Dalam machine learning, Artificial Neural Network (ANN) atau jaringan saraf tiruan merupakan salah satu metode pembelajaran yang terinspirasi dari cara kerja jaringan saraf manusia dalam mengolah informasi dan mengenali pola. ANN tersusun atas neuron-neuron yang saling terhubung melalui bobot dan terdiri atas tiga lapisan utama, yaitu input layer, hidden layer, dan output layer. Metode ini dapat digunakan untuk menyelesaikan berbagai permasalahan, salah satunya klasifikasi, yaitu proses pengelompokan data ke dalam kelas tertentu berdasarkan karakteristik yang dimiliki.
Penerapan ANN untuk klasifikasi dilakukan oleh Aini dkk. (2023) dalam penelitian berjudul Implementation of Artificial Neural Network with Backpropagation Algorithm for Rating Classification on Sales of Blackmores in Tokopedia. Selain itu, Putri dan Suwanda (2023) menerapkan ANN untuk mengklasifikasikan kualitas udara di Provinsi DKI Jakarta. Kedua penelitian tersebut menunjukkan bahwa ANN dapat dimanfaatkan untuk mengelompokkan data berdasarkan sejumlah variabel masukan dengan menggunakan ukuran evaluasi seperti accuracy, precision, dan recall. JUTIF+1
Pada praktikum ini, ANN diterapkan untuk melakukan klasifikasi menggunakan perangkat lunak R. Proses pemodelan dilakukan dengan menggunakan variasi jumlah neuron pada hidden layer dan pembagian data training dan testing untuk mengetahui pengaruhnya terhadap performa model. Evaluasi hasil klasifikasi dilakukan menggunakan nilai accuracy dan precision. Melalui praktikum ini, diharapkan dapat dipahami proses pembentukan model ANN, penerapan klasifikasi, serta perbandingan performa model berdasarkan konfigurasi yang digunakan.
Berdasarkan latar belakang di atas, rumusan masalah yang dapat disimpulkan yaitu:
Berdasarkan rumusan masalah di atas, tujuan yang dapat disimpulkan yaitu:
Adapun manfaat dari praktikum ini yaitu:
Adapun batasan masalah dari praktikum ini, 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 insterpretasikan masing masing ouput dengan jelas!
Artificial Neural Network (ANN) merupakan model komputasi yang terinspirasi dari cara kerja otak manusia, di mana sejumlah neuron saling terhubung untuk memproses informasi dan mempelajari pola dari data (Haykin, 2009 dalam Fransiska, 2026). ANN tersusun atas lapisan masukan (input layer), lapisan tersembunyi (hidden layer), dan lapisan keluaran (output layer). Setiap neuron menerima masukan yang dikalikan dengan bobot tertentu, ditambah bias, lalu diproses melalui fungsi aktivasi untuk menghasilkan keluaran (Fransiska, 2026).
Menurut Fausett (1994) dalam Fransiska (2026), ANN memiliki tiga komponen utama, yaitu arsitektur jaringan, algoritma pembelajaran untuk menyesuaikan bobot, dan fungsi aktivasi yang menentukan keluaran tiap neuron. Secara matematis, pengolahan informasi pada satu neuron dinyatakan sebagai berikut (Fransiska, 2026):
\[y = f\left(\sum_{i=1}^{p} w_i x_i + b\right)\]
dengan \(x_i\) adalah masukan ke-\(i\), \(w_i\) bobot yang menghubungkan masukan ke-\(i\) dengan neuron, \(b\) bias, \(f\) fungsi aktivasi, dan \(y\) keluaran neuron.
Arsitektur ANN dibedakan menjadi Single Layer Perceptron (SLP) dan Multi-Layer Perceptron (MLP) (Goodfellow, Bengio, & Courville, 2016 dalam Fransiska, 2026). SLP adalah jaringan tanpa lapisan tersembunyi yang hanya mampu mempelajari hubungan linear, sedangkan MLP memiliki satu atau lebih lapisan tersembunyi sehingga mampu mempelajari hubungan nonlinear untuk pemodelan klasifikasi (Fransiska, 2026). Penelitian ini menggunakan arsitektur MLP dengan satu hidden layer.
ANN klasifikasi digunakan untuk memprediksi variabel respons berupa kategori. Untuk klasifikasi multikelas, yaitu klasifikasi dengan lebih dari dua kategori, lapisan keluaran umumnya menggunakan fungsi softmax yang menghasilkan probabilitas setiap kelas dengan jumlah seluruh probabilitas sama dengan 1 (Bishop, 2006 dalam Fransiska, 2026).
Backpropagation adalah algoritma pembelajaran yang menyesuaikan bobot jaringan berdasarkan kesalahan prediksi. Prosesnya terdiri dari tiga tahap, yaitu forward propagation (menghitung keluaran jaringan dari masukan, bobot, dan fungsi aktivasi), backward propagation (menghitung gradien kesalahan terhadap bobot), dan pembaruan bobot untuk mengurangi kesalahan prediksi (Fransiska, 2026).
Pada klasifikasi, pembelajaran dilakukan dengan meminimalkan fungsi kerugian cross-entropy, yang mengukur perbedaan antara probabilitas prediksi dan kelas aktual (Rumelhart, Hinton, & Williams, 1986 dalam Fransiska, 2026). Untuk klasifikasi multikelas digunakan categorical cross-entropy (Fransiska, 2026):
\[L = -\frac{1}{n}\sum_{i=1}^{n}\sum_{k=1}^{K} y_{ik}\log(\hat{y}_{ik})\].
dengan \(y_{ik}\) adalah label aktual dan \(\hat{y}_{ik}\) adalah prediksi model. Bobot diperbarui dengan gradient descent (Fransiska, 2026):
\[w_{ij}^{(t+1)} = w_{ij}^{(t)} - \eta \frac{\partial L}{\partial w_{ij}}\]
dengan \(\eta\) adalah laju pembelajaran (learning rate).
Fungsi aktivasi berperan menentukan nonlinearitas jaringan. Fungsi yang umum dipakai pada ANN klasifikasi adalah sigmoid (cocok untuk klasifikasi biner), softmax (cocok untuk klasifikasi multikelas), ReLU (mempercepat konvergensi dan mengatasi masalah vanishing gradient), dan tanh (keluaran antara -1 dan 1 serta membantu normalisasi sinyal neuron) (Fransiska, 2026).
Evaluasi ANN klasifikasi dilakukan dengan membandingkan kelas aktual dan kelas hasil prediksi yang disajikan dalam confusion matrix (Fransiska, 2026).
| Predicted Positive | Predicted Negative | |
|---|---|---|
| Actual Positive | True Positive (TP) | False Negative (FN) |
| Actual Negative | False Positive (FP) | True Negative (TN) |
Ukuran evaluasi yang digunakan adalah akurasi dan presisi (Fransiska, 2026):
\[Accuracy = \frac{TP+TN}{TP+TN+FP+FN} \qquad Precision = \frac{TP}{TP+FP}\]
Akurasi menunjukkan proporsi prediksi yang benar dari seluruh data, sedangkan presisi menunjukkan ketepatan prediksi suatu kelas, yaitu proporsi prediksi positif yang benar-benar positif.
Data yang digunakan adalah ddata numerik, yaitu data yang dapat dilakukan perhitungan. Sumber data yang digunakan yaitu sekunder, karena tidak diperoleh secara langsug oleh peneliti.
Data yang digunakan adalah dataset iris bawaan R yang
terdiri atas 150 observasi dengan empat variabel prediktor, yaitu
Sepal.Length, Sepal.Width,
Petal.Length, dan Petal.Width, serta satu
variabel respons Species dengan tiga kategori (setosa,
versicolor, dan virginica) yang masing-masing berjumlah 50
observasi.
Langkah-langkah analisis mengikuti prosedur praktikum ANN klasifikasi yaitu:
library(nnet)
library(NeuralNetTools)
library(knitr)
# Memanggil dataset
data(iris)
# Melihat struktur data
str(iris)
## 'data.frame': 150 obs. of 5 variables:
## $ Sepal.Length: num 5.1 4.9 4.7 4.6 5 5.4 4.6 5 4.4 4.9 ...
## $ Sepal.Width : num 3.5 3 3.2 3.1 3.6 3.9 3.4 3.4 2.9 3.1 ...
## $ Petal.Length: num 1.4 1.4 1.3 1.5 1.4 1.7 1.4 1.5 1.4 1.5 ...
## $ Petal.Width : num 0.2 0.2 0.2 0.2 0.2 0.4 0.3 0.2 0.2 0.1 ...
## $ Species : Factor w/ 3 levels "setosa","versicolor",..: 1 1 1 1 1 1 1 1 1 1 ...
# Menampilkan enam data pertama
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
# Melihat ringkasan statistik
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
##
##
##
# Menghitung jumlah observasi
nrow(iris)
## [1] 150
# Melihat jumlah masing-masing kelas
table(iris$Species)
##
## setosa versicolor virginica
## 50 50 50
Dataset yang digunakan adalah dataset iris bawaan R yang terdiri atas 150 observasi dengan empat variabel prediktor numerik, yaitu Sepal.Length, Sepal.Width, Petal.Length, dan Petal.Width, serta satu variabel respons kategorik yaitu Species. Variabel respons memiliki tiga kategori, yaitu setosa, versicolor, dan virginica, dengan masing-masing sebanyak 50 observasi. Dengan demikian, dataset memiliki distribusi kelas yang seimbang sehingga dapat digunakan untuk penerapan ANN klasifikasi multikelas.
# Skenario 1: training 80% - testing 20%
set.seed(123)
index80 <- sample(1:nrow(iris), round(0.8 * nrow(iris)))
train80 <- iris[index80, ]
test20 <- iris[-index80, ]
nrow(train80)
## [1] 120
nrow(test20)
## [1] 30
# Skenario 2: training 60% - testing 40%
set.seed(123)
index60 <- sample(1:nrow(iris), round(0.6 * nrow(iris)))
train60 <- iris[index60, ]
test40 <- iris[-index60, ]
nrow(train60)
## [1] 90
nrow(test40)
## [1] 60
# Melihat komposisi kelas setiap pembagian data
komposisi <- rbind(
"Training 80%" = table(train80$Species),
"Testing 20%" = table(test20$Species),
"Training 60%" = table(train60$Species),
"Testing 40%" = table(test40$Species)
)
kable(komposisi,
caption = "Komposisi Kelas pada Data Training dan Testing")
| setosa | versicolor | virginica | |
|---|---|---|---|
| Training 80% | 40 | 35 | 45 |
| Testing 20% | 10 | 15 | 5 |
| Training 60% | 30 | 26 | 34 |
| Testing 40% | 20 | 24 | 16 |
Pembagian data dilakukan menggunakan fungsi sample() dengan set.seed(123) agar hasil pembagian dapat direproduksi. Pada skenario pertama, sebanyak 120 observasi digunakan sebagai data training dan 30 observasi sebagai data testing. Sementara itu, pada skenario kedua, sebanyak 90 observasi digunakan sebagai data training dan 60 observasi sebagai data testing.
Tabel komposisi kelas digunakan untuk mengetahui persebaran masing-masing spesies pada data training dan testing. Karena pembagian dilakukan secara acak tanpa stratifikasi, jumlah setiap kelas pada masing-masing bagian tidak harus sama. Kedua skenario selanjutnya digunakan untuk mengetahui perbedaan performa model ANN berdasarkan proporsi data pelatihan dan pengujian.
Pemodelan ANN dilakukan menggunakan fungsi nnet() dari package nnet. Variabel Species digunakan sebagai variabel respons, sedangkan empat variabel lainnya digunakan sebagai prediktor. Model dibangun menggunakan satu hidden layer dengan jumlah hidden neuron sebanyak 10, 20, dan 30. Dalam mempermudah proses pemodelan dan evaluasi, digunakan fungsi model_ann() yang meliputi proses pelatihan, prediksi, pembentukan confusion matrix, serta perhitungan akurasi dan presisi.
# Membuat fungsi pemodelan ANN
model_ann <- function(size, train, test) {
set.seed(123)
model <- nnet(Species ~ ., data = train,
size = size, trace = FALSE, maxit = 500)
pred <- predict(model, newdata = test, type = "class")
tab <- table(Aktual = test$Species,
Prediksi = factor(pred, levels = levels(iris$Species)))
akurasi <- sum(diag(tab)) / sum(tab)
presisi <- diag(tab) / colSums(tab)
presisi[is.nan(presisi)] <- NA
list(model = model, tab = tab,
akurasi = akurasi,
presisi = presisi,
presisi_macro = mean(presisi, na.rm = TRUE))
}
Hasil prediksi dibandingkan dengan kelas aktual menggunakan confusion matrix. Nilai akurasi dihitung berdasarkan proporsi prediksi yang benar terhadap seluruh data pengujian. Sementara itu, presisi dihitung untuk setiap kelas berdasarkan jumlah prediksi kelas tersebut yang benar. Presisi macro diperoleh dengan menghitung rata-rata presisi dari ketiga kelas.
Perbandingan dilakukan terhadap enam model ANN yang telah dibangun berdasarkan dua skenario pembagian data dan tiga variasi jumlah hidden neuron. Evaluasi dilakukan dengan membandingkan jumlah prediksi benar, akurasi, dan presisi macro dari masing-masing model.
# Menggabungkan seluruh model
semua <- list(h10_80, h20_80, h30_80,
h10_60, h20_60, h30_60)
# Membuat tabel perbandingan
hasil <- data.frame(
Pembagian = rep(c("80:20", "60:40"), each = 3),
Hidden_Neuron = rep(c(10, 20, 30), 2),
Benar = sapply(semua, function(h) sum(diag(h$tab))),
Total_Testing = sapply(semua, function(h) sum(h$tab)),
Akurasi = sapply(semua, function(h) h$akurasi),
Presisi_Macro = sapply(semua, function(h) h$presisi_macro)
)
# Mengubah nilai evaluasi menjadi persen
hasil$Akurasi <- round(hasil$Akurasi * 100, 2)
hasil$Presisi_Macro <- round(hasil$Presisi_Macro * 100, 2)
# Menampilkan tabel perbandingan
kable(hasil,
col.names = c("Pembagian Data", "Hidden Neuron",
"Prediksi Benar", "Total Testing",
"Akurasi (%)", "Presisi Macro (%)"),
caption = "Perbandingan Performa Enam Model ANN Klasifikasi")
| Pembagian Data | Hidden Neuron | Prediksi Benar | Total Testing | Akurasi (%) | Presisi Macro (%) |
|---|---|---|---|---|---|
| 80:20 | 10 | 29 | 30 | 96.67 | 94.44 |
| 80:20 | 20 | 29 | 30 | 96.67 | 94.44 |
| 80:20 | 30 | 29 | 30 | 96.67 | 94.44 |
| 60:40 | 10 | 57 | 60 | 95.00 | 94.74 |
| 60:40 | 20 | 56 | 60 | 93.33 | 93.33 |
| 60:40 | 30 | 57 | 60 | 95.00 | 94.74 |
erdasarkan tabel perbandingan, model ANN dengan pembagian data training 80% dan testing 20% menghasilkan akurasi sebesar 96,67% pada ketiga variasi hidden neuron, yaitu 10, 20, dan 30. Sementara itu, pada pembagian data 60:40, model dengan 10 dan 30 hidden neuron menghasilkan akurasi sebesar 95,00%, sedangkan model dengan 20 hidden neuron menghasilkan akurasi sebesar 93,33%.
Dengan demikian, akurasi tertinggi sebesar 96,67% diperoleh oleh ketiga model pada pembagian data 80:20, sedangkan akurasi terendah sebesar 93,33% diperoleh oleh model dengan 20 hidden neuron pada pembagian data 60:40.
Dari hasil tersebut terlihat bahwa peningkatan jumlah hidden neuron tidak selalu diikuti oleh peningkatan akurasi. Pada pembagian data 80:20, ketiga variasi neuron menghasilkan akurasi yang sama. Sementara itu, pada pembagian data 60:40, perubahan jumlah neuron menghasilkan perbedaan akurasi.
Secara keseluruhan, rata-rata akurasi pada pembagian data 80:20 lebih tinggi dibandingkan pembagian data 60:40. Hal ini menunjukkan bahwa penggunaan proporsi data training yang lebih besar memberikan hasil klasifikasi yang lebih baik pada percobaan ini. Namun, hasil tersebut masih bergantung pada pembagian data secara acak dan seed yang digunakan, sehingga belum dapat digeneralisasikan bahwa pembagian 80:20 selalu lebih baik untuk setiap dataset.
# Membuat matriks akurasi berdasarkan pembagian data
mat <- xtabs(Akurasi ~ Pembagian + Hidden_Neuron, data = hasil)
# Membuat diagram batang
barplot(mat,
beside = TRUE,
col = c("steelblue", "orange"),
ylim = c(0, 110),
xlab = "Jumlah Hidden Neuron",
ylab = "Akurasi (%)",
main = "Perbandingan Akurasi Model ANN",
legend.text = rownames(mat),
args.legend = list(x = "bottomright",
title = "Training:Testing"))
Berdasarkan diagram batang, terlihat bahwa model dengan pembagian data 80:20 memiliki akurasi yang sama pada seluruh variasi hidden neuron, yaitu 96,67%. Sementara itu, pada pembagian data 60:40, akurasi mengalami perubahan sesuai dengan jumlah hidden neuron yang digunakan. Model dengan 10 dan 30 hidden neuron menghasilkan akurasi sebesar 95,00%, sedangkan model dengan 20 hidden neuron menghasilkan akurasi sebesar 93,33%.
Secara keseluruhan, model ANN dengan pembagian data 80:20 memberikan performa klasifikasi terbaik berdasarkan nilai akurasi pada percobaan ini. Dengan demikian, konfigurasi tersebut dapat dipilih sebagai model terbaik di antara enam model yang telah diuji.
model Artificial Neural Network (ANN) dapat diimplementasikan menggunakan bahasa pemrograman R untuk menyelesaikan permasalahan regresi maupun klasifikasi. Implementasi ANN dilakukan melalui pembentukan lapisan input, hidden layer, dan output, serta penentuan parameter model sesuai dengan jenis permasalahan. Pada prosesnya, data dibagi menjadi data training dan testing, kemudian model dilatih untuk mempelajari pola hubungan antara variabel input dan output sehingga dapat menghasilkan prediksi atau klasifikasi.
Evaluasi performa model ANN dilakukan menggunakan metrik yang disesuaikan dengan jenis permasalahannya. Pada regresi, performa model dievaluasi menggunakan MSE dan MAPE untuk mengetahui besarnya kesalahan prediksi. Sementara itu, pada klasifikasi, performa model dievaluasi menggunakan accuracy dan precision untuk mengetahui ketepatan hasil pengelompokan serta ketepatan model dalam memprediksi kelas tertentu. Dengan demikian, penggunaan metrik evaluasi tersebut dapat membantu membandingkan performa model dan menentukan konfigurasi ANN yang memberikan hasil terbaik.
Berdasarkan hasil analisis, model Artificial Neural Network (ANN) berhasil diterapkan untuk melakukan klasifikasi dataset Iris menggunakan bahasa pemrograman R dengan variasi jumlah hidden neuron 10, 20, dan 30 serta dua skenario pembagian data training dan testing. Hasil evaluasi menunjukkan bahwa seluruh model memiliki performa klasifikasi yang baik, dengan akurasi berkisar antara 93,33% hingga 96,67%. Akurasi tertinggi sebesar 96,67% diperoleh pada pembagian data training 80% dan testing 20% untuk seluruh variasi hidden neuron. Sementara itu, pada pembagian data 60% dan 40%, penambahan jumlah hidden neuron tidak selalu meningkatkan performa model. Dengan demikian, dapat disimpulkan bahwa ANN mampu mengklasifikasikan data dengan baik, tetapi performanya dipengaruhi oleh proporsi pembagian data dan konfigurasi jumlah neuron pada hidden layer.
Praktikan dapat melakukan pembelajaran lebih lanjut mengenai model Artificial Neural Network (ANN), serta membandingkan hasilnya. Dalam penulisan laporan praktikan juga diharapkan untuk selalu teliti dan memperhatikan tata cara penulisan yang baik.
Aini, D. H. N., Kurniasari, D., Nuryaman, A., & Usman, M. (2023). Implementation of artificial neural network with backpropagation algorithm for rating classification on sales of Blackmores in Tokopedia. Jurnal Teknik Informatika (JUTIF), 4(2), 365–372.
Fransiska, H. (2026). Modul Praktikum Machine Learning and Modern Prediction. Laboratorium Statistika, Universitas Bengkulu.
Putri, L. A., & Suwanda. (2023). Implementasi metode Artificial Neural Network (ANN) algoritma Backpropagation untuk klasifikasi kualitas udara di Provinsi DKI Jakarta tahun 2021. Bandung Conference Series: Statistics, 3(2).