BAB I PENDAHULUAN

1.1 Latar Belakang

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.

1.2 Rumusan Masalah

Berdasarkan latar belakang di atas, rumusan masalah yang dapat disimpulkan yaitu:

  1. Bagaimana cara memahami konsep dan mengimplementasikan 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 Penelitian

Berdasarkan rumusan masalah di atas, tujuan yang dapat disimpulkan yaitu:

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

1.4 Manfaat Penelitian

Adapun manfaat dari praktikum ini yaitu:

  1. Bagi penulis, yaitu dapat memberikan informasi dan pengetahuan serta menerapkan ilmu pengetahuan mengenai metode Artificial Neural Network (ANN) untuk Regresi dan Klasifikasi dengan program R.
  2. Bagi Pembaca, yaitu dapat menambah ilmu pengetahuan dan pemahaman mengenai metode Artificial Neural Network (ANN) untuk Regresi dan Klasifikasi.

1.5 Batasan Masalah

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!

BAB II TINJAUAN PUSTAKA

2.1 Artificial Neural Network (ANN)

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.

2.2 Arsitektur Jaringan

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.

2.3 ANN Klasifikasi

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).

2.3.1 Proses Pembelajaran dan Backpropagation

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).

2.3.2 Fungsi Aktivasi

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).

2.3.3 Evaluasi Model

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.

BAB III METODOLOGI

3.1 Jenis dan Sumber Data

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.

3.2 Variabel Penelitian

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.

3.3 Langkah-langkah Analisis

Langkah-langkah analisis mengikuti prosedur praktikum ANN klasifikasi yaitu:

  1. Menyiapkan dataset iris untuk analisis ANN klasifikasi menggunakan bahasa pemrograman R.
  2. Membagi data menjadi data training dan testing.
  3. Membangun model ANN klasifikasi dengan menentukan arsitektur jaringan, yaitu 4 neuron input, satu hidden layer (10, 20, atau 30 neuron), dan 3 neuron output sesuai jumlah kelas pada variabel respons.
  4. Melatih model menggunakan data training untuk memperoleh bobot jaringan yang sesuai.
  5. Melakukan prediksi menggunakan masing-masing model terhadap data testing.
  6. Mengevaluasi performa model menggunakan akurasi dan presisi berdasarkan confusion matrix.
  7. Membandingkan hasil evaluasi keenam model dan menarik kesimpulan.

BAB IV HASIL DAN PEMBAHASAN

4.1 Library dan Dataset

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.

4.2 Pembagian Data

# 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")
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.

4.3 Model Artificial Neural Network (ANN)

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.

4.3.1 ANN Klasifikasi dengan Training 80% dan Testing 20%

a. Hidden neuron = 10

# Membentuk model ANN dengan 10 hidden neuron
h10_80 <- model_ann(10, train80, test20)

# Menampilkan confusion matrix
h10_80$tab
##             Prediksi
## Aktual       setosa versicolor virginica
##   setosa         10          0         0
##   versicolor      0         14         1
##   virginica       0          0         5
# Menampilkan akurasi
h10_80$akurasi
## [1] 0.9666667
# Menampilkan presisi setiap kelas
h10_80$presisi
##     setosa versicolor  virginica 
##  1.0000000  1.0000000  0.8333333
# Visualisasi arsitektur jaringan
plotnet(h10_80$model)

# Visualisasi bobot jaringan
neuralweights(h10_80$model)
## $struct
## [1]  4 10  3
## 
## $wts
## $wts$`hidden 1 1`
## [1] -0.26651587  0.52507012  0.02615136  0.43550062  0.56711836
## 
## $wts$`hidden 1 2`
## [1] -0.8380191 -1.6267489  1.1663995 -3.1035527 -1.0006471
## 
## $wts$`hidden 1 3`
## [1]  0.3430435 -1.7014713 -0.7963726 -0.6630710 -0.8027070
## 
## $wts$`hidden 1 4`
## [1]  95.41285  42.63444  36.79871 -76.52241 -54.34199
## 
## $wts$`hidden 1 5`
## [1] -0.48770156 -4.29288249 -3.38677997 -0.07787688  0.15877096
## 
## $wts$`hidden 1 6`
## [1] -0.002079827 -1.399929762 -0.931335329 -0.665347978 -0.561988892
## 
## $wts$`hidden 1 7`
## [1]  0.4291562  0.1489929 -0.1995596  0.2278601 -0.3983278
## 
## $wts$`hidden 1 8`
## [1]  1.079382  2.540516  4.712572 -7.455872 -3.790196
## 
## $wts$`hidden 1 9`
## [1] -0.6283002 -0.6785703 -0.6126758 -0.1330398 -0.4255282
## 
## $wts$`hidden 1 10`
## [1] -0.6861286 -2.0674937 -0.4479428 -2.6875892 -0.4922664
## 
## $wts$`out 1`
##  [1] -3.12320891 -3.24964369  1.58559565  0.22418801  4.93625102  0.08018142
##  [7]  0.41679583 -2.11208969 33.16352377  0.31959999  0.42147384
## 
## $wts$`out 2`
##  [1]  -2.8140092  -2.1666040  -2.4343714  -0.7704265  37.6057355   1.4381302
##  [7]  -0.3610026  -1.3570146 -27.1758090   0.2714971  -0.2019400
## 
## $wts$`out 3`
##  [1]   5.02841405   4.47375994   0.91685086   0.06555997 -42.69699336
##  [6]  -1.33719821  -0.34738648   3.69140416  -5.87781969  -0.17530612
## [11]   0.07724252
# Menghitung kepentingan variabel
olden(h10_80$model)
## Warning in olden.default(wts_in, x_names, y_names, skip_wts = skip_wts, :
## Results for first response variable only, use out_var argument to change
## Warning: `label` cannot be a <ggplot2::element_blank> object.

Model ANN dengan 10 hidden neuron memiliki arsitektur jaringan yang terdiri atas 4 neuron masukan, 10 neuron pada satu hidden layer, dan 3 neuron keluaran yang mewakili kelas setosa, versicolor, dan virginica. Jumlah bobot dan bias yang diestimasi sebanyak 83 parameter.

Berdasarkan confusion matrix, seluruh 10 pengamatan setosa dan 5 pengamatan virginica berhasil diklasifikasikan dengan benar. Sementara itu, dari 15 pengamatan versicolor, sebanyak 14 berhasil diklasifikasikan dengan benar dan 1 pengamatan salah diprediksi sebagai virginica. Dengan demikian, model menghasilkan 29 prediksi benar dari 30 data testing, sehingga diperoleh akurasi sebesar 96,67%.

Nilai presisi untuk kelas setosa dan versicolor masing-masing sebesar 100%, sedangkan presisi kelas virginica sebesar 83,33%. Presisi macro yang diperoleh sebesar 94,44%. Hal ini menunjukkan bahwa model memiliki kemampuan klasifikasi yang baik, meskipun masih terdapat satu kesalahan klasifikasi pada kelas versicolor.

Pada visualisasi neuralweights, terlihat bahwa besar bobot pada setiap koneksi jaringan berbeda-beda. Beberapa bobot memiliki nilai absolut yang cukup besar, tetapi kondisi tersebut tidak secara langsung menunjukkan terjadinya overfitting. Sementara itu, berdasarkan grafik Olden untuk neuron keluaran pertama (setosa), variabel Petal.Length memiliki kontribusi relatif terbesar, diikuti Petal.Width, sedangkan Sepal.Length memiliki kontribusi relatif terkecil.

b. Hidden neuron = 20

h20_80 <- model_ann(20, train80, test20)

# Menampilkan confusion matrix
h20_80$tab
##             Prediksi
## Aktual       setosa versicolor virginica
##   setosa         10          0         0
##   versicolor      0         14         1
##   virginica       0          0         5
# Menampilkan akurasi
h20_80$akurasi
## [1] 0.9666667
# Menampilkan presisi setiap kelas
h20_80$presisi
##     setosa versicolor  virginica 
##  1.0000000  1.0000000  0.8333333
# Visualisasi arsitektur jaringan
plotnet(h20_80$model)

# Visualisasi bobot jaringan
neuralweights(h20_80$model)
## $struct
## [1]  4 20  3
## 
## $wts
## $wts$`hidden 1 1`
## [1] -0.9484161 -5.5569335 -2.9188871 -4.8882578 -2.1977363
## 
## $wts$`hidden 1 2`
## [1] -46.12465 -16.53026 -16.02490  30.89294  25.79981
## 
## $wts$`hidden 1 3`
## [1]  2.086507  2.545029  5.500488 -7.686938 -4.834247
## 
## $wts$`hidden 1 4`
## [1]  0.5970993 -2.1307274 -1.6092013 -3.8957115 -1.8644167
## 
## $wts$`hidden 1 5`
## [1] 0.5834814 0.4698602 0.3023091 0.8099270 0.2506681
## 
## $wts$`hidden 1 6`
## [1]   1.318206   0.388811   5.875935 -11.816604  -5.727352
## 
## $wts$`hidden 1 7`
## [1]  1.2693810  1.9486795  1.2446397  2.0892293 -0.1696282
## 
## $wts$`hidden 1 8`
## [1] -1.551385 -1.495917 -5.143899 12.225990  7.120055
## 
## $wts$`hidden 1 9`
## [1] -0.44990523  0.05505388  0.04614850 -0.27703317 -0.55403442
## 
## $wts$`hidden 1 10`
## [1]  1.217194  6.170397  4.244103 -1.049789 -1.526134
## 
## $wts$`hidden 1 11`
## [1]  1.625694  4.539332  6.443296 -8.715517 -6.176285
## 
## $wts$`hidden 1 12`
## [1] -1.560703 -4.629650 -4.096503  3.008611  1.213153
## 
## $wts$`hidden 1 13`
## [1]  1.5750346  4.2679710  2.7247009 -0.1650697 -0.2668579
## 
## $wts$`hidden 1 14`
## [1] 0.2066442 1.9353724 1.0119857 1.7258934 0.3021215
## 
## $wts$`hidden 1 15`
## [1]  0.8830149  2.5798894  2.1926409 -0.4678937 -0.1111172
## 
## $wts$`hidden 1 16`
## [1]  0.4002222  2.3835557  4.0936932 -9.6228831 -4.4792323
## 
## $wts$`hidden 1 17`
## [1]  0.7102379 -0.2365227  1.9326847 -4.0828210 -1.7831369
## 
## $wts$`hidden 1 18`
## [1] -0.05900368  0.86268652  0.61852927  0.73332782 -0.39786092
## 
## $wts$`hidden 1 19`
## [1] -2.239805 -8.358866 -5.698928 -2.692897 -0.722174
## 
## $wts$`hidden 1 20`
## [1] 0.02532608 5.72644859 0.74680755 7.09982095 3.27326046
## 
## $wts$`out 1`
##  [1]   0.3371009  -4.8322857   0.2109346   8.2337613   0.2801374   0.6867434
##  [7]  11.6690660   0.2139797 -10.1036612  -0.2780765   3.0893773   5.6660450
## [13]  -5.7310822   2.7513043   0.3266274  -3.7482499   4.5063425   6.6166705
## [19]   0.2779599  -5.7913395  -3.7842770
## 
## $wts$`out 2`
##  [1]   3.7267099   6.7472744 -43.1654795   5.5048394   0.7679106   3.4144742
##  [7]  -7.1069676   2.7170970  11.1932375   0.8785150  -2.3321871  -0.8350353
## [13]   7.0541755   3.4532533   3.8049815   0.6532300 -13.7992762   4.9560648
## [19]   3.8311567   5.9072119   1.7885354
## 
## $wts$`out 3`
##  [1]  -4.8614234  -2.8608385  43.0260989 -13.6614264  -0.7593378  -4.6314765
##  [7]  -4.9104101  -2.9551887  -0.4621662  -0.9310087   0.2432540  -5.2220619
## [13]  -2.1506407  -5.7021577  -3.4982908   2.6484094   9.6854016 -10.6600699
## [19]  -4.0710164  -0.7177085   2.2860366
# Menghitung kepentingan variabel
olden(h20_80$model)
## Warning in olden.default(wts_in, x_names, y_names, skip_wts = skip_wts, :
## Results for first response variable only, use out_var argument to change
## Warning: `label` cannot be a <ggplot2::element_blank> object.

Model ANN dengan 20 hidden neuron memiliki arsitektur yang terdiri atas 4 neuron masukan, 20 neuron pada lapisan tersembunyi, dan 3 neuron keluaran. Jumlah bobot dan bias yang diestimasi meningkat menjadi 163 parameter.

Berdasarkan confusion matrix, diperoleh hasil klasifikasi yang sama dengan model 10 hidden neuron, yaitu 29 prediksi benar dari 30 data testing. Sebanyak 1 pengamatan versicolor masih salah diprediksi sebagai virginica. Dengan demikian, akurasi model sebesar 96,67%, dengan presisi setosa dan versicolor masing-masing 100%, serta presisi virginica sebesar 83,33%. Presisi macro yang diperoleh sebesar 94,44%.

Hasil tersebut menunjukkan bahwa peningkatan jumlah hidden neuron dari 10 menjadi 20 belum memberikan peningkatan performa klasifikasi. Meskipun jumlah parameter bertambah, hasil prediksi pada data testing tetap sama.

Berdasarkan visualisasi bobot jaringan, nilai bobot terbesar secara absolut adalah −46,12. Pada grafik Olden untuk neuron keluaran pertama (setosa), variabel Petal.Length memiliki kontribusi relatif terbesar, diikuti Sepal.Width, sedangkan Sepal.Length memiliki kontribusi relatif terkecil.

c. Hidden neuron = 30

# Membentuk model ANN dengan 30 hidden neuron
h30_80 <- model_ann(30, train80, test20)

# Menampilkan confusion matrix
h30_80$tab
##             Prediksi
## Aktual       setosa versicolor virginica
##   setosa         10          0         0
##   versicolor      0         14         1
##   virginica       0          0         5
# Menampilkan akurasi
h30_80$akurasi
## [1] 0.9666667
# Menampilkan presisi setiap kelas
h30_80$presisi
##     setosa versicolor  virginica 
##  1.0000000  1.0000000  0.8333333
# Visualisasi arsitektur jaringan
plotnet(h30_80$model)

# Visualisasi bobot jaringan
neuralweights(h30_80$model)
## $struct
## [1]  4 30  3
## 
## $wts
## $wts$`hidden 1 1`
## [1] -28.81466 -10.00249 -11.64654  20.53306  14.99056
## 
## $wts$`hidden 1 2`
## [1] -2.620638 -3.672311 -4.125242  9.152445  5.822171
## 
## $wts$`hidden 1 3`
## [1] 0.005934382 2.251553851 2.280397340 1.877967347 1.143667653
## 
## $wts$`hidden 1 4`
## [1]  0.2177733 -3.1332095 -2.5288651 -2.3635737 -0.4812298
## 
## $wts$`hidden 1 5`
## [1] 0.5778144 0.4089279 0.3082403 0.6917399 0.2087080
## 
## $wts$`hidden 1 6`
## [1]  8.210229  2.975301  6.484931 -7.754449 -5.518807
## 
## $wts$`hidden 1 7`
## [1]  0.6893875  0.8022682  0.3607039  0.6109252 -0.6063265
## 
## $wts$`hidden 1 8`
## [1]  21.240492  19.947846  -3.195515 -21.378217 -19.688666
## 
## $wts$`hidden 1 9`
## [1] -0.7716283 -0.9026101  1.1000869 -3.8486265 -1.7673114
## 
## $wts$`hidden 1 10`
## [1] -0.7272770 -1.3992319 -0.2094593 -1.4111692  0.3401823
## 
## $wts$`hidden 1 11`
## [1] -0.9708975 -1.4004078 -0.2778941 -1.4331278 -0.1002984
## 
## $wts$`hidden 1 12`
## [1]  24.58726  14.07217  12.10404 -23.81074 -17.26130
## 
## $wts$`hidden 1 13`
## [1] 3.317298 7.278740 1.438406 7.840836 2.203627
## 
## $wts$`hidden 1 14`
## [1] -0.009335403  0.757792071  0.626151567  0.560102687 -0.048485264
## 
## $wts$`hidden 1 15`
## [1]  1.566474  1.780311  4.644694 -8.499371 -4.125686
## 
## $wts$`hidden 1 16`
## [1]  21.017884   8.579318   9.793780 -16.790335 -11.847371
## 
## $wts$`hidden 1 17`
## [1] -1.2090920 -0.2925590 -0.8683497 -1.2794487 -0.3198199
## 
## $wts$`hidden 1 18`
## [1] -0.0748087  0.7619998  0.6004683  0.5784379 -0.4456936
## 
## $wts$`hidden 1 19`
## [1] -13.829697  -5.555547  -3.886147   9.067264   9.061748
## 
## $wts$`hidden 1 20`
## [1]  4.17162267 21.95969029 10.05511366  8.97788471 -0.01320131
## 
## $wts$`hidden 1 21`
## [1] -1.280271 -1.149332 -7.894490 14.413997  5.770261
## 
## $wts$`hidden 1 22`
## [1]  1.7426435 -0.7312569  4.0038757 -5.8713896 -3.4028902
## 
## $wts$`hidden 1 23`
## [1] -1.5085738 -3.5999797 -2.0370705 -0.4221923  0.9885821
## 
## $wts$`hidden 1 24`
## [1] -1.074001  5.888416  2.204909  7.189343  2.387356
## 
## $wts$`hidden 1 25`
## [1]  0.1151933 -1.0106879 -0.1921449 -1.6002913 -0.5640228
## 
## $wts$`hidden 1 26`
## [1]  0.9251158  0.6028241 -0.1929798  0.1864286  0.3877857
## 
## $wts$`hidden 1 27`
## [1] -1.2823663  0.5579887  1.0684170 -0.5203672  0.4411352
## 
## $wts$`hidden 1 28`
## [1]  0.1949707  0.2687206  0.3152775  0.5187298 -0.1333086
## 
## $wts$`hidden 1 29`
## [1] -0.3442372 -0.5517881 -0.8227968 -0.7419973  0.4287352
## 
## $wts$`hidden 1 30`
## [1] -0.15876381  0.08403743 -0.28272805 -0.83539090 -0.04213760
## 
## $wts$`out 1`
##  [1]   0.78071939 -13.40645597  -5.00936533   0.05044006  -0.96982642
##  [6]   0.40034725   5.43832957  -0.11258141   1.01290350   0.77082549
## [11]  -0.61460722  -2.94980188   3.59393735   1.21551625   0.18319198
## [16]   4.01767907   8.00134374 -14.25717483   0.18383497  -7.19251899
## [21]   1.20672415 -10.19855604  27.97762130  -0.31739985  12.26957528
## [26]  -1.06814828  -0.11585269  -0.63360929   0.90513633  -0.12996444
## [31]   0.69934658
## 
## $wts$`out 2`
##  [1]  -0.15408849 -19.35093309  -0.20794175  -1.68050345  -0.09053192
##  [6]  -0.19066331   5.84835713   0.35449020   9.40987982  -1.14114423
## [11]   0.61216889  -0.37789181  18.74809808   6.15491744  -0.30393209
## [16]  -7.89679774  16.79734756   9.62599413   0.14952968 -10.70872065
## [21]  -1.65668064  11.34202623 -13.12367104  -2.66756183  -9.82401091
## [26]   0.52801079   0.44082276  -1.36080155  -0.36705368   0.73169666
## [31]   0.14118509
## 
## $wts$`out 3`
##  [1]  -0.80001234  33.28966063   4.09813373   1.68836677   0.28234320
##  [6]  -0.82012431 -10.64621880   0.52660488 -10.24194431   0.30488566
## [11]   0.07548578   4.06398244 -22.59008405  -7.08028624  -0.15950704
## [16]   3.88020200 -23.96173451   4.33596703  -0.18781448  17.10720755
## [21]   1.33813379  -2.06232840 -14.65860728   3.04977230  -2.10077807
## [26]   0.97978970  -1.28625968   1.99987009  -0.40693031  -0.28517773
## [31]  -1.17032800
# Menghitung kepentingan variabel
olden(h30_80$model)
## Warning in olden.default(wts_in, x_names, y_names, skip_wts = skip_wts, :
## Results for first response variable only, use out_var argument to change
## Warning: `label` cannot be a <ggplot2::element_blank> object.

Model ANN dengan 30 hidden neuron memiliki arsitektur yang terdiri atas 4 neuron masukan, 30 neuron pada lapisan tersembunyi, dan 3 neuron keluaran. Jumlah bobot dan bias yang diestimasi sebanyak 243 parameter sehingga menjadi model dengan kompleksitas jaringan terbesar pada skenario pembagian data 80:20.

Berdasarkan confusion matrix, model menghasilkan 29 prediksi benar dari 30 data testing. Kesalahan klasifikasi masih terjadi pada satu pengamatan versicolor yang diprediksi sebagai virginica. Akurasi yang diperoleh sebesar 96,67%, dengan presisi macro sebesar 94,44%. Hasil ini menunjukkan bahwa peningkatan jumlah hidden neuron menjadi 30 belum menghasilkan peningkatan performa dibandingkan model dengan 10 dan 20 hidden neuron.

Pada visualisasi bobot jaringan, nilai bobot terbesar secara absolut adalah 33,29. Sementara itu, berdasarkan grafik Olden untuk neuron keluaran pertama (setosa), variabel Petal.Length memiliki kontribusi relatif terbesar, diikuti Petal.Width, sedangkan Sepal.Length memiliki kontribusi relatif terkecil.

4.3.1 ANN Klasifikasi dengan Training 60% dan Testing 40%

a. Hidden neuron = 10

# Membentuk model ANN dengan 10 hidden neuron
h10_60 <- model_ann(10, train60, test40)

# Menampilkan confusion matrix
h10_60$tab
##             Prediksi
## Aktual       setosa versicolor virginica
##   setosa         20          0         0
##   versicolor      0         21         3
##   virginica       0          0        16
# Menampilkan akurasi
h10_60$akurasi
## [1] 0.95
# Menampilkan presisi setiap kelas
h10_60$presisi
##     setosa versicolor  virginica 
##  1.0000000  1.0000000  0.8421053
# Visualisasi arsitektur jaringan
plotnet(h10_60$model)

# Visualisasi bobot jaringan
neuralweights(h10_60$model)
## $struct
## [1]  4 10  3
## 
## $wts
## $wts$`hidden 1 1`
## [1] -1.250311 -1.203352 -9.765935 12.670800  7.628512
## 
## $wts$`hidden 1 2`
## [1]  -3.777701 -18.958241  -7.819804 -13.956992  -4.223378
## 
## $wts$`hidden 1 3`
## [1]  -1.359694 -12.363998  -5.088493  -9.554180  -3.649667
## 
## $wts$`hidden 1 4`
## [1]  3.628896 17.225978  6.998684 12.457848  3.940357
## 
## $wts$`hidden 1 5`
## [1]  -3.2379965 -17.0192996 -15.8687702   0.7603553   1.9308196
## 
## $wts$`hidden 1 6`
## [1] -0.2840117 -4.4900552 -0.7939232 -5.8873347 -2.5086030
## 
## $wts$`hidden 1 7`
## [1]  0.9509003  2.1399129  1.0355080  1.2388284 -0.5354725
## 
## $wts$`hidden 1 8`
## [1]  11.614665   5.745123   4.176677 -10.339707  -6.161586
## 
## $wts$`hidden 1 9`
## [1] -1.268577 -4.345382 -2.483661 -2.512989 -1.163600
## 
## $wts$`hidden 1 10`
## [1]  -0.5225785 -10.3758904  -0.1903891 -23.3087103 -11.4763191
## 
## $wts$`out 1`
##  [1]  -9.0818104 -22.0124087  49.2333458   6.5252023  -5.2475294 -28.3266347
##  [7]   1.2796819  -8.2826895  43.4349469   2.1010126   0.8665086
## 
## $wts$`out 2`
##  [1]  -0.7936558  11.3429448   3.4410804  -0.5756469   1.1660894 -11.1241967
##  [7]   0.1840786  -0.1471316   7.0826911   0.6258115   6.0585788
## 
## $wts$`out 3`
##  [1]   8.966662   9.726976 -52.606351  -6.430234   3.926433  39.631945
##  [7]  -1.755354   8.652121 -50.407743  -2.311033  -6.628311
# Menghitung kepentingan variabel
olden(h10_60$model)
## Warning in olden.default(wts_in, x_names, y_names, skip_wts = skip_wts, :
## Results for first response variable only, use out_var argument to change
## Warning: `label` cannot be a <ggplot2::element_blank> object.

Model ANN dengan 10 hidden neuron dilatih menggunakan 90 observasi dan diuji menggunakan 60 observasi. Arsitektur jaringan terdiri atas 4 neuron masukan, 10 neuron pada lapisan tersembunyi, dan 3 neuron keluaran dengan total 83 bobot dan bias.

Berdasarkan confusion matrix, seluruh 20 pengamatan setosa dan 16 pengamatan virginica berhasil diklasifikasikan dengan benar. Sementara itu, dari 24 pengamatan versicolor, sebanyak 21 berhasil diklasifikasikan dengan benar dan 3 pengamatan salah diprediksi sebagai virginica. Dengan demikian, diperoleh 57 prediksi benar dari 60 data testing, sehingga akurasi model sebesar 95,00%.

Nilai presisi kelas setosa dan versicolor masing-masing sebesar 100%, sedangkan presisi kelas virginica sebesar 84,21%. Presisi macro yang diperoleh sebesar 94,74%. Hasil ini menunjukkan bahwa model mampu melakukan klasifikasi dengan baik, meskipun masih terdapat kesalahan klasifikasi pada kelas versicolor.

Pada visualisasi bobot jaringan, nilai bobot terbesar secara absolut adalah −52,61. Berdasarkan grafik Olden untuk neuron keluaran pertama (setosa), variabel Petal.Length memiliki kontribusi relatif terbesar, diikuti Petal.Width, sedangkan Sepal.Width memiliki kontribusi relatif terkecil.

b. Hidden neuron = 20

# Membentuk model ANN dengan 20 hidden neuron
h20_60 <- model_ann(20, train60, test40)

# Menampilkan confusion matrix
h20_60$tab
##             Prediksi
## Aktual       setosa versicolor virginica
##   setosa         20          0         0
##   versicolor      0         20         4
##   virginica       0          0        16
# Menampilkan akurasi
h20_60$akurasi
## [1] 0.9333333
# Menampilkan presisi setiap kelas
h20_60$presisi
##     setosa versicolor  virginica 
##        1.0        1.0        0.8
# Visualisasi arsitektur jaringan
plotnet(h20_60$model)

# Visualisasi bobot jaringan
neuralweights(h20_60$model)
## $struct
## [1]  4 20  3
## 
## $wts
## $wts$`hidden 1 1`
## [1] -0.8501391 -2.0339392 -2.0827738  0.4447542  0.7953838
## 
## $wts$`hidden 1 2`
## [1]  -4.408681 -22.209590  -9.697779 -15.411771  -4.745346
## 
## $wts$`hidden 1 3`
## [1]  0.3585953 -1.9374725 -0.5474792 -1.5043448 -1.1267576
## 
## $wts$`hidden 1 4`
## [1]   1.7383454  -1.7642428  -0.9034132 -11.8956540  -8.0757045
## 
## $wts$`hidden 1 5`
## [1] 0.7546954 1.2642600 0.8742554 0.9637077 0.2506909
## 
## $wts$`hidden 1 6`
## [1]  0.18865253 -0.81694089 -0.09571623 -1.34917890 -0.89082376
## 
## $wts$`hidden 1 7`
## [1]  2.6559917 10.4779740  7.7344026  3.1707591  0.1148184
## 
## $wts$`hidden 1 8`
## [1]  2.528602 14.333884  6.712222  8.039372  1.695373
## 
## $wts$`hidden 1 9`
## [1] -0.7621216 -1.3394971 -1.0256385 -0.3990264 -0.4796858
## 
## $wts$`hidden 1 10`
## [1]  -3.196079 -21.930030  -8.035094 -23.225586  -8.910714
## 
## $wts$`hidden 1 11`
## [1]  18.23736  41.52967  22.68719 -56.49963 -42.30342
## 
## $wts$`hidden 1 12`
## [1]  -0.8032371   8.5554963 -10.6838406  32.2923886  13.9997447
## 
## $wts$`hidden 1 13`
## [1]   7.735314  12.572080  34.325828 -44.814259 -22.541324
## 
## $wts$`hidden 1 14`
## [1]  2.085885 13.005327  5.570827  9.600236  2.337781
## 
## $wts$`hidden 1 15`
## [1]  0.2212871 -1.0256908 -0.1954612 -2.0736477 -0.6538380
## 
## $wts$`hidden 1 16`
## [1]   2.613227   7.585808  16.491197 -15.580951  -8.359111
## 
## $wts$`hidden 1 17`
## [1] -0.6213676 -1.5064174 -0.9663230 -1.0134490 -1.1022376
## 
## $wts$`hidden 1 18`
## [1]  0.1903700  2.0309219  1.4226725  0.9701275 -0.4045484
## 
## $wts$`hidden 1 19`
## [1] -0.84452820 -1.16865273 -1.32862262  0.25333847 -0.08683478
## 
## $wts$`hidden 1 20`
## [1]  2.525123 18.155914  5.588934  0.345516 -5.493355
## 
## $wts$`out 1`
##  [1]   0.24829609  -2.00499705 -29.66948094  -0.16550011  -0.21956876
##  [6]   0.40460975   0.45223804  -1.59505057  -2.44098876   0.08768279
## [11]   3.45689462  26.74203654 -29.00920974  66.30844419  -1.57019150
## [16]   1.52735693  10.33082920   0.33680009  -0.10992022  -0.03842065
## [21] -50.90546902
## 
## $wts$`out 2`
##  [1]  -1.27016335   0.57739577  27.20957811   0.14237104   2.78522934
##  [6]  -1.36684701  -0.53435908  -0.59874147  -2.36846626  -0.08262944
## [11]  -9.59809212  41.65048551  18.84915658 -61.09788471  -4.91847165
## [16]   0.27839660  -2.59981779   0.46306889  -1.04994287  -0.54335669
## [21]  20.54957342
## 
## $wts$`out 3`
##  [1]   0.22425463   0.48175158   2.53145681   0.10030334  -2.27695040
##  [6]   0.43197842  -0.26619076   2.16967997   5.43686509  -0.33562353
## [11]   7.14164163 -68.78357427   9.33250583  -4.70815954   7.12198120
## [16]  -2.25236400  -7.33854352   0.11279638   1.19796333  -0.02005878
## [21]  30.64619063
# Menghitung kepentingan variabel
olden(h20_60$model)
## Warning in olden.default(wts_in, x_names, y_names, skip_wts = skip_wts, :
## Results for first response variable only, use out_var argument to change
## Warning: `label` cannot be a <ggplot2::element_blank> object.

Model ANN dengan 20 hidden neuron memiliki arsitektur yang terdiri atas 4 neuron masukan, 20 neuron pada lapisan tersembunyi, dan 3 neuron keluaran. Jumlah bobot dan bias yang diestimasi sebanyak 163 parameter.

Berdasarkan confusion matrix, diperoleh 56 prediksi benar dari 60 data testing. Seluruh kesalahan klasifikasi sebanyak 4 pengamatan berasal dari kelas versicolor yang salah diprediksi sebagai virginica. Dengan demikian, akurasi model sebesar 93,33%, dengan presisi kelas setosa dan versicolor masing-masing sebesar 100%, sedangkan presisi kelas virginica sebesar 80,00%. Presisi macro yang diperoleh sebesar 93,33%.

Dibandingkan model dengan 10 hidden neuron, akurasi mengalami penurunan sebesar 1,67 poin persentase. Hal ini menunjukkan bahwa penambahan jumlah neuron tidak selalu meningkatkan kemampuan klasifikasi model. Jumlah parameter yang lebih banyak dibandingkan observasi data training juga membuat kompleksitas model perlu diperhatikan, meskipun kondisi tersebut saja belum cukup untuk membuktikan terjadinya overfitting.

Pada visualisasi bobot jaringan, nilai bobot terbesar secara absolut adalah −68,78. Berdasarkan grafik Olden untuk neuron keluaran pertama (setosa), variabel Petal.Length memiliki kontribusi relatif terbesar, diikuti Sepal.Width, sedangkan Sepal.Length memiliki kontribusi relatif terkecil.

c. Hidden neuron = 30

# Membentuk model ANN dengan 30 hidden neuron
h30_60 <- model_ann(30, train60, test40)

# Menampilkan confusion matrix
h30_60$tab
##             Prediksi
## Aktual       setosa versicolor virginica
##   setosa         20          0         0
##   versicolor      0         21         3
##   virginica       0          0        16
# Menampilkan akurasi
h30_60$akurasi
## [1] 0.95
# Menampilkan presisi setiap kelas
h30_60$presisi
##     setosa versicolor  virginica 
##  1.0000000  1.0000000  0.8421053
# Visualisasi arsitektur jaringan
plotnet(h30_60$model)

# Visualisasi bobot jaringan
neuralweights(h30_60$model)
## $struct
## [1]  4 30  3
## 
## $wts
## $wts$`hidden 1 1`
## [1] -1.088781 -2.789231 -3.036299  1.114019  1.159562
## 
## $wts$`hidden 1 2`
## [1] -0.5033646 -2.1713297  1.3642605 -6.3270791 -3.0171143
## 
## $wts$`hidden 1 3`
## [1]  0.8856606  0.9438305  0.9708439  0.1209037 -0.7090958
## 
## $wts$`hidden 1 4`
## [1] -0.08648967 -1.36128155 -1.97462563  2.03485391  2.15067853
## 
## $wts$`hidden 1 5`
## [1] 0.5653428 0.3606168 0.2678333 0.7065346 0.2179193
## 
## $wts$`hidden 1 6`
## [1]  0.9787565  1.1851995  4.0529719 -5.8806382 -3.2125923
## 
## $wts$`hidden 1 7`
## [1] 0.4902154 2.8320212 0.5985571 6.4542194 2.8974651
## 
## $wts$`hidden 1 8`
## [1]  0.2085690 -2.4745403 -0.7806825 -7.4874315 -4.5096433
## 
## $wts$`hidden 1 9`
## [1] -0.46305836  0.62079890  0.49960294  0.37469949 -0.08760606
## 
## $wts$`hidden 1 10`
## [1] -0.5623948 -0.6628320 -0.0914872 -0.5970784  0.4703376
## 
## $wts$`hidden 1 11`
## [1] -0.83694592 -1.04020309 -0.08007362 -1.09542883 -0.04158582
## 
## $wts$`hidden 1 12`
## [1] -1.0943922 -3.8925775 -1.7900673 -0.6243912 -0.3406295
## 
## $wts$`hidden 1 13`
## [1]  0.2235814 -0.5082771 -0.3904080  0.1510617  0.5863596
## 
## $wts$`hidden 1 14`
## [1] -0.16882526  0.11646218  0.09295588  0.72614339  0.13361662
## 
## $wts$`hidden 1 15`
## [1]  15.35667  12.59194  10.58553 -19.63396 -17.80280
## 
## $wts$`hidden 1 16`
## [1] -0.3932499 -2.6045784  0.9333763 -6.1723424 -3.0621915
## 
## $wts$`hidden 1 17`
## [1] -3.046757 -9.072455 -8.671954  5.058841  3.375535
## 
## $wts$`hidden 1 18`
## [1] -0.09912023  0.65504619  0.51118237  0.58225252 -0.43552803
## 
## $wts$`hidden 1 19`
## [1] -1.2143361 -0.3654999 -2.8703707  5.7609771  2.4844809
## 
## $wts$`hidden 1 20`
## [1] -1.835106 -4.460094 -6.259839  3.280549  1.665441
## 
## $wts$`hidden 1 21`
## [1]  0.6089718  6.2404387 -0.8953894 12.5531703  4.3730210
## 
## $wts$`hidden 1 22`
## [1] -0.0360142 -4.4858566 -1.3285069 -6.3592352 -3.0566487
## 
## $wts$`hidden 1 23`
## [1]  0.4181710  0.1136975 -0.9739289  2.9616411  1.6325128
## 
## $wts$`hidden 1 24`
## [1] -0.5636719 -2.5309058  0.1351995 -4.8098741 -2.6273370
## 
## $wts$`hidden 1 25`
## [1]  0.4634906  0.7224785  0.9359997 -1.1353175 -0.5710198
## 
## $wts$`hidden 1 26`
## [1]  0.96213193  0.08234007 -0.11500253 -0.92162352 -0.16449050
## 
## $wts$`hidden 1 27`
## [1] 0.06939926 0.17386471 0.09700891 0.10758215 0.01703643
## 
## $wts$`hidden 1 28`
## [1]  0.33651202  0.97314683  0.77641552  0.77979061 -0.08096808
## 
## $wts$`hidden 1 29`
## [1] -0.2812927 -0.2417145 -0.7012839 -0.5635343  0.4503998
## 
## $wts$`hidden 1 30`
## [1]  0.2636784  0.7687778  0.2382902 -2.2508810 -1.1884887
## 
## $wts$`out 1`
##  [1]   0.80883570  -1.95457907   5.29359281  -0.13296644  -0.81237777
##  [6]  -0.41779420   8.06334157  -0.73734293   1.80300536   0.21477643
## [11]   0.63103523  -0.05270564  -0.01106116   0.22495025  -0.34035462
## [16]  13.41700557   3.12227217  -6.76904046   0.12442829 -10.21175259
## [21]  -4.72821714  -6.13119941   4.70544966  -0.93291421   3.57899065
## [26]   1.67556498   0.17102715  -0.01188252   0.69133006   0.39721380
## [31]   1.21093532
## 
## $wts$`out 2`
##  [1] -0.52388536  0.34533547 -3.22090972  0.68982514 -0.84718491 -0.31834585
##  [7] -2.33004553  0.23529417  3.91886720 -2.03004756 -0.36326252 -0.35129104
## [13] -0.57196342  0.57733107 -0.17282635 13.68112788  2.00501847  0.16073630
## [19] -0.14902450  6.38668230  4.58121366 -1.23711486 -1.44251347 -2.58060283
## [25] -1.43768705 -0.74855492  0.14050465 -0.81943310 -0.64991096  0.06635092
## [31] -1.38674280
## 
## $wts$`out 3`
##  [1]  -0.45833177   2.14151516  -3.19185644  -0.49855532   0.88154755
##  [6]   0.12569968  -5.09282814   1.27056243  -5.54103355   1.74983804
## [11]  -0.19472527   1.14028544   0.33497596  -0.51213386   0.23293382
## [16] -27.09705013  -4.29033385   6.31309049   0.17014638   3.03103821
## [21]   1.03518078   6.44945606  -3.06759321   3.57832766  -1.79651731
## [26]  -0.48735784  -1.27282142   0.83677487   0.08973324  -0.14701023
## [31]  -0.15398886
# Menghitung kepentingan variabel
olden(h30_60$model)
## Warning in olden.default(wts_in, x_names, y_names, skip_wts = skip_wts, :
## Results for first response variable only, use out_var argument to change
## Warning: `label` cannot be a <ggplot2::element_blank> object.

Model ANN dengan 30 hidden neuron memiliki arsitektur yang terdiri atas 4 neuron masukan, 30 neuron pada lapisan tersembunyi, dan 3 neuron keluaran. Jumlah bobot dan bias yang diestimasi sebanyak 243 parameter, sedangkan jumlah observasi data training hanya 90.

Berdasarkan confusion matrix, diperoleh 57 prediksi benar dari 60 data testing. Kesalahan klasifikasi sebanyak 3 pengamatan berasal dari kelas versicolor yang salah diprediksi sebagai virginica. Dengan demikian, akurasi model sebesar 95,00%, dengan presisi kelas setosa dan versicolor masing-masing sebesar 100%, sedangkan presisi kelas virginica sebesar 84,21%. Presisi macro yang diperoleh sebesar 94,74%.

Dibandingkan model dengan 20 hidden neuron, akurasi mengalami peningkatan sebesar 1,67 poin persentase. Hasil ini menunjukkan bahwa penambahan jumlah neuron dari 20 menjadi 30 mampu memperbaiki hasil klasifikasi pada pembagian data ini. Namun, model memiliki jumlah parameter yang jauh lebih besar dibandingkan jumlah observasi data training, sehingga kompleksitas model tetap perlu diperhatikan.

Pada visualisasi bobot jaringan, nilai bobot terbesar secara absolut adalah 27,10. Berdasarkan grafik Olden untuk neuron keluaran pertama (setosa), variabel Petal.Length memiliki kontribusi relatif terbesar, diikuti Petal.Width, sedangkan Sepal.Length memiliki kontribusi relatif terkecil.

4.4 Perbandingan Seluruh Model

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")
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.

BAB V KESIMPULAN DAN SARAN

5.1 Kesimpulan

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.

5.2 Saran

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.

DAFTAR PUSTAKA

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).