa konfigurasi model, seperti jumlah neuron* pada hidden layer dan jumlah iterasi pelatihan. Pemilihan konfigurasi tersebut menjadi penting karena dapat memengaruhi kemampuan model dalam mempelajari pola data serta menghasilkan prediksi yang optimal (Montesinos López dkk., 2022).
Penerapan ANN dapat dilakukan menggunakan perangkat lunak R yang menyediakan berbagai paket untuk membangun dan mengevaluasi model jaringan saraf. Salah satunya adalah paket nnet yang menyediakan fungsi untuk membentuk jaringan saraf dengan satu hidden layer serta mengatur jumlah neuron dan iterasi maksimum pelatihan. Melalui penerapan tersebut, ANN dapat digunakan untuk melakukan pemodelan regresi maupun klasifikasi dengan menyesuaikan karakteristik variabel respons. Oleh karena itu, praktikum ini dilakukan untuk menerapkan ANN menggunakan dataset BreastCancer dengan membandingkan jumlah hidden neuron sebanyak 10, 20, dan 30 serta nilai iterasi maksimum 250 dan 500 guna mengetahui konfigurasi model yang menghasilkan kesalahan prediksi paling kecil (Ripley, 2026).
Artificial Neural Network (ANN) merupakan metode pembelajaran mesin yang terinspirasi dari sistem saraf biologis manusia. ANN bekerja dengan menghubungkan sejumlah neuron buatan yang saling berinteraksi untuk memproses informasi dan mempelajari pola dari data. Setiap neuron menerima masukan, kemudian mengolahnya berdasarkan bobot (weight) dan nilai bias sebelum menghasilkan keluaran. Kemampuan ANN dalam mempelajari hubungan yang kompleks dan nonlinier menjadikannya salah satu metode yang dapat digunakan dalam berbagai permasalahan prediksi dan pengenalan pola (Montesinos López dkk., 2022).
Secara umum, arsitektur ANN terdiri atas tiga lapisan utama, yaitu input layer, hidden layer, dan output layer. Input layer berfungsi menerima variabel masukan yang digunakan dalam pemodelan. Selanjutnya, hidden layer berperan mengolah informasi yang diterima melalui kombinasi bobot dan fungsi aktivasi untuk mengenali pola dalam data. Sementara itu, output layer menghasilkan keluaran berupa nilai prediksi sesuai dengan tujuan pemodelan. Hubungan antarlapisan tersebut memungkinkan ANN mempelajari hubungan antara variabel prediktor dan variabel respons melalui proses pelatihan jaringan (Aggarwal, 2023).
Arsitektur ANN ditentukan oleh susunan lapisan dan jumlah neuron yang digunakan dalam jaringan. Salah satu komponen penting dalam arsitektur tersebut adalah hidden layer, karena lapisan ini berperan dalam mempelajari pola dan hubungan nonlinier dari data masukan. Jumlah neuron pada hidden layer dapat memengaruhi kemampuan jaringan dalam merepresentasikan pola data. Jumlah neuron yang terlalu sedikit dapat membatasi kemampuan model dalam mempelajari pola, sedangkan jumlah yang terlalu banyak dapat meningkatkan kompleksitas model dan berpotensi menyebabkan overfitting. Oleh karena itu, pemilihan jumlah neuron perlu disesuaikan dengan karakteristik data dan dievaluasi berdasarkan kinerja model (Montesinos López dkk., 2022).
Proses pembelajaran ANN umumnya menggunakan algoritma backpropagation, yaitu algoritma yang bekerja dengan menghitung kesalahan antara hasil prediksi dan nilai aktual, kemudian memperbarui bobot jaringan untuk mengurangi kesalahan tersebut. Proses ini dilakukan secara berulang hingga mencapai kondisi penghentian yang ditentukan. Dalam proses pembelajaran, fungsi aktivasi digunakan untuk mengubah hasil kombinasi masukan berbobot menjadi keluaran neuron. Selain itu, fungsi kerugian (loss function) digunakan untuk mengukur besarnya kesalahan model selama pelatihan. Kombinasi komponen tersebut memungkinkan ANN menyesuaikan parameter jaringan agar menghasilkan prediksi yang lebih baik (Aggarwal, 2023).
Artificial Neural Network dapat diterapkan pada permasalahan regresi maupun klasifikasi dengan menyesuaikan karakteristik variabel respons dan fungsi keluaran yang digunakan. Pada regresi, ANN digunakan untuk memprediksi variabel respons berbentuk numerik berdasarkan hubungan antara variabel prediktor dan respons. Sementara itu, pada klasifikasi, ANN digunakan untuk menentukan keanggotaan suatu observasi ke dalam kategori atau kelas tertentu. Perbedaan utama kedua penerapan tersebut terletak pada bentuk keluaran jaringan dan fungsi yang digunakan untuk menghasilkan prediksi. Kemampuan ANN dalam menangkap pola nonlinier membuat metode ini dapat diterapkan pada berbagai jenis permasalahan prediksi (Gallego & Ríos Insua, 2022).
Pada pemodelan regresi menggunakan jaringan saraf, lapisan keluaran dapat menggunakan fungsi aktivasi linear agar menghasilkan nilai prediksi numerik. Sebaliknya, pada klasifikasi, keluaran jaringan disesuaikan dengan jumlah kelas yang akan diprediksi. Proses pelatihan pada kedua jenis pemodelan tersebut bertujuan untuk memperoleh bobot jaringan yang dapat menghasilkan keluaran mendekati nilai aktual. Dengan demikian, pemilihan arsitektur dan pengaturan jaringan perlu mempertimbangkan tujuan analisis serta karakteristik variabel yang digunakan (Montesinos López dkk., 2022).
Kinerja model ANN dipengaruhi oleh beberapa parameter yang ditentukan selama proses pelatihan. Salah satu parameter tersebut adalah jumlah neuron pada hidden layer yang mengatur kapasitas jaringan dalam mempelajari pola data. Selain itu, jumlah iterasi maksimum (maximum iterations) merupakan parameter yang menentukan batas pengulangan proses pembelajaran dalam memperbarui bobot jaringan. Peningkatan jumlah iterasi memberikan kesempatan kepada jaringan untuk melakukan lebih banyak proses pembelajaran, tetapi tidak selalu menjamin penurunan kesalahan prediksi. Hal tersebut bergantung pada karakteristik data, arsitektur jaringan, dan proses optimasi yang digunakan (Aggarwal, 2023).
Dalam perangkat lunak R, salah satu paket yang dapat digunakan untuk
membangun model ANN adalah nnet. Paket ini menyediakan
fungsi nnet() untuk membentuk jaringan saraf
feed-forward dengan satu hidden layer. Beberapa
parameter yang dapat diatur dalam fungsi tersebut antara lain
size untuk menentukan jumlah neuron pada hidden
layer, maxit untuk menentukan iterasi maksimum, serta
linout untuk mengatur penggunaan keluaran linear pada
pemodelan regresi. Pengaturan parameter tersebut memungkinkan pengguna
melakukan percobaan dengan beberapa konfigurasi jaringan untuk
memperoleh model dengan kinerja prediksi yang lebih baik (Ripley,
2026).
Evaluasi kinerja model regresi dilakukan untuk mengetahui kemampuan model dalam menghasilkan prediksi yang mendekati nilai aktual. Salah satu pendekatan yang dapat digunakan adalah mengukur selisih antara nilai aktual dan nilai prediksi melalui metrik kesalahan. Beberapa metrik yang umum digunakan dalam evaluasi regresi adalah Mean Squared Error (MSE), Root Mean Squared Error (RMSE), dan Mean Absolute Error (MAE). Ketiga metrik tersebut memberikan gambaran mengenai tingkat kesalahan prediksi model, sehingga dapat digunakan untuk membandingkan kinerja beberapa konfigurasi ANN.
MSE merupakan rata-rata kuadrat selisih antara nilai aktual dan nilai prediksi, sedangkan RMSE merupakan akar kuadrat dari MSE sehingga memiliki satuan yang sama dengan variabel respons. Sementara itu, MAE merupakan rata-rata nilai absolut selisih antara nilai aktual dan nilai prediksi. Model dengan nilai MSE, RMSE, dan MAE yang lebih kecil menunjukkan tingkat kesalahan prediksi yang lebih rendah berdasarkan metrik masing-masing. Evaluasi dilakukan menggunakan data pengujian (testing data) agar kemampuan prediksi model dapat dinilai pada data yang tidak digunakan selama proses pelatihan.
Data yang digunakan dalam praktikum ini merupakan dataset
BreastCancer yang tersedia pada package mlbench di
perangkat lunak R. Dataset tersebut memuat sejumlah karakteristik sel
kanker payudara. Dalam pemodelan, variabel Bare.nuclei
ditetapkan sebagai variabel respons (Y), sementara variabel
Cl.thickness, Cell.size, Cell.shape,
Marg.adhesion, Epith.c.size, Bl.cromatin,
Normal.nucleoli, dan Mitoses digunakan sebagai
variabel prediktor (X). Variabel Id tidak disertakan karena
hanya berperan sebagai penanda identitas setiap observasi, sedangkan
variabel Class dikeluarkan dari pemodelan karena memiliki tipe
data kategorik.
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% |
Tahap pertama dilakukan dengan memanggil package yang
diperlukan dan memuat dataset BreastCancer dari
package mlbench. Selanjutnya, variabel identitas
(Id) dan variabel kategorik (Class)
dikeluarkan dari data karena tidak digunakan dalam pemodelan regresi.
Seluruh variabel yang digunakan kemudian dikonversi ke bentuk numerik
agar dapat diproses oleh model ANN. Observasi yang memiliki nilai hilang
(missing values) dihapus sebelum analisis dilakukan.
# Memanggil package yang diperlukan
packages <- c("mlbench", "nnet", "dplyr", "ggplot2",
"knitr", "tidyr")
# Memeriksa dan memasang package yang belum tersedia
for (p in packages) {
if (!requireNamespace(p, quietly = TRUE)) {
install.packages(p, repos = "https://cloud.r-project.org")
}
}
# Memuat package
library(mlbench)## Warning: package 'mlbench' was built under R version 4.5.3
## Warning: package 'nnet' was built under R version 4.5.3
## Warning: package 'dplyr' was built under R version 4.5.3
##
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
##
## filter, lag
## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union
## Warning: package 'ggplot2' was built under R version 4.5.3
## Warning: package 'knitr' was built under R version 4.5.2
library(tidyr)
# Memuat dataset BreastCancer
data("BreastCancer", package = "mlbench")
bc <- BreastCancer
# Melihat struktur awal dataset
dim(bc)## [1] 699 11
## 'data.frame': 699 obs. of 11 variables:
## $ Id : chr "1000025" "1002945" "1015425" "1016277" ...
## $ Cl.thickness : Ord.factor w/ 10 levels "1"<"2"<"3"<"4"<..: 5 5 3 6 4 8 1 2 2 4 ...
## $ Cell.size : Ord.factor w/ 10 levels "1"<"2"<"3"<"4"<..: 1 4 1 8 1 10 1 1 1 2 ...
## $ Cell.shape : Ord.factor w/ 10 levels "1"<"2"<"3"<"4"<..: 1 4 1 8 1 10 1 2 1 1 ...
## $ Marg.adhesion : Ord.factor w/ 10 levels "1"<"2"<"3"<"4"<..: 1 5 1 1 3 8 1 1 1 1 ...
## $ Epith.c.size : Ord.factor w/ 10 levels "1"<"2"<"3"<"4"<..: 2 7 2 3 2 7 2 2 2 2 ...
## $ Bare.nuclei : Factor w/ 10 levels "1","2","3","4",..: 1 10 2 4 1 10 10 1 1 1 ...
## $ Bl.cromatin : Factor w/ 10 levels "1","2","3","4",..: 3 3 3 3 3 9 3 3 1 2 ...
## $ Normal.nucleoli: Factor w/ 10 levels "1","2","3","4",..: 1 2 1 7 1 7 1 1 1 1 ...
## $ Mitoses : Factor w/ 9 levels "1","2","3","4",..: 1 1 1 1 1 1 1 1 5 1 ...
## $ Class : Factor w/ 2 levels "benign","malignant": 1 1 1 1 1 2 1 1 1 1 ...
# Menghapus variabel yang tidak digunakan
bc$Id <- NULL
bc$Class <- NULL
# Mengubah variabel menjadi numerik
bc[] <- lapply(bc, function(x) {
as.numeric(as.character(x))
})
# Menghitung jumlah nilai hilang sebelum penghapusan
jumlah_missing <- sum(is.na(bc))
# Menghapus observasi yang memiliki nilai hilang
bc <- na.omit(bc)
# Menentukan variabel respons dan prediktor
target <- "Bare.nuclei"
prediktor <- setdiff(names(bc), target)
# Menampilkan ringkasan data
ringkasan_data <- data.frame(
Keterangan = c(
"Jumlah observasi setelah pembersihan",
"Jumlah variabel prediktor",
"Jumlah variabel respons",
"Jumlah nilai hilang sebelum penghapusan"
),
Nilai = c(
nrow(bc),
length(prediktor),
1,
jumlah_missing
)
)
knitr::kable(
ringkasan_data,
caption = "Ringkasan Dataset Setelah Pembersihan"
)| Keterangan | Nilai |
|---|---|
| Jumlah observasi setelah pembersihan | 683 |
| Jumlah variabel prediktor | 8 |
| Jumlah variabel respons | 1 |
| Jumlah nilai hilang sebelum penghapusan | 16 |
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.000 1.000 1.000 3.545 6.000 10.000
Berdasarkan hasil pemrosesan data, variabel Id dan
Class tidak disertakan dalam pemodelan. Variabel
Bare.nuclei digunakan sebagai variabel respons (Y),
sedangkan delapan variabel lainnya digunakan sebagai variabel prediktor
(X). Observasi yang memiliki nilai hilang dihapus agar seluruh data yang
digunakan dalam pembentukan model memiliki nilai lengkap. Dengan
demikian, data yang telah dibersihkan dapat digunakan untuk tahap
pembagian data dan pemodelan ANN regresi.
Perlu diperhatikan bahwa Bare.nuclei pada dataset
BreastCancer merupakan variabel numerik diskrit dengan nilai 1
sampai 10 yang pada data aslinya bersifat ordinal. Dalam praktikum ini,
variabel tersebut diperlakukan sebagai respons numerik untuk keperluan
pemodelan regresi.
Setelah data dibersihkan, tahap berikutnya adalah membagi data menjadi data pelatihan (training data) dan data pengujian (testing data). Pembagian dilakukan dengan proporsi 80% untuk data training dan 20% untuk data testing. Data training digunakan untuk membentuk model ANN, sedangkan data testing digunakan untuk mengevaluasi kemampuan model dalam memprediksi data yang tidak dilibatkan pada proses pelatihan.
# Menentukan seed agar pembagian data dapat direproduksi
set.seed(234)
# Menentukan indeks data training sebesar 80%
indeks_train <- sample(
seq_len(nrow(bc)),
size = floor(0.80 * nrow(bc))
)
# Membagi data training dan testing
train <- bc[indeks_train, , drop = FALSE]
test <- bc[-indeks_train, , drop = FALSE]
# Menampilkan jumlah dan proporsi data
tabel_split <- data.frame(
Data = c("Training", "Testing", "Total"),
Jumlah = c(nrow(train), nrow(test), nrow(bc)),
Persentase = c(
paste0(round(nrow(train) / nrow(bc) * 100, 2), "%"),
paste0(round(nrow(test) / nrow(bc) * 100, 2), "%"),
"100%"
)
)
knitr::kable(
tabel_split,
caption = "Pembagian Data Training dan Testing"
)| Data | Jumlah | Persentase |
|---|---|---|
| Training | 546 | 79.94% |
| Testing | 137 | 20.06% |
| Total | 683 | 100% |
Berdasarkan hasil pembagian data, sebanyak 80% observasi digunakan sebagai data training dan 20% sisanya digunakan sebagai data testing. Data training menjadi dasar bagi jaringan saraf untuk mempelajari pola hubungan antara variabel prediktor dan variabel respons. Sementara itu, data testing digunakan untuk menilai kemampuan prediksi model terhadap observasi yang belum pernah digunakan dalam proses pelatihan. Pembagian yang sama digunakan pada seluruh konfigurasi ANN agar perbandingan kinerja model dapat dilakukan secara konsisten.
Sebelum model dibentuk, data prediktor dan respons distandardisasi agar memiliki skala yang lebih seragam. Parameter standardisasi dihitung menggunakan data training, kemudian diterapkan pada data testing. Langkah ini dilakukan untuk menghindari penggunaan informasi dari data pengujian dalam proses penyiapan model.
Model ANN dibentuk menggunakan fungsi nnet() dari
package nnet. Percobaan dilakukan dengan tiga
variasi jumlah hidden neuron, yaitu 10, 20, dan 30, serta dua
variasi iterasi maksimum (maxit), yaitu 250 dan 500.
Kombinasi kedua parameter tersebut menghasilkan enam model ANN
regresi.
# Memisahkan prediktor dan respons
x_train <- train[, prediktor, drop = FALSE]
x_test <- test[, prediktor, drop = FALSE]
y_train <- train[[target]]
y_test <- test[[target]]
# Menghitung parameter standardisasi dari data training
mean_x <- sapply(x_train, mean)
sd_x <- sapply(x_train, sd)
# Menghindari pembagian dengan standar deviasi nol
sd_x[is.na(sd_x) | sd_x == 0] <- 1
# Standardisasi prediktor training dan testing
x_train_sc <- scale(
x_train,
center = mean_x,
scale = sd_x
)
x_test_sc <- scale(
x_test,
center = mean_x,
scale = sd_x
)
# Standardisasi variabel respons berdasarkan data training
mean_y <- mean(y_train)
sd_y <- sd(y_train)
if (is.na(sd_y) || sd_y == 0) {
sd_y <- 1
}
y_train_sc <- (y_train - mean_y) / sd_y
# Menentukan variasi hidden neuron dan maxit
hidden_neuron <- c(10, 20, 30)
maxit_values <- c(250, 500)
# Membentuk seluruh kombinasi parameter
kombinasi <- expand.grid(
Hidden_Neuron = hidden_neuron,
Maxit = maxit_values
)
knitr::kable(
kombinasi,
caption = "Kombinasi Parameter Model ANN"
)| Hidden_Neuron | Maxit |
|---|---|
| 10 | 250 |
| 20 | 250 |
| 30 | 250 |
| 10 | 500 |
| 20 | 500 |
| 30 | 500 |
# Menyiapkan tempat penyimpanan model dan hasil
model_ann <- list()
hasil_prediksi <- list()
hasil_evaluasi <- list()
# Fungsi untuk menghitung metrik evaluasi regresi
evaluasi_regresi <- function(aktual, prediksi) {
mse <- mean((aktual - prediksi)^2)
rmse <- sqrt(mse)
mae <- mean(abs(aktual - prediksi))
data.frame(
MSE = mse,
RMSE = rmse,
MAE = mae
)
}
# Membentuk enam model ANN
for (i in seq_len(nrow(kombinasi))) {
h <- kombinasi$Hidden_Neuron[i]
m <- kombinasi$Maxit[i]
nama_model <- paste0(
"ANN_Hidden", h,
"_Maxit", m
)
# Seed sama untuk pasangan maxit pada hidden neuron yang sama
set.seed(1000 + h)
model <- nnet::nnet(
x = as.matrix(x_train_sc),
y = y_train_sc,
size = h,
linout = TRUE,
maxit = m,
decay = 0.01,
rang = 0.1,
MaxNWts = 20000,
trace = FALSE
)
# Melakukan prediksi pada data testing
prediksi_sc <- predict(
model,
newdata = as.matrix(x_test_sc)
)
# Mengembalikan prediksi ke skala asli
prediksi <- as.numeric(prediksi_sc) * sd_y + mean_y
# Menghitung evaluasi model
evaluasi <- evaluasi_regresi(
aktual = y_test,
prediksi = prediksi
)
# Menyimpan model
model_ann[[nama_model]] <- model
# Menyimpan hasil prediksi
hasil_prediksi[[nama_model]] <- data.frame(
Aktual = y_test,
Prediksi = prediksi
)
# Menyimpan hasil evaluasi
hasil_evaluasi[[nama_model]] <- data.frame(
Model = nama_model,
Hidden_Neuron = h,
Maxit = m,
evaluasi,
Konvergensi = model$convergence
)
}
# Menggabungkan hasil evaluasi seluruh model
tabel_hasil <- dplyr::bind_rows(hasil_evaluasi)
knitr::kable(
tabel_hasil,
digits = 4,
caption = "Hasil Evaluasi Enam Model ANN Regresi"
)| Model | Hidden_Neuron | Maxit | MSE | RMSE | MAE | Konvergensi |
|---|---|---|---|---|---|---|
| ANN_Hidden10_Maxit250 | 10 | 250 | 7.0893 | 2.6626 | 1.4894 | 1 |
| ANN_Hidden20_Maxit250 | 20 | 250 | 11.4301 | 3.3808 | 1.9012 | 1 |
| ANN_Hidden30_Maxit250 | 30 | 250 | 12.5043 | 3.5361 | 2.0079 | 1 |
| ANN_Hidden10_Maxit500 | 10 | 500 | 8.3568 | 2.8908 | 1.5416 | 1 |
| ANN_Hidden20_Maxit500 | 20 | 500 | 11.4734 | 3.3872 | 1.9610 | 1 |
| ANN_Hidden30_Maxit500 | 30 | 500 | 18.0136 | 4.2442 | 2.1632 | 1 |
Standardisasi dilakukan dengan menghitung rata-rata dan standar
deviasi masing-masing variabel prediktor berdasarkan data
training. Parameter yang sama digunakan untuk mentransformasi
data testing. Variabel respons juga distandardisasi berdasarkan
data training. Setelah prediksi diperoleh, hasilnya
dikembalikan ke skala awal agar nilai evaluasi dapat diinterpretasikan
sesuai dengan skala variabel Bare.nuclei.
Berdasarkan kombinasi parameter, terbentuk enam model ANN, yaitu
model dengan 10 hidden neuron dan maxit 250, 10
hidden neuron dan maxit 500, 20 hidden
neuron dan maxit 250, 20 hidden neuron dan
maxit 500, 30 hidden neuron dan maxit
250, serta 30 hidden neuron dan maxit 500.
Parameter linout = TRUE digunakan agar lapisan keluaran
menghasilkan nilai numerik untuk pemodelan regresi. Nilai
decay dan rang dipertahankan sama pada seluruh
model sehingga perbandingan difokuskan pada variasi jumlah hidden
neuron dan maxit.
Tahap berikutnya adalah mengamati hasil prediksi dari masing-masing model pada data testing. Nilai prediksi dibandingkan dengan nilai aktual untuk melihat kedekatan hasil estimasi terhadap data sebenarnya. Tabel berikut menampilkan sepuluh observasi pertama dari setiap model beserta nilai evaluasinya.
for (nm in names(hasil_prediksi)) {
cat("\n\n### ", nm, "\n\n", sep = "")
data_pred <- hasil_prediksi[[nm]]
cat(
knitr::kable(
head(data_pred, 10),
digits = 4,
caption = paste("Sepuluh Hasil Prediksi", nm),
format = "pipe"
),
"\n\n"
)
met <- tabel_hasil %>%
dplyr::filter(Model == nm)
cat(
knitr::kable(
met,
digits = 4,
caption = paste("Evaluasi", nm),
format = "pipe"
),
"\n\n"
)
cat(
"Model ", nm,
" menghasilkan MSE sebesar ", sprintf("%.4f", met$MSE),
", RMSE sebesar ", sprintf("%.4f", met$RMSE),
", dan MAE sebesar ", sprintf("%.4f", met$MAE),
". Nilai tersebut menunjukkan tingkat kesalahan prediksi model pada data testing. Semakin kecil nilai metrik evaluasi, semakin dekat hasil prediksi terhadap nilai aktual berdasarkan ukuran kesalahan yang digunakan.\n\n",
sep = ""
)
}Perbandingan dilakukan untuk mengetahui pengaruh jumlah hidden
neuron dan nilai maxit terhadap kinerja model ANN.
Seluruh model dibandingkan menggunakan nilai MSE, RMSE, dan MAE yang
diperoleh dari data testing. Selain tabel, hasil perbandingan
disajikan dalam bentuk grafik agar perubahan nilai kesalahan pada setiap
konfigurasi lebih mudah diamati.
# Mengubah tabel evaluasi ke format panjang untuk visualisasi
tabel_long <- tabel_hasil %>%
tidyr::pivot_longer(
cols = c(MSE, RMSE, MAE),
names_to = "Metrik",
values_to = "Nilai"
)
# Menampilkan tabel perbandingan
knitr::kable(
tabel_hasil,
digits = 4,
caption = "Perbandingan Kinerja Enam Model ANN Regresi"
)| Model | Hidden_Neuron | Maxit | MSE | RMSE | MAE | Konvergensi |
|---|---|---|---|---|---|---|
| ANN_Hidden10_Maxit250 | 10 | 250 | 7.0893 | 2.6626 | 1.4894 | 1 |
| ANN_Hidden20_Maxit250 | 20 | 250 | 11.4301 | 3.3808 | 1.9012 | 1 |
| ANN_Hidden30_Maxit250 | 30 | 250 | 12.5043 | 3.5361 | 2.0079 | 1 |
| ANN_Hidden10_Maxit500 | 10 | 500 | 8.3568 | 2.8908 | 1.5416 | 1 |
| ANN_Hidden20_Maxit500 | 20 | 500 | 11.4734 | 3.3872 | 1.9610 | 1 |
| ANN_Hidden30_Maxit500 | 30 | 500 | 18.0136 | 4.2442 | 2.1632 | 1 |
# Membuat grafik perbandingan metrik evaluasi
ggplot(
tabel_long,
aes(
x = factor(Hidden_Neuron),
y = Nilai,
group = factor(Maxit),
linetype = factor(Maxit)
)
) +
geom_point(size = 2.5) +
geom_line() +
facet_wrap(~ Metrik, scales = "free_y") +
labs(
title = "Perbandingan Kinerja Enam Model ANN Regresi",
x = "Jumlah Hidden Neuron",
y = "Nilai Kesalahan",
linetype = "Maxit"
) +
theme_minimal()Berdasarkan tabel dan grafik perbandingan, kinerja keenam model ANN
dapat diamati melalui perubahan nilai MSE, RMSE, dan MAE pada setiap
konfigurasi. Perbedaan nilai evaluasi menunjukkan bahwa variasi jumlah
hidden neuron dan iterasi maksimum dapat menghasilkan kemampuan
prediksi yang berbeda. Jumlah hidden neuron berkaitan dengan
kapasitas jaringan dalam mempelajari pola data, sedangkan
maxit menentukan batas maksimum iterasi dalam proses
pelatihan. Konfigurasi dengan nilai kesalahan paling rendah menunjukkan
kinerja prediksi yang lebih baik pada data testing berdasarkan
metrik evaluasi yang digunakan.
Model terbaik ditentukan dengan membandingkan nilai evaluasi dari seluruh konfigurasi. Kriteria utama yang digunakan adalah nilai MSE terkecil, sedangkan RMSE dan MAE digunakan sebagai informasi pendukung untuk melihat besarnya kesalahan prediksi dari sudut pandang yang berbeda. Selain itu, status konvergensi model turut ditampilkan untuk membantu menilai proses pelatihan.
# Mengurutkan model berdasarkan nilai evaluasi
peringkat_model <- tabel_hasil %>%
dplyr::arrange(MSE, RMSE, MAE)
knitr::kable(
peringkat_model,
digits = 4,
caption = "Peringkat Kinerja Model ANN Regresi"
)| Model | Hidden_Neuron | Maxit | MSE | RMSE | MAE | Konvergensi |
|---|---|---|---|---|---|---|
| ANN_Hidden10_Maxit250 | 10 | 250 | 7.0893 | 2.6626 | 1.4894 | 1 |
| ANN_Hidden10_Maxit500 | 10 | 500 | 8.3568 | 2.8908 | 1.5416 | 1 |
| ANN_Hidden20_Maxit250 | 20 | 250 | 11.4301 | 3.3808 | 1.9012 | 1 |
| ANN_Hidden20_Maxit500 | 20 | 500 | 11.4734 | 3.3872 | 1.9610 | 1 |
| ANN_Hidden30_Maxit250 | 30 | 250 | 12.5043 | 3.5361 | 2.0079 | 1 |
| ANN_Hidden30_Maxit500 | 30 | 500 | 18.0136 | 4.2442 | 2.1632 | 1 |
# Memilih model dengan MSE terkecil
model_terbaik <- peringkat_model[1, ]
nama_terbaik <- as.character(model_terbaik$Model)
# Menampilkan konfigurasi dan hasil evaluasi model terbaik
cat(
"\nModel ANN terbaik adalah ", nama_terbaik,
" dengan jumlah hidden neuron sebanyak ",
model_terbaik$Hidden_Neuron,
" dan maxit sebesar ", model_terbaik$Maxit, ".\n\n",
"Model tersebut menghasilkan MSE sebesar ",
sprintf("%.4f", model_terbaik$MSE),
", RMSE sebesar ", sprintf("%.4f", model_terbaik$RMSE),
", dan MAE sebesar ", sprintf("%.4f", model_terbaik$MAE),
". Status konvergensi model adalah ",
model_terbaik$Konvergensi, ".",
sep = ""
)##
## Model ANN terbaik adalah ANN_Hidden10_Maxit250 dengan jumlah hidden neuron sebanyak 10 dan maxit sebesar 250.
##
## Model tersebut menghasilkan MSE sebesar 7.0893, RMSE sebesar 2.6626, dan MAE sebesar 1.4894. Status konvergensi model adalah 1.
Berdasarkan hasil pengurutan nilai evaluasi, konfigurasi dengan MSE paling rendah ditetapkan sebagai model ANN terbaik di antara enam model yang diuji. Nilai RMSE dan MAE digunakan untuk melengkapi penilaian terhadap tingkat kesalahan prediksi model. Dengan demikian, konfigurasi terbaik ditentukan berdasarkan hasil pengujian pada data testing, bukan hanya berdasarkan kemampuan model menyesuaikan data training.
Pada kolom konvergensi, nilai 0 menunjukkan bahwa proses optimasi
dinyatakan konvergen, sedangkan nilai selain 0 menunjukkan bahwa proses
optimasi belum mencapai status konvergen menurut kriteria fungsi
nnet(). Oleh karena itu, status konvergensi perlu
diperhatikan ketika menginterpretasikan hasil masing-masing
konfigurasi.
Visualisasi dilakukan untuk melihat kesesuaian antara nilai aktual dan nilai prediksi yang dihasilkan oleh model terbaik. Grafik dibuat dengan menempatkan nilai aktual pada sumbu horizontal dan nilai prediksi pada sumbu vertikal. Garis diagonal digunakan sebagai garis acuan, yang menunjukkan kondisi ketika nilai prediksi sama dengan nilai aktual.
# Mengambil hasil prediksi model terbaik
prediksi_terbaik <- hasil_prediksi[[nama_terbaik]]
# Membuat grafik aktual dan prediksi
ggplot(
prediksi_terbaik,
aes(x = Aktual, y = Prediksi)
) +
geom_point(alpha = 0.7) +
geom_abline(
intercept = 0,
slope = 1,
linetype = "dashed"
) +
labs(
title = paste("Nilai Aktual dan Prediksi", nama_terbaik),
x = "Nilai Aktual Bare.nuclei",
y = "Nilai Prediksi Bare.nuclei"
) +
theme_minimal()Pada grafik, titik yang berada dekat dengan garis diagonal menunjukkan bahwa nilai prediksi mendekati nilai aktual. Sebaliknya, titik yang semakin jauh dari garis diagonal menunjukkan kesalahan prediksi yang lebih besar. Visualisasi ini melengkapi hasil evaluasi numerik dengan memberikan gambaran mengenai pola kesesuaian antara nilai aktual dan prediksi model terbaik.
Secara keseluruhan, hasil praktikum menunjukkan perbandingan enam
konfigurasi ANN regresi berdasarkan variasi jumlah hidden
neuron dan nilai maxit. Penentuan konfigurasi terbaik
dilakukan dengan memperhatikan nilai MSE, RMSE, dan MAE pada data
testing, serta status konvergensi model. Hasil tersebut menjadi
dasar untuk menjawab rumusan masalah mengenai pengaruh variasi jumlah
neuron dan iterasi maksimum terhadap tingkat kesalahan prediksi ANN.
Berdasarkan praktikum yang telah dilakukan, Artificial Neural
Network (ANN) merupakan metode machine learning yang dapat
diterapkan untuk permasalahan regresi dan klasifikasi. ANN bekerja
melalui lapisan input, hidden, dan output
untuk mempelajari pola data. Implementasinya dalam bahasa R dapat
dilakukan menggunakan package nnet dengan menyesuaikan
arsitektur dan parameter model berdasarkan jenis permasalahan.
Evaluasi performa ANN dilakukan menggunakan metrik yang sesuai dengan tujuan pemodelan. Pada regresi, MSE dan MAPE digunakan untuk mengukur tingkat kesalahan prediksi, sedangkan pada klasifikasi digunakan akurasi dan presisi untuk menilai ketepatan hasil prediksi. Semakin kecil nilai MSE dan MAPE, serta semakin besar nilai akurasi dan presisi, maka semakin baik performa model berdasarkan metrik tersebut.
Berdasarkan hasil Bab IV, penerapan ANN regresi pada dataset BreastCancer menghasilkan enam model dengan kombinasi hidden neuron sebanyak 10, 20, dan 30 serta maxit sebesar 250 dan 500. Performa setiap model dibandingkan menggunakan MSE, RMSE, dan MAE. Model terbaik ditentukan berdasarkan nilai kesalahan prediksi paling kecil pada data pengujian, sehingga pemilihan model tidak hanya bergantung pada konfigurasi parameter, tetapi juga pada hasil evaluasi kinerjanya.
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.
Aggarwal, C. C. (2023). Neural networks and deep learning: A textbook (2nd ed.). Springer. https://doi.org/10.1007/978-3-031-29642-0
Gallego, V., & Ríos Insua, D. (2022). Current advances in neural networks. Annual Review of Statistics and Its Application, 9, 197–222. https://doi.org/10.1146/annurev-statistics-040220-112019
Montesinos López, O. A., Montesinos López, A., & Crossa, J. (2022). Fundamentals of artificial neural networks and deep learning. In Multivariate statistical machine learning methods for genomic prediction (pp. 379–425). Springer. https://doi.org/10.1007/978-3-030-89010-0_10
Ripley, B., & Venables, W. (2026). nnet: Feed-forward neural networks and multinomial log-linear models (Version 7.3-21) [R package]. Comprehensive R Archive Network. https://CRAN.R-project.org/package=nnet