BAB I PENDAHULUAN

1.1 Latar Belakang Masalah

Artificial Neural Network (ANN) atau Jaringan Syaraf Tiruan (JST) adalah model komputasi yang terinspirasi dari cara kerja otak manusia, yaitu sejumlah neuron yang saling terhubung untuk memproses informasi dan mempelajari pola dari data (Haykin, 2009). Kemampuan ANN dalam menangkap hubungan nonlinier menjadikannya populer dalam berbagai persoalan prediksi dan klasifikasi. Di Indonesia, ANN dengan algoritma backpropagation telah digunakan, misalnya, untuk memprediksi hasil panen tanaman sayuran (Hutabarat dkk., 2021), mengklasifikasikan jenis biji gandum (Tanjung, 2021; Anggraini dkk., 2026), memprediksi tingkat kelulusan mahasiswa (Muamar & Muhajirin, 2024), serta memprediksi dini risiko penyakit diabetes dengan dua hidden layer yang masing-masing berisi 10 neuron (Nisa dkk., 2025).

Meskipun fleksibel, kinerja ANN sangat dipengaruhi oleh konfigurasi jaringan, terutama jumlah neuron pada hidden layer, jumlah iterasi pelatihan, serta bobot awal yang dibangkitkan secara acak (Muamar & Muhajirin, 2024; Mustafidah & Rohman, 2023; Anggraini dkk., 2026). Jumlah neuron yang terlalu sedikit berisiko underfitting, sedangkan jumlah neuron yang terlalu banyak berisiko overfitting, yaitu model sangat baik pada data training tetapi menurun pada data baru. Selain itu, proporsi pembagian data training dan testing menentukan seberapa banyak informasi yang dipelajari model dan seberapa andal evaluasinya.

Oleh karena itu, praktikum ini menerapkan ANN klasifikasi pada data Iris menggunakan paket nnet di R, dengan membandingkan tiga ukuran hidden layer (10, 20, dan 30 neuron) pada dua proporsi pembagian data (80:20 dan 60:40). Kinerja model dievaluasi menggunakan confusion matrix, akurasi, dan presisi (serta recall dan F1-score sebagai pelengkap) (Pambudi dkk., 2025).

1.2 Rumusan Masalah

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

1.3 Tujuan Praktikum

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

1.4 Batasan Masalah

Soal: Lakukan ANN Klasifikasi dengan Hidden Neuron = c(10, 20, 30) dengan data training 80% dan testing 20% serta data training 60% dan testing 40%, kemudian interpretasikan masing-masing output dengan jelas.

Data pilihan: Iris (150 pengamatan, 4 prediktor numerik, 1 respons kategorik 3 kelas).

Batasan yang digunakan: (1) arsitektur satu hidden layer sesuai kemampuan paket nnet; (2) set.seed(917) untuk pembagian data dan pelatihan agar hasil dapat direproduksi; (3) jumlah iterasi maksimum maxit = 500; (4) total terdapat 6 skenario model (3 ukuran hidden layer × 2 proporsi data).

BAB II TINJAUAN PUSTAKA

2.1 Artificial Neural Network

ANN tersusun atas tiga jenis lapisan: lapisan masukan (input layer), lapisan tersembunyi (hidden layer), dan lapisan keluaran (output layer). Setiap neuron menerima masukan yang dikalikan bobot, ditambah bias, lalu diproses oleh fungsi aktivasi (Fausett, 1994):

\[ y = f\left(\sum_{i=1}^{p} w_i x_i + b\right) \]

dengan \(x_i\) masukan ke-\(i\), \(w_i\) bobot, \(b\) bias, \(f\) fungsi aktivasi, dan \(y\) keluaran neuron. Tiga komponen utama ANN adalah arsitektur jaringan, algoritma pembelajaran, dan fungsi aktivasi.

2.2 Arsitektur: SLP dan MLP

Arsitektur Ciri Kemampuan
Single Layer Perceptron (SLP) Tanpa hidden layer Hubungan linear / klasifikasi yang dapat dipisahkan secara linear
Multi-Layer Perceptron (MLP) Satu atau lebih hidden layer Hubungan nonlinier untuk regresi dan klasifikasi (Goodfellow dkk., 2016)

Paket nnet membangun MLP dengan satu hidden layer. Untuk \(p\) prediktor, \(H\) neuron tersembunyi, dan \(K\) kelas, banyaknya bobot (termasuk bias) yang harus diestimasi adalah:

\[ \text{Jumlah bobot} = (p + 1)\,H + (H + 1)\,K \]

2.3 Backpropagation dan Gradient Descent

Backpropagation menyesuaikan bobot berdasarkan kesalahan prediksi melalui tiga tahap (Rumelhart dkk., 1986; Haykin, 2009):

  1. Forward propagation — menghitung keluaran jaringan dari masukan, bobot, dan fungsi aktivasi.
  2. Backward propagation — menghitung gradien kesalahan terhadap bobot.
  3. Pembaruan bobot — memperbarui bobot untuk mengurangi kesalahan, misalnya dengan gradient descent:

\[ w_{ij}^{(t+1)} = w_{ij}^{(t)} - \eta \,\frac{\partial L}{\partial w_{ij}} \]

dengan \(\eta\) adalah learning rate dan \(L\) fungsi kerugian. Pada praktiknya, nnet meminimalkan fungsi kerugian dengan algoritma optimasi BFGS, sehingga tidak memiliki argumen learning rate seperti pada gradient descent murni. Karena bobot awal dibangkitkan acak, hasil pelatihan dapat berbeda antarpercobaan (Mustafidah & Rohman, 2023) sehingga set.seed() diperlukan.

2.4 Fungsi Aktivasi

Fungsi Rumus Keterangan
Sigmoid \(f(z)=\dfrac{1}{1+e^{-z}}\) Keluaran 0–1; cocok untuk klasifikasi biner dan umum dipakai pada hidden layer
Tanh \(f(z)=\dfrac{1-e^{-2z}}{1+e^{-2z}}\) Keluaran −1 hingga 1
ReLU \(f(z)=\max(0,z)\) Mempercepat konvergensi, mengurangi masalah vanishing gradient
Softmax \(f(z_k)=\dfrac{e^{z_k}}{\sum_{j=1}^{K}e^{z_j}}\) Probabilitas tiap kelas, jumlahnya 1; untuk klasifikasi multikelas

2.5 ANN Klasifikasi dan Cross-Entropy

Pada klasifikasi biner, lapisan keluaran memakai satu neuron sigmoid. Pada klasifikasi multikelas (seperti Iris, \(K=3\)), lapisan keluaran memakai softmax dan fungsi kerugian categorical cross-entropy (Bishop, 2006):

\[ L = -\frac{1}{n}\sum_{i=1}^{n}\sum_{k=1}^{K} y_{ik}\,\log(\hat{y}_{ik}) \]

Ketika variabel respons berupa factor dengan lebih dari dua level, fungsi nnet.formula() secara otomatis membentuk keluaran softmax dengan satu neuron per kelas.

2.6 Evaluasi Model: Confusion Matrix

Prediksi Positif Prediksi Negatif
Aktual Positif True Positive (TP) False Negative (FN)
Aktual Negatif False Positive (FP) True Negative (TN)

\[ \text{Akurasi}=\frac{TP+TN}{TP+TN+FP+FN},\quad \text{Presisi}=\frac{TP}{TP+FP},\quad \text{Recall}=\frac{TP}{TP+FN},\quad F_1=2\cdot\frac{\text{Presisi}\times\text{Recall}}{\text{Presisi}+\text{Recall}} \]

Pada klasifikasi multikelas, presisi, recall, dan \(F_1\) dihitung per kelas (one-vs-rest) lalu dirata-ratakan (macro average). Metrik ini lazim dipakai dalam penelitian klasifikasi di Indonesia (Pambudi dkk., 2025; Anggraini dkk., 2026).

2.7 Parameter Penting pada Paket nnet

Argumen Fungsi
size Banyaknya neuron pada hidden layer (10, 20, 30 pada praktikum ini)
maxit Jumlah iterasi maksimum optimasi (bawaan 100; dipakai 500 di sini)
decay Penalti bobot (weight decay) untuk mengurangi overfitting (bawaan 0)
linout TRUE untuk keluaran linear (regresi); tidak dipakai pada klasifikasi
trace Menampilkan/menyembunyikan log iterasi

Visualisasi dan interpretasi model dilakukan dengan paket NeuralNetTools (Beck, 2018): plotnet() untuk diagram jaringan, neuralweights() untuk bobot, dan olden() untuk kepentingan variabel (Olden dkk., 2004).

BAB III METODE PENELITIAN

3.1 Jenis dan Sumber Data

Data yang digunakan adalah data kuantitatif Iris (bawaan R: data(iris)) yang terdiri dari 150 pengamatan, masing-masing 50 pengamatan untuk spesies setosa, versicolor, dan virginica.

3.2 Variabel Penelitian

No Variabel Keterangan Tipe Peran
1 Species Spesies bunga (setosa, versicolor, virginica) Kategorik (3 kelas) Respons
2 Sepal.Length Panjang kelopak (cm) Numerik Prediktor
3 Sepal.Width Lebar kelopak (cm) Numerik Prediktor
4 Petal.Length Panjang mahkota (cm) Numerik Prediktor
5 Petal.Width Lebar mahkota (cm) Numerik Prediktor

3.3 Skenario Eksperimen

Kode Data training Data testing Hidden neuron Arsitektur
80_10 80% 20% 10 4-10-3
80_20 80% 20% 20 4-20-3
80_30 80% 20% 30 4-30-3
60_10 60% 40% 10 4-10-3
60_20 60% 40% 20 4-20-3
60_30 60% 40% 30 4-30-3

3.4 Langkah-langkah Analisis

  1. Memanggil paket nnet, NeuralNetTools, ggplot2, dan knitr.
  2. Memuat data Iris dan melakukan eksplorasi awal (head, summary, grafik).
  3. Membagi data secara acak menjadi training dan testing (80:20 dan 60:40) dengan set.seed(917).
  4. Membentuk formula Species ~ . dan melatih ANN dengan nnet.formula() untuk size = 10, 20, 30.
  5. Memprediksi kelas data testing (type = "class") dan menyusun confusion matrix.
  6. Menghitung akurasi, presisi, recall, dan \(F_1\); membandingkan akurasi training vs testing untuk mendeteksi overfitting.
  7. Mengeksplorasi model terbaik: plotnet(), neuralweights(), olden().
  8. Menguji kestabilan hasil dengan 30 kali pengulangan pembagian data acak.
  9. Menginterpretasikan hasil dan menarik kesimpulan.

3.5 Diagram Alir Penelitian

BAB IV HASIL DAN PEMBAHASAN

4.1 Persiapan Data

Tahap awal adalah memanggil paket yang dibutuhkan, memuat data Iris, dan memeriksa strukturnya.

# install.packages(c("nnet", "NeuralNetTools", "ggplot2", "knitr", "DiagrammeR"))  # jalankan sekali bila belum ada
library(nnet)
library(NeuralNetTools)
library(ggplot2)
library(knitr)

data(iris)
dim(iris)
## [1] 150   5
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 ...
head(iris)
summary(iris)
##   Sepal.Length   Sepal.Width    Petal.Length   Petal.Width        Species  
##  Min.   :4,30   Min.   :2,00   Min.   :1,00   Min.   :0,1   setosa    :50  
##  1st Qu.:5,10   1st Qu.:2,80   1st Qu.:1,60   1st Qu.:0,3   versicolor:50  
##  Median :5,80   Median :3,00   Median :4,35   Median :1,3   virginica :50  
##  Mean   :5,84   Mean   :3,06   Mean   :3,76   Mean   :1,2                  
##  3rd Qu.:6,40   3rd Qu.:3,30   3rd Qu.:5,10   3rd Qu.:1,8                  
##  Max.   :7,90   Max.   :4,40   Max.   :6,90   Max.   :2,5
table(iris$Species)
## 
##     setosa versicolor  virginica 
##         50         50         50
long <- data.frame(
  Species  = rep(iris$Species, 4),
  Variabel = rep(names(iris)[1:4], each = nrow(iris)),
  Nilai    = unlist(iris[, 1:4], use.names = FALSE)
)

ggplot(long, aes(x = Species, y = Nilai, fill = Species)) +
  geom_boxplot(alpha = 0.85, outlier.colour = "#be123c") +
  facet_wrap(~ Variabel, scales = "free_y") +
  scale_fill_manual(values = c("#14b8a6", "#6366f1", "#f59e0b")) +
  labs(x = NULL, y = "Nilai (cm)") +
  theme_minimal(base_size = 12) +
  theme(legend.position = "none", strip.text = element_text(face = "bold"))
Sebaran setiap prediktor menurut spesies

Sebaran setiap prediktor menurut spesies 

ggplot(iris, aes(Petal.Length, Petal.Width, colour = Species)) +
  geom_point(size = 2.6, alpha = 0.85) +
  scale_colour_manual(values = c("#14b8a6", "#6366f1", "#f59e0b")) +
  labs(x = "Petal.Length (cm)", y = "Petal.Width (cm)") +
  theme_minimal(base_size = 12)
Diagram pencar Petal.Length vs Petal.Width

Diagram pencar Petal.Length vs Petal.Width

Data Iris terdiri atas 150 pengamatan dan 5 variabel (4 prediktor numerik dan 1 respons kategorik dengan 3 kelas yang seimbang, masing-masing 50 pengamatan). Pada grafik terlihat bahwa spesies setosa terpisah jelas dari dua spesies lain, terutama pada Petal.Length dan Petal.Width, sedangkan versicolor dan virginica saling beririsan. Dengan demikian, kesalahan klasifikasi—bila ada—umumnya akan muncul di antara versicolor dan virginica.

4.2 Fungsi Bantu dan Pelatihan Model

Agar kode ringkas dan konsisten pada keenam skenario, dibuat dua fungsi: hitung_metrik() untuk menghitung confusion matrix beserta metrik evaluasi, dan latih_ann() untuk membagi data, melatih ANN, dan memprediksi. Sintaks inti mengikuti modul praktikum (nnet.formula(form, size = ..., data = train)).

SEED_SPLIT <- 917   # seed untuk pembagian data (sesuai modul)
SEED_FIT   <- 917   # seed untuk bobot awal jaringan
MAXIT      <- 500   # iterasi maksimum (bawaan nnet = 100)

# Formula: Species ~ semua prediktor lain (sama seperti modul)
i    <- names(iris)
form <- as.formula(paste("Species ~", paste(i[!i %in% "Species"], collapse = " + ")))
form
## Species ~ Sepal.Length + Sepal.Width + Petal.Length + Petal.Width
# Confusion matrix + metrik per kelas dan rata-rata (macro)
hitung_metrik <- function(aktual, prediksi) {
  kelas    <- levels(aktual)
  prediksi <- factor(as.character(prediksi), levels = kelas)
  cm       <- table(Aktual = aktual, Prediksi = prediksi)
  tp       <- diag(cm)
  kol      <- colSums(cm)   # total prediksi per kelas
  bar      <- rowSums(cm)   # total aktual per kelas
  presisi  <- ifelse(kol == 0, NA, tp / kol)
  recall   <- ifelse(bar == 0, NA, tp / bar)
  f1       <- ifelse(is.na(presisi) | is.na(recall) | (presisi + recall) == 0,
                     NA, 2 * presisi * recall / (presisi + recall))
  list(cm = cm, akurasi = sum(tp) / sum(cm),
       presisi = unname(presisi), recall = unname(recall), f1 = unname(f1),
       presisi_macro = mean(presisi, na.rm = TRUE),
       recall_macro  = mean(recall,  na.rm = TRUE),
       f1_macro      = mean(f1,      na.rm = TRUE))
}

# Split data -> latih ANN -> prediksi -> evaluasi
latih_ann <- function(prop, size, seed_split = SEED_SPLIT, seed_fit = SEED_FIT, maxit = MAXIT) {
  set.seed(seed_split)
  index <- sample(seq_len(nrow(iris)), round(prop * nrow(iris)))
  train <- iris[index, ]
  test  <- iris[-index, ]

  set.seed(seed_fit)
  nn <- nnet::nnet.formula(form, data = train, size = size, maxit = maxit, trace = FALSE)

  pred_train <- predict(nn, newdata = train, type = "class")
  pred_test  <- predict(nn, newdata = test,  type = "class")

  list(prop = prop, size = size,
       n_train = nrow(train), n_test = nrow(test),
       model = nn, train = train, test = test,
       m_train = hitung_metrik(train$Species, pred_train),
       m_test  = hitung_metrik(test$Species,  pred_test),
       bobot = length(nn$wts), konvergen = (nn$convergence == 0), loss = nn$value)
}

Selanjutnya keenam model dilatih sekaligus.

skenario <- expand.grid(size = c(10, 20, 30), prop = c(0.8, 0.6))
skenario$kode <- sprintf("%d_%d", round(skenario$prop * 100), skenario$size)

hasil <- lapply(seq_len(nrow(skenario)), function(k) latih_ann(skenario$prop[k], skenario$size[k]))
names(hasil) <- skenario$kode
names(hasil)
## [1] "80_10" "80_20" "80_30" "60_10" "60_20" "60_30"

4.3 Ringkasan Seluruh Skenario

tabel <- data.frame(
  Prop      = sapply(hasil, function(h) h$prop),
  Split     = sapply(hasil, function(h) paste0(round(h$prop * 100), ":", round((1 - h$prop) * 100))),
  Hidden    = sapply(hasil, function(h) h$size),
  n_train   = sapply(hasil, function(h) h$n_train),
  n_test    = sapply(hasil, function(h) h$n_test),
  Bobot     = sapply(hasil, function(h) h$bobot),
  Konvergen = sapply(hasil, function(h) ifelse(h$konvergen, "Ya", "Tidak (maxit)")),
  Loss      = sapply(hasil, function(h) h$loss),
  Acc_train = sapply(hasil, function(h) h$m_train$akurasi),
  Acc_test  = sapply(hasil, function(h) h$m_test$akurasi),
  Presisi   = sapply(hasil, function(h) h$m_test$presisi_macro),
  Recall    = sapply(hasil, function(h) h$m_test$recall_macro),
  F1        = sapply(hasil, function(h) h$m_test$f1_macro),
  stringsAsFactors = FALSE
)
tabel$Selisih <- tabel$Acc_train - tabel$Acc_test

tampil <- data.frame(
  Skenario            = rownames(tabel),
  `Split (train:test)` = tabel$Split,
  `Hidden neuron`      = tabel$Hidden,
  `Jumlah bobot`       = tabel$Bobot,
  Konvergen            = tabel$Konvergen,
  `Akurasi train (%)`  = round(100 * tabel$Acc_train, 2),
  `Akurasi test (%)`   = round(100 * tabel$Acc_test, 2),
  `Presisi (%)`        = round(100 * tabel$Presisi, 2),
  `Recall (%)`         = round(100 * tabel$Recall, 2),
  `F1 (%)`             = round(100 * tabel$F1, 2),
  check.names = FALSE
)
kable(tampil, row.names = FALSE, align = "lcccccccc",
      caption = "Tabel 1. Ringkasan kinerja seluruh skenario ANN (presisi, recall, dan F1 = rata-rata macro pada data testing)")
Tabel 1. Ringkasan kinerja seluruh skenario ANN (presisi, recall, dan F1 = rata-rata macro pada data testing)
Skenario Split (train:test) Hidden neuron Jumlah bobot Konvergen Akurasi train (%) Akurasi test (%) Presisi (%) Recall (%) F1 (%)
80_10 80:20 10 83 Ya 100 96,67 96,97 97,22 96,96
80_20 80:20 20 163 Ya 100 90,00 92,31 91,67 90,89
80_30 80:20 30 243 Ya 100 90,00 91,17 90,56 90,74
60_10 60:40 10 83 Ya 100 95,00 95,48 95,10 95,26
60_20 60:40 20 163 Ya 100 95,00 95,48 95,10 95,26
60_30 60:40 30 243 Ya 100 95,00 96,30 94,74 95,18 
# Model terbaik: akurasi testing tertinggi -> F1 tertinggi -> jumlah bobot paling sedikit (paling sederhana)
ord        <- order(-tabel$Acc_test, -tabel$F1, tabel$Bobot)
kode_best  <- rownames(tabel)[ord[1]]
best       <- hasil[[kode_best]]
kode_best
## [1] "80_10"

Ringkasan cepat. Akurasi testing tertinggi adalah 96,67%, dicapai oleh skenario 80_10. Model yang dipilih sebagai model terbaik (kriteria: akurasi testing, lalu F1, lalu model paling sederhana) adalah 80_10 (10 hidden neuron, split 80:20).

perf <- rbind(
  data.frame(Split = tabel$Split, Hidden = tabel$Hidden, Data = "Training", Akurasi = tabel$Acc_train),
  data.frame(Split = tabel$Split, Hidden = tabel$Hidden, Data = "Testing",  Akurasi = tabel$Acc_test)
)
perf$Split <- factor(perf$Split, levels = c("80:20", "60:40"),
                     labels = c("Split 80:20", "Split 60:40"))
batas_bawah <- max(0, floor(min(perf$Akurasi) * 10) * 10 - 10)

ggplot(perf, aes(x = factor(Hidden), y = Akurasi * 100, fill = Data)) +
  geom_col(position = position_dodge(width = 0.85), width = 0.78) +
  geom_text(aes(label = format(round(Akurasi * 100, 1), nsmall = 1)),
            position = position_dodge(width = 0.85), vjust = -0.4, size = 3.2) +
  facet_wrap(~ Split) +
  coord_cartesian(ylim = c(batas_bawah, 104)) +
  scale_fill_manual(values = c(Training = "#6366f1", Testing = "#14b8a6")) +
  labs(x = "Jumlah hidden neuron", y = "Akurasi (%)",
       caption = paste0("Catatan: sumbu-y dimulai dari ", batas_bawah, "%")) +
  theme_minimal(base_size = 12) +
  theme(legend.position = "top", strip.text = element_text(face = "bold"))
Perbandingan akurasi training vs testing pada setiap skenario

Perbandingan akurasi training vs testing pada setiap skenario 

cm_long <- do.call(rbind, lapply(hasil, function(h) {
  d <- as.data.frame(h$m_test$cm, stringsAsFactors = FALSE)
  d$Split  <- paste0("Split ", round(h$prop * 100), ":", round((1 - h$prop) * 100))
  d$Hidden <- paste0("H = ", h$size)
  d
}))
cm_long$Split  <- factor(cm_long$Split,  levels = c("Split 80:20", "Split 60:40"))
cm_long$Hidden <- factor(cm_long$Hidden, levels = c("H = 10", "H = 20", "H = 30"))

ggplot(cm_long, aes(x = Prediksi, y = Aktual, fill = Freq)) +
  geom_tile(colour = "white", linewidth = 1) +
  geom_text(aes(label = Freq), fontface = "bold", size = 4.2) +
  facet_grid(Split ~ Hidden) +
  scale_y_discrete(limits = rev(levels(iris$Species))) +
  scale_fill_gradient(low = "#f1f5f9", high = "#0d9488") +
  labs(x = "Kelas prediksi", y = "Kelas aktual", fill = "Jumlah") +
  theme_minimal(base_size = 11) +
  theme(axis.text.x = element_text(angle = 30, hjust = 1), strip.text = element_text(face = "bold"))
Confusion matrix data testing untuk keenam skenario

Confusion matrix data testing untuk keenam skenario

4.4 Hasil Rinci Tiap Skenario

Setiap tab berikut menyajikan: informasi arsitektur dan pelatihan, confusion matrix data testing, metrik per kelas, serta interpretasi yang disusun otomatis dari hasil model.

4.4.1 Skenario A — Training 80% : Testing 20%

Hidden Neuron = 10

1) Arsitektur dan pelatihan. Jaringan berarsitektur 4-10-3 (4 input, 10 hidden neuron, 3 output softmax) dengan 83 bobot yang diestimasi dari 120 data training (80%). Nilai fungsi galat akhir = 1e-04; status optimasi: konvergen.

2) Confusion matrix data testing (n = 30)

Prediksi setosa Prediksi versicolor Prediksi virginica
Aktual setosa 8 0 0
Aktual versicolor 0 10 0
Aktual virginica 0 1 11

3) Metrik per kelas

Kelas Presisi (%) Recall (%) F1 (%)
setosa 100,00 100,00 100,00
versicolor 90,91 100,00 95,24
virginica 100,00 91,67 95,65

Dari 30 data testing, 29 pengamatan diklasifikasikan dengan benar sehingga akurasi testing = 96,67% (akurasi training = 100,00%). Kesalahan klasifikasi yang terjadi: 1 pengamatan virginica diprediksi sebagai versicolor. Kelas dengan recall terendah adalah virginica (91,67%). Presisi rata-rata (macro) sebesar 96,97%, recall rata-rata 97,22%, dan F1-score rata-rata 96,96%. Selisih akurasi training–testing hanya 3,33% poin, sehingga model tergolong generalisasi baik (tidak ada indikasi overfitting yang berarti). Perlu diingat, satu pengamatan pada data testing setara dengan 3,33% akurasi, sehingga perbedaan kecil antarskenario dapat disebabkan oleh satu–dua pengamatan saja.

Hidden Neuron = 20

1) Arsitektur dan pelatihan. Jaringan berarsitektur 4-20-3 (4 input, 20 hidden neuron, 3 output softmax) dengan 163 bobot yang diestimasi dari 120 data training (80%). Nilai fungsi galat akhir = 0,0000; status optimasi: konvergen.

2) Confusion matrix data testing (n = 30)

Prediksi setosa Prediksi versicolor Prediksi virginica
Aktual setosa 8 0 0
Aktual versicolor 0 10 0
Aktual virginica 0 3 9

3) Metrik per kelas

Kelas Presisi (%) Recall (%) F1 (%)
setosa 100,00 100 100,00
versicolor 76,92 100 86,96
virginica 100,00 75 85,71

Dari 30 data testing, 27 pengamatan diklasifikasikan dengan benar sehingga akurasi testing = 90,00% (akurasi training = 100,00%). Kesalahan klasifikasi yang terjadi: 3 pengamatan virginica diprediksi sebagai versicolor. Kelas dengan recall terendah adalah virginica (75,00%). Presisi rata-rata (macro) sebesar 92,31%, recall rata-rata 91,67%, dan F1-score rata-rata 90,89%. Akurasi training lebih tinggi 10,00% poin dibanding testing, yang mengindikasikan kecenderungan overfitting. Perlu diingat, satu pengamatan pada data testing setara dengan 3,33% akurasi, sehingga perbedaan kecil antarskenario dapat disebabkan oleh satu–dua pengamatan saja.

Hidden Neuron = 30

1) Arsitektur dan pelatihan. Jaringan berarsitektur 4-30-3 (4 input, 30 hidden neuron, 3 output softmax) dengan 243 bobot yang diestimasi dari 120 data training (80%). Nilai fungsi galat akhir = 0,0000; status optimasi: konvergen.

2) Confusion matrix data testing (n = 30)

Prediksi setosa Prediksi versicolor Prediksi virginica
Aktual setosa 8 0 0
Aktual versicolor 0 8 2
Aktual virginica 0 1 11

3) Metrik per kelas

Kelas Presisi (%) Recall (%) F1 (%)
setosa 100,00 100,00 100,00
versicolor 88,89 80,00 84,21
virginica 84,62 91,67 88,00

Dari 30 data testing, 27 pengamatan diklasifikasikan dengan benar sehingga akurasi testing = 90,00% (akurasi training = 100,00%). Kesalahan klasifikasi yang terjadi: 1 pengamatan virginica diprediksi sebagai versicolor; 2 pengamatan versicolor diprediksi sebagai virginica. Kelas dengan recall terendah adalah versicolor (80,00%). Presisi rata-rata (macro) sebesar 91,17%, recall rata-rata 90,56%, dan F1-score rata-rata 90,74%. Akurasi training lebih tinggi 10,00% poin dibanding testing, yang mengindikasikan kecenderungan overfitting. Perlu diingat, satu pengamatan pada data testing setara dengan 3,33% akurasi, sehingga perbedaan kecil antarskenario dapat disebabkan oleh satu–dua pengamatan saja.

4.4.2 Skenario B — Training 60% : Testing 40%

Hidden Neuron = 10

1) Arsitektur dan pelatihan. Jaringan berarsitektur 4-10-3 (4 input, 10 hidden neuron, 3 output softmax) dengan 83 bobot yang diestimasi dari 90 data training (60%). Nilai fungsi galat akhir = 0,0000; status optimasi: konvergen.

2) Confusion matrix data testing (n = 60)

Prediksi setosa Prediksi versicolor Prediksi virginica
Aktual setosa 17 0 0
Aktual versicolor 0 23 1
Aktual virginica 0 2 17

3) Metrik per kelas

Kelas Presisi (%) Recall (%) F1 (%)
setosa 100,00 100,00 100,00
versicolor 92,00 95,83 93,88
virginica 94,44 89,47 91,89

Dari 60 data testing, 57 pengamatan diklasifikasikan dengan benar sehingga akurasi testing = 95,00% (akurasi training = 100,00%). Kesalahan klasifikasi yang terjadi: 2 pengamatan virginica diprediksi sebagai versicolor; 1 pengamatan versicolor diprediksi sebagai virginica. Kelas dengan recall terendah adalah virginica (89,47%). Presisi rata-rata (macro) sebesar 95,48%, recall rata-rata 95,10%, dan F1-score rata-rata 95,26%. Akurasi training lebih tinggi 5,00% poin dibanding testing, yang mengindikasikan kecenderungan overfitting. Perlu diingat, satu pengamatan pada data testing setara dengan 1,67% akurasi, sehingga perbedaan kecil antarskenario dapat disebabkan oleh satu–dua pengamatan saja.

Hidden Neuron = 20

1) Arsitektur dan pelatihan. Jaringan berarsitektur 4-20-3 (4 input, 20 hidden neuron, 3 output softmax) dengan 163 bobot yang diestimasi dari 90 data training (60%). Nilai fungsi galat akhir = 0,0000; status optimasi: konvergen.

2) Confusion matrix data testing (n = 60)

Prediksi setosa Prediksi versicolor Prediksi virginica
Aktual setosa 17 0 0
Aktual versicolor 0 23 1
Aktual virginica 0 2 17

3) Metrik per kelas

Kelas Presisi (%) Recall (%) F1 (%)
setosa 100,00 100,00 100,00
versicolor 92,00 95,83 93,88
virginica 94,44 89,47 91,89

Dari 60 data testing, 57 pengamatan diklasifikasikan dengan benar sehingga akurasi testing = 95,00% (akurasi training = 100,00%). Kesalahan klasifikasi yang terjadi: 2 pengamatan virginica diprediksi sebagai versicolor; 1 pengamatan versicolor diprediksi sebagai virginica. Kelas dengan recall terendah adalah virginica (89,47%). Presisi rata-rata (macro) sebesar 95,48%, recall rata-rata 95,10%, dan F1-score rata-rata 95,26%. Akurasi training lebih tinggi 5,00% poin dibanding testing, yang mengindikasikan kecenderungan overfitting. Perlu diingat, satu pengamatan pada data testing setara dengan 1,67% akurasi, sehingga perbedaan kecil antarskenario dapat disebabkan oleh satu–dua pengamatan saja.

Hidden Neuron = 30

1) Arsitektur dan pelatihan. Jaringan berarsitektur 4-30-3 (4 input, 30 hidden neuron, 3 output softmax) dengan 243 bobot yang diestimasi dari 90 data training (60%). Nilai fungsi galat akhir = 1e-04; status optimasi: konvergen.

2) Confusion matrix data testing (n = 60)

Prediksi setosa Prediksi versicolor Prediksi virginica
Aktual setosa 17 0 0
Aktual versicolor 0 24 0
Aktual virginica 0 3 16

3) Metrik per kelas

Kelas Presisi (%) Recall (%) F1 (%)
setosa 100,00 100,00 100,00
versicolor 88,89 100,00 94,12
virginica 100,00 84,21 91,43

Dari 60 data testing, 57 pengamatan diklasifikasikan dengan benar sehingga akurasi testing = 95,00% (akurasi training = 100,00%). Kesalahan klasifikasi yang terjadi: 3 pengamatan virginica diprediksi sebagai versicolor. Kelas dengan recall terendah adalah virginica (84,21%). Presisi rata-rata (macro) sebesar 96,30%, recall rata-rata 94,74%, dan F1-score rata-rata 95,18%. Akurasi training lebih tinggi 5,00% poin dibanding testing, yang mengindikasikan kecenderungan overfitting. Perlu diingat, satu pengamatan pada data testing setara dengan 1,67% akurasi, sehingga perbedaan kecil antarskenario dapat disebabkan oleh satu–dua pengamatan saja.

4.5 Perbandingan Antarskenario

a) Pengaruh jumlah hidden neuron (pada split yang sama)

  • Pada split 80:20, akurasi testing tertinggi (96,67%) diperoleh pada hidden neuron = 10. Akurasi tiap ukuran berturut-turut (10, 20, 30): 96,67%; 90,00%; 90,00%.
  • Pada split 60:40, ketiga ukuran hidden layer (10, 20, 30) menghasilkan akurasi testing yang sama, yaitu 95,00%. Menambah neuron tidak memberi peningkatan kinerja yang terukur.

b) Pengaruh proporsi data training

  • Rata-rata akurasi testing (lintas ukuran hidden layer) pada split 80:20 = 92,22% dan pada split 60:40 = 95,00%. Pada pembagian data ini, proporsi 60:40 justru memberi akurasi rata-rata lebih tinggi; hal ini dapat terjadi karena data testing yang lebih besar (60 pengamatan) dan komposisi acak pengamatan yang terpilih, bukan semata-mata karena proporsi.

c) Kompleksitas model vs. jumlah data

  • Model dengan 30 hidden neuron memiliki 243 bobot, sedangkan data training hanya 120 atau 90 pengamatan. Jumlah parameter yang melebihi jumlah pengamatan menandakan model sangat fleksibel dan lebih rentan overfitting; karena itu selisih akurasi training–testing perlu selalu diperiksa (lihat Tabel 1 dan Gambar akurasi).

4.6 Eksplorasi Model Terbaik

Eksplorasi dilakukan pada model terbaik (kode_best) menggunakan paket NeuralNetTools.

Diagram jaringan (plotnet)

plotnet(best$model)
Diagram ANN model terbaik (garis: bobot positif/negatif; ketebalan menunjukkan besar bobot)

Diagram ANN model terbaik (garis: bobot positif/negatif; ketebalan menunjukkan besar bobot)

Bobot jaringan (neuralweights) — contoh pada arsitektur 4-10-3 (split 80:20)

neuralweights(hasil[["80_10"]]$model)
## $struct
## [1]  4 10  3
## 
## $wts
## $wts$`hidden 1 1`
## [1]  7,1698 41,2248 16,3565 32,7017  9,9819
## 
## $wts$`hidden 1 2`
## [1] -1,7707 -4,7789 -4,5566  3,3066  1,3412
## 
## $wts$`hidden 1 3`
## [1]  69847  15337  17221 -33084 -31284
## 
## $wts$`hidden 1 4`
## [1] -0,137197  2,342256  1,569855  0,078722  0,669239
## 
## $wts$`hidden 1 5`
## [1]   2,7734   3,6479  14,6938 -27,1665 -13,2884
## 
## $wts$`hidden 1 6`
## [1]  147,023   48,841 -107,387  107,546 -407,669
## 
## $wts$`hidden 1 7`
## [1] 1,1914 4,8146 2,6996 2,4197 1,0239
## 
## $wts$`hidden 1 8`
## [1]  52,7541 -22,8494  16,7570   4,1767  13,0790
## 
## $wts$`hidden 1 9`
## [1] 1,4494 5,0222 1,7877 2,9949 1,6670
## 
## $wts$`hidden 1 10`
## [1]   83,763 1737,955  933,949  815,524 1141,024
## 
## $wts$`out 1`
##  [1] -113,39105 -113,96990   -8,68070 5769,98814 -112,98335 5818,11690
##  [7]    0,52101 -109,59830    7,07234 -114,39508 -111,67810
## 
## $wts$`out 2`
##  [1]    43,809    42,683     3,933 13417,863    43,344 -5804,518    80,323
##  [8]    41,261    10,383    45,729    32,668
## 
## $wts$`out 3`
##  [1]     70,7553     72,4886      4,1251 -19188,6049     69,4389    -13,8554
##  [7]    -81,8143     67,1558    -17,4905     69,3547     79,0614

Kepentingan variabel (olden)

kelas_out <- levels(iris$Species)
berhasil  <- 0
for (k in kelas_out) {
  g <- tryCatch(olden(best$model, out_var = k) + ggtitle(paste("Kelas keluaran:", k)),
                error = function(e) NULL)
  if (!is.null(g)) { print(g); berhasil <- berhasil + 1 }
}
Kepentingan variabel (metode Olden) untuk tiap kelas keluaran pada model terbaik

Kepentingan variabel (metode Olden) untuk tiap kelas keluaran pada model terbaik

Kepentingan variabel (metode Olden) untuk tiap kelas keluaran pada model terbaik

Kepentingan variabel (metode Olden) untuk tiap kelas keluaran pada model terbaik

Kepentingan variabel (metode Olden) untuk tiap kelas keluaran pada model terbaik

Kepentingan variabel (metode Olden) untuk tiap kelas keluaran pada model terbaik 

if (berhasil == 0) olden(best$model)   # cadangan: sintaks standar modul

Pada diagram plotnet, lapisan kiri adalah 4 prediktor, lapisan tengah adalah hidden neuron, dan lapisan kanan adalah 3 kelas keluaran; garis dengan warna berbeda menunjukkan bobot positif dan negatif, sedangkan garis yang lebih tebal menunjukkan bobot yang lebih besar. Pada grafik olden, batang positif berarti kenaikan nilai variabel meningkatkan skor kelas keluaran yang bersangkutan, sedangkan batang negatif berarti sebaliknya; semakin panjang batang, semakin besar kontribusi variabel. Karena Petal.Length dan Petal.Width paling membedakan spesies pada eksplorasi data, kedua variabel ini umumnya muncul sebagai kontributor terbesar—periksa grafik di atas untuk memastikannya pada model yang terpilih.

4.7 Uji Kestabilan: 30 Kali Pengulangan Pembagian Data

Karena data testing Iris sangat kecil dan bobot awal acak, hasil dari satu kali split bisa kebetulan baik atau buruk. Sebagai pelengkap, setiap kombinasi (split × hidden neuron) diulang 30 kali dengan pembagian data dan bobot awal yang berbeda, lalu akurasi testing-nya diringkas.

ulangi_split <- function(prop, size, B = 30) {
  akurasi <- numeric(B)
  for (b in seq_len(B)) {
    set.seed(1000 + b)
    idx <- sample(seq_len(nrow(iris)), round(prop * nrow(iris)))
    set.seed(5000 + b)
    nn  <- nnet::nnet.formula(form, data = iris[idx, ], size = size, maxit = MAXIT, trace = FALSE)
    pr  <- predict(nn, newdata = iris[-idx, ], type = "class")
    akurasi[b] <- mean(pr == as.character(iris$Species[-idx]))
  }
  akurasi
}

rep_df <- do.call(rbind, lapply(seq_len(nrow(skenario)), function(k) {
  data.frame(Split  = paste0(round(skenario$prop[k] * 100), ":", round((1 - skenario$prop[k]) * 100)),
             Hidden = skenario$size[k],
             Akurasi = ulangi_split(skenario$prop[k], skenario$size[k]))
}))
rep_df$Split  <- factor(rep_df$Split, levels = c("80:20", "60:40"))
rep_df$Hidden <- factor(rep_df$Hidden, levels = c(10, 20, 30))

rep_tab <- do.call(rbind, lapply(split(rep_df, list(rep_df$Split, rep_df$Hidden), drop = TRUE), function(d) {
  data.frame(Split = as.character(d$Split[1]), Hidden = as.character(d$Hidden[1]),
             `Rata-rata (%)` = round(100 * mean(d$Akurasi), 2),
             `Simpangan baku (%)` = round(100 * sd(d$Akurasi), 2),
             `Min (%)` = round(100 * min(d$Akurasi), 2),
             `Maks (%)` = round(100 * max(d$Akurasi), 2),
             check.names = FALSE)
}))
rep_tab <- rep_tab[order(factor(rep_tab$Split, levels = c("80:20", "60:40")), as.numeric(rep_tab$Hidden)), ]
kable(rep_tab, row.names = FALSE, align = "ccrrrr",
      caption = "Tabel 2. Ringkasan akurasi testing dari 30 kali pengulangan")
Tabel 2. Ringkasan akurasi testing dari 30 kali pengulangan
Split Hidden Rata-rata (%) Simpangan baku (%) Min (%) Maks (%)
80:20 10 96,33 3,65 90,00 100
80:20 20 95,44 3,66 90,00 100
80:20 30 93,89 5,26 76,67 100
60:40 10 94,72 5,89 66,67 100
60:40 20 94,78 2,86 88,33 100
60:40 30 95,44 2,70 90,00 100 
ggplot(rep_df, aes(x = Hidden, y = Akurasi * 100, fill = Hidden)) +
  geom_boxplot(alpha = 0.85, outlier.colour = "#be123c") +
  geom_jitter(width = 0.12, alpha = 0.45, size = 1.5) +
  stat_summary(fun = mean, geom = "point", shape = 23, size = 3, fill = "white") +
  facet_wrap(~ Split, labeller = labeller(Split = function(x) paste("Split", x))) +
  scale_fill_manual(values = c("#14b8a6", "#6366f1", "#f59e0b")) +
  labs(x = "Jumlah hidden neuron", y = "Akurasi testing (%)",
       caption = "Belah ketupat putih = rata-rata") +
  theme_minimal(base_size = 12) +
  theme(legend.position = "none", strip.text = element_text(face = "bold"))
Sebaran akurasi testing dari 30 kali pengulangan

Sebaran akurasi testing dari 30 kali pengulangan

Pada split 80:20, rata-rata akurasi testing tertinggi dicapai oleh 10 hidden neuron (96,33%), sedangkan hasil paling stabil (simpangan baku terkecil) pada 10 hidden neuron (3,65 poin). Pada split 60:40, rata-rata akurasi testing tertinggi dicapai oleh 30 hidden neuron (95,44%), sedangkan hasil paling stabil (simpangan baku terkecil) pada 30 hidden neuron (2,70 poin).

Simpangan baku yang kecil menunjukkan kinerja model tidak banyak bergantung pada pembagian data tertentu; sebaliknya nilai minimum yang rendah menandakan ada pembagian data atau bobot awal yang menyebabkan model kurang baik. Jika rata-rata antarukuran hidden layer hanya berbeda tipis dibandingkan simpangan bakunya, perbedaan tersebut tidak cukup kuat untuk menyatakan satu ukuran jauh lebih baik.

4.8 Pembahasan

  1. Kinerja umum. Data Iris memiliki struktur kelas yang relatif jelas (terutama setosa), sehingga ANN dengan 10–30 neuron umumnya mampu mencapai akurasi tinggi. Sebagai pembanding konteks, Anggraini dkk. (2026) memperoleh akurasi 90,48% dengan arsitektur 7-5-3 dan split 80:20 pada klasifikasi tiga jenis gandum—dataset yang berbeda sehingga nilainya tidak untuk dibandingkan langsung, melainkan menunjukkan bahwa ANN efektif untuk klasifikasi multikelas serta bahwa kesalahan biasanya terkonsentrasi pada kelas yang karakteristiknya mirip (pada Iris: versicolor dan virginica).
  2. Jumlah hidden neuron. Penambahan neuron meningkatkan kapasitas model, tetapi pada data yang sederhana kapasitas ekstra tidak selalu menambah akurasi testing dan justru menambah jumlah bobot serta waktu komputasi. Prinsip parsimoni—memilih model paling sederhana yang kinerjanya setara—menjadi dasar pemilihan model terbaik pada laporan ini.
  3. Proporsi data. Split 80:20 memberi data training lebih banyak sehingga bobot lebih stabil, tetapi data testing hanya sedikit (satu pengamatan salah = penurunan akurasi yang besar). Split 60:40 memberi evaluasi yang lebih andal karena data testing lebih banyak, namun data training berkurang. Karena itu hasil satu kali split sebaiknya dikonfirmasi dengan pengulangan (Subbab 4.7).
  4. Inisialisasi bobot. Bobot awal acak membuat hasil dapat berubah antarpercobaan (Mustafidah & Rohman, 2023); penggunaan set.seed(917) menjamin hasil dapat direproduksi, dan uji kestabilan memperlihatkan seberapa besar variasi yang terjadi.
  5. Batasan. nnet hanya mendukung satu hidden layer dan tidak menyediakan pengaturan learning rate, batch size, maupun fungsi aktivasi hidden layer lain; untuk arsitektur lebih kompleks dapat digunakan paket keras/torch.

BAB V PENUTUP

5.1 Kesimpulan

  1. ANN klasifikasi pada data Iris berhasil dibangun untuk enam skenario (hidden neuron 10, 20, 30 pada split 80:20 dan 60:40). Akurasi testing berkisar antara 90,00% dan 96,67%.
  2. Model terbaik pada pembagian data bersandi seed 917 adalah skenario 80_10 (10 hidden neuron, split 80:20) dengan akurasi testing 96,67%, presisi rata-rata 96,97%, recall rata-rata 97,22%, dan F1-score rata-rata 96,96%.
  3. Selisih akurasi training dan testing terbesar adalah 10,00% poin (skenario 80_20) dan terkecil 3,33% poin, sehingga tingkat overfitting dapat dinilai dari Tabel 1.
  4. Uji 30 pengulangan menunjukkan rata-rata akurasi testing berkisar 93,89% hingga 96,33%, sehingga kesimpulan tentang model terbaik sebaiknya tidak hanya bertumpu pada satu kali pembagian data.
  5. Secara umum, penambahan hidden neuron tidak selalu meningkatkan kinerja pada data sederhana seperti Iris, sedangkan proporsi data training dan bobot awal acak memengaruhi hasil evaluasi.

5.2 Saran

  1. Menambahkan pengaturan decay (regularisasi) dan melakukan tuning size/decay melalui validasi silang (k-fold cross validation) agar pemilihan model lebih objektif.
  2. Melakukan normalisasi/standardisasi prediktor, terutama untuk data dengan skala variabel yang berbeda jauh.
  3. Mencoba dataset lain yang lebih kompleks (misalnya Breast Cancer) dan membandingkan ANN dengan metode lain seperti Random Forest atau SVM.

DAFTAR PUSTAKA

Anggraini, R., Hafiz, M., Lestari, W. A., & Pangesti, R. D. (2026). Penerapan Artificial Neural Network (ANN) untuk klasifikasi jenis biji gandum. MATHunesa: Jurnal Ilmiah Matematika, 14(1), 542–548.

Hutabarat, D., Solikhun, Fauzan, M., Windarto, A. P., & Rizki, F. (2021). Penerapan algoritma backpropagation dalam memprediksi hasil panen tanaman sayuran. BIOS: Jurnal Teknologi Informasi dan Rekayasa Komputer, 2(1), 21–29. https://doi.org/10.37148/bios.v2i1.18

Muamar, Y., & Muhajirin, A. (2024). Penerapan jaringan saraf tiruan dengan metode backpropagation untuk memprediksi tingkat kelulusan mahasiswa perguruan tinggi. Digital Transformation Technology, 4(1), 214–224. https://doi.org/10.47709/digitech.v4i1.3810

Mustafidah, H., & Rohman, S. N. (2023). Mean square error pada metode random dan Nguyen Widrow dalam jaringan syaraf tiruan. Sainteks, 20(2), 133–142. https://doi.org/10.30595/sainteks.v20i2.19516

Nisa, N. K., Sani, D. A., dkk. (2025). Prediksi dini resiko penyakit diabetes menggunakan jaringan syaraf tiruan backpropagation. JATI (Jurnal Mahasiswa Teknik Informatika), 9(5).

Pambudi, R. E., Purnomo, H., & Aglasia, A. (2025). Analisis klasifikasi sentimen pengguna MyPertamina menggunakan metode evaluasi precision, recall, dan F1-score. Aisyah Journal of Informatics and Electrical Engineering, 7(2), 17–22.

Tanjung, J. P. (2021). Classification of wheat seeds using neural network backpropagation algorithm. Journal of Informatics and Telecommunication Engineering, 4(2), 335–342. https://doi.org/10.31289/jite.v4i2.4449

Rujukan teori dan perangkat lunak (sesuai modul praktikum)

Beck, M. W. (2018). NeuralNetTools: Visualization and analysis tools for neural networks. Journal of Statistical Software, 85(11), 1–20.

Bishop, C. M. (2006). Pattern recognition and machine learning. Springer.

Fausett, L. (1994). Fundamentals of neural networks: Architectures, algorithms, and applications. Prentice Hall.

Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press.

Haykin, S. (2009). Neural networks and learning machines (3rd ed.). Pearson.

Olden, J. D., Joy, M. K., & Death, R. G. (2004). An accurate comparison of methods for quantifying variable importance in artificial neural networks using simulated data. Ecological Modelling, 178(3–4), 389–397.

Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323, 533–536.

Modul Praktikum Machine Learning. (2026). Pertemuan VI: Artificial Neural Network (ANN) untuk regresi dan klasifikasi. Universitas Bengkulu.

LAMPIRAN

sessionInfo()
## R version 4.5.3 (2026-03-11 ucrt)
## Platform: x86_64-w64-mingw32/x64
## Running under: Windows 11 x64 (build 26200)
## 
## Matrix products: default
##   LAPACK version 3.12.1
## 
## locale:
## [1] LC_COLLATE=English_Indonesia.utf8  LC_CTYPE=English_Indonesia.utf8   
## [3] LC_MONETARY=English_Indonesia.utf8 LC_NUMERIC=C                      
## [5] LC_TIME=English_Indonesia.utf8    
## 
## time zone: Asia/Jakarta
## tzcode source: internal
## 
## attached base packages:
## [1] stats     graphics  grDevices utils     datasets  methods   base     
## 
## other attached packages:
## [1] knitr_1.51           ggplot2_4.0.3        NeuralNetTools_1.5.3
## [4] nnet_7.3-21         
## 
## loaded via a namespace (and not attached):
##  [1] gtable_0.3.6       jsonlite_2.0.0     dplyr_1.2.1        compiler_4.5.3    
##  [5] Rcpp_1.1.1         tidyselect_1.2.1   stringr_1.6.0      tidyr_1.3.2       
##  [9] DiagrammeR_1.0.12  jquerylib_0.1.4    scales_1.4.0       yaml_2.3.12       
## [13] fastmap_1.2.0      plyr_1.8.9         R6_2.6.1           labeling_0.4.3    
## [17] generics_0.1.4     htmlwidgets_1.6.4  visNetwork_2.1.4   tibble_3.3.1      
## [21] bslib_0.10.0       pillar_1.11.1      RColorBrewer_1.1-3 rlang_1.2.0       
## [25] stringi_1.8.7      cachem_1.1.0       xfun_0.57          sass_0.4.10       
## [29] S7_0.2.1-1         otel_0.2.0         cli_3.6.6          withr_3.0.2       
## [33] magrittr_2.0.5     digest_0.6.39      grid_4.5.3         rstudioapi_0.18.0 
## [37] lifecycle_1.0.5    vctrs_0.7.3        evaluate_1.0.5     glue_1.8.1        
## [41] farver_2.1.2       purrr_1.2.2        reshape2_1.4.5     rmarkdown_2.31    
## [45] tools_4.5.3        pkgconfig_2.0.3    htmltools_0.5.9