BAB 1 PENDAHULUAN

1.1 Latar Belakang

Perkembangan machine learning mendorong penggunaan berbagai metode untuk mempelajari pola dari data, baik untuk memprediksi nilai numerik (regresi) maupun kategori (klasifikasi). Salah satu metode yang banyak digunakan adalah Artificial Neural Network (ANN), yaitu model komputasi yang terinspirasi dari cara kerja otak manusia, di mana sejumlah neuron saling terhubung untuk memproses informasi dan mempelajari pola dari data (Saragih & Huda, 2022). ANN tersusun atas lapisan masukan (input layer), lapisan tersembunyi (hidden layer), dan lapisan keluaran (output layer), dengan setiap neuron mengalikan masukan dengan bobot, menambahkan bias, lalu memprosesnya melalui fungsi aktivasi (Anggraini dkk., 2026).

Pada kasus klasifikasi, ANN dilatih menggunakan algoritma backpropagation untuk meminimalkan fungsi kerugian seperti cross-entropy sehingga bobot jaringan menyesuaikan diri terhadap kesalahan klasifikasi (Anggraini dkk., 2026). Salah satu parameter penting pada arsitektur Multi-Layer Perceptron (MLP) adalah jumlah neuron pada lapisan tersembunyi, karena parameter tersebut menentukan kapasitas jaringan dalam mempelajari hubungan nonlinear (Anggraini dkk., 2026). Selain itu, proporsi pembagian data pelatihan dan pengujian turut memengaruhi kemampuan model dalam melakukan generalisasi.

Implementasi ANN untuk klasifikasi menggunakan bahasa pemrograman R dengan paket nnet dan NeuralNetTools. Kinerja model dievaluasi menggunakan confusion matrix, accuracy, dan precision serta ukuran pendukung lain seperti recall, specificity, dan F1-score (Fransiska, 2026). Praktikum ini juga menginterpretasikan setiap output yang dihasilkan, mulai dari confusion matrix hingga kepentingan variabel, agar kinerja setiap model dapat dipahami dengan jelas.

1.2 Rumusan Masalah

Rumusan masalah pada praktikum ini adalah sebagai berikut:

  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

Tujuan dari praktikum ini adalah sebagai berikut:

  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

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!

Note : Menggunakan data Iris, Friedman, Breast Cancer, etc.

BAB 2 TINJAUAN PUSTAKA

2.1 Artificial Neural Network (ANN)

Artificial Neural Network merupakan model komputasi yang terdiri atas neuron-neuron yang saling terhubung dan tersusun dalam lapisan. Tiga komponen utama ANN adalah arsitektur jaringan, algoritma pembelajaran, dan fungsi aktivasi (Anggraini dkk., 2026). Secara matematis, keluaran suatu neuron dinyatakan sebagai berikut.

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

Keterangan: \(x_i\) adalah masukan ke-\(i\), \(w_i\) adalah bobot yang menghubungkan masukan ke-\(i\) dengan neuron, \(b\) adalah bias, \(f\) adalah fungsi aktivasi, dan \(y\) adalah keluaran neuron. Nilai \(y\) yang dihasilkan kemudian diteruskan ke neuron pada lapisan berikutnya. Proses ini berlangsung berulang hingga jaringan menghasilkan keluaran pada lapisan terakhir.

Berdasarkan arsitekturnya, ANN dibedakan menjadi Single Layer Perceptron (SLP) dan Multi-Layer Perceptron (MLP) (Saragih & Huda, 2022). Single Layer Perceptron tidak memiliki lapisan tersembunyi sehingga hanya mampu mempelajari hubungan linear, sedangkan Multi-Layer Perceptron memiliki satu atau lebih lapisan tersembunyi yang mampu mempelajari hubungan nonlinear. Praktikum ini menggunakan MLP dengan satu lapisan tersembunyi.

Arsitektur Jaringan Fungsi
Single Layer Perceptron (SLP) Jaringan tanpa lapisan tersembunyi yang digunakan untuk mempelajari hubungan linear dan menyelesaikan klasifikasi yang dapat dipisahkan secara linear.
Multi-Layer Perceptron (MLP) Jaringan dengan satu atau lebih lapisan tersembunyi yang mampu mempelajari hubungan nonlinear untuk pemodelan regresi dan klasifikasi.

2.2 ANN Regresi

ANN regresi digunakan untuk memprediksi variabel respons berupa nilai numerik kontinu. Lapisan keluaran umumnya menggunakan fungsi aktivasi linear agar jaringan dapat menghasilkan nilai prediksi sesuai dengan rentang variabel respons. Proses pembelajaran pada ANN regresi bertujuan meminimalkan selisih antara nilai aktual dan nilai prediksi, misalnya menggunakan Mean Squared Error (MSE) (Fransiska, 2026).

Evaluasi ANN regresi dilakukan dengan membandingkan nilai aktual dan nilai hasil prediksi, antara lain menggunakan MSE dan Mean Absolute Percentage Error (MAPE).

\[ MSE = \frac{1}{n}\sum_{i=1}^{n}(y_i - \hat{y}_i)^2, \qquad MAPE = \frac{100\%}{n}\sum_{i=1}^{n}\left|\frac{y_i - \hat{y}_i}{y_i}\right| \]

Semakin kecil nilai MSE dan MAPE, semakin kecil pula kesalahan prediksi model. Kedua ukuran ini digunakan apabila variabel respons berupa data numerik. Karena batasan masalah praktikum ini adalah klasifikasi, MSE dan MAPE hanya diuraikan sebagai landasan teori, sedangkan evaluasi model pada analisis menggunakan akurasi dan presisi.

2.3 ANN Klasifikasi

ANN klasifikasi digunakan untuk memprediksi variabel respons berupa kategori. Pada klasifikasi biner, lapisan keluaran umumnya menggunakan satu neuron dengan fungsi sigmoid untuk menghasilkan probabilitas antara 0 dan 1. Pada klasifikasi multikelas (lebih dari dua kategori), lapisan keluaran umumnya menggunakan fungsi softmax yang menghasilkan probabilitas setiap kelas dengan jumlah seluruh probabilitas sama dengan 1 (Fransiska, 2026). Data Iris memiliki tiga kelas (setosa, versicolor, virginica) sehingga termasuk klasifikasi multikelas.

2.4 Algoritma Backpropagation dan Fungsi Kerugian

Backpropagation adalah algoritma pembelajaran yang menyesuaikan bobot jaringan berdasarkan kesalahan prediksi, melalui tiga tahap: (1) forward propagation, yaitu menghitung keluaran jaringan berdasarkan masukan, bobot, dan fungsi aktivasi; (2) backward propagation, yaitu menghitung gradien kesalahan terhadap bobot; dan (3) pembaruan bobot berdasarkan gradien untuk mengurangi kesalahan prediksi (Fransiska, 2026; Anggraini dkk., 2026). Proses tersebut diulang selama sejumlah iterasi hingga kesalahan prediksi tidak lagi menurun secara berarti. Pada klasifikasi, kesalahan prediksi diukur menggunakan fungsi kerugian seperti cross-entropy yang dijelaskan berikut ini.

Fungsi kerugian yang digunakan pada klasifikasi biner adalah binary cross-entropy.

\[ BCE = -\frac{1}{n}\sum_{i=1}^{n}\left[y_i \ln(\hat{p}_i) + (1-y_i)\ln(1-\hat{p}_i)\right] \]

Pada klasifikasi multikelas digunakan categorical cross-entropy.

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

Pembaruan bobot dengan gradient descent dituliskan sebagai berikut.

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

dengan \(\eta\) adalah laju pembelajaran (learning rate). Nilai \(\eta\) yang terlalu besar dapat membuat proses pembelajaran tidak stabil, sedangkan nilai yang terlalu kecil membuat konvergensi menjadi lambat. Oleh karena itu, pemilihan parameter pembelajaran berpengaruh terhadap kinerja model.

2.5 Fungsi Aktivasi

Fungsi aktivasi berperan menentukan non-linearitas jaringan. Beberapa fungsi aktivasi yang umum digunakan pada ANN klasifikasi adalah sebagai berikut.

Fungsi Keterangan
Sigmoid Cocok untuk klasifikasi biner; menghasilkan nilai antara 0 dan 1.
Softmax Cocok untuk klasifikasi multikelas; menghasilkan probabilitas tiap kelas yang berjumlah 1.
ReLU Mempercepat konvergensi dan mengatasi masalah vanishing gradient.
Tanh Menghasilkan keluaran antara -1 dan 1 serta membantu normalisasi sinyal neuron.

2.6 Evaluasi Model Klasifikasi

Evaluasi ANN klasifikasi dilakukan dengan membandingkan kelas aktual dan kelas hasil prediksi yang disajikan dalam confusion matrix. Dari confusion matrix tersebut dapat dihitung berbagai ukuran evaluasi. Pada data Iris, ukuran evaluasi utama adalah accuracy dan precision sesuai dengan modul praktikum.

Predicted Positive Predicted Negative
Actual Positive True Positive (TP) False Negative (FN)
Actual Negative False Positive (FP) True Negative (TN)

Ukuran evaluasi yang diturunkan dari confusion matrix adalah sebagai berikut.

\[ Accuracy = \frac{TP+TN}{TP+TN+FP+FN}, \qquad Precision = \frac{TP}{TP+FP} \]

\[ Recall = \frac{TP}{TP+FN}, \qquad Specificity = \frac{TN}{TN+FP}, \qquad F1 = 2\left(\frac{Precision \times Recall}{Precision + Recall}\right) \]

Pada klasifikasi multikelas, precision, recall, specificity, dan F1-score dihitung untuk setiap kelas dengan pendekatan satu kelas terhadap kelas lainnya (one-vs-rest), kemudian dirata-ratakan (macro average). Accuracy dihitung sebagai proporsi seluruh amatan yang diklasifikasikan dengan benar. Pendekatan ini digunakan karena data Iris memiliki tiga kelas sehingga ukuran evaluasi untuk klasifikasi biner tidak dapat diterapkan secara langsung.

2.7 Implementasi ANN di R

Pada R, model MLP dengan satu lapisan tersembunyi dapat dibangun menggunakan paket nnet melalui fungsi nnet.formula(), dengan argumen size yang menyatakan jumlah hidden neuron (Fransiska, 2026). Paket NeuralNetTools digunakan untuk eksplorasi model, yaitu plotnet() untuk memvisualisasikan arsitektur jaringan, neuralweights() untuk melihat bobot, dan olden() untuk menghitung tingkat kepentingan variabel prediktor menggunakan metode Olden (Fransiska, 2026). Kedua paket tersebut digunakan pada praktikum ini untuk membentuk model, mengevaluasi hasil prediksi, dan mengeksplorasi bobot jaringan.

BAB 3 METODE PENELITIAN

3.1 Jenis dan Sumber Data

Jenis data yang digunakan merupakan data kuantitatif, yaitu data berbentuk angka yang dapat dianalisis menggunakan metode statistik. Sumber data adalah data bawaan R, yaitu iris, yang terdiri atas 150 amatan dari tiga spesies bunga iris, masing-masing 50 amatan. Data tersebut digunakan untuk membentuk dan mengevaluasi model ANN klasifikasi pada enam skenario yang telah ditentukan.

3.2 Variabel Data

Variabel respons (Y) adalah Species yang bertipe kategorik dengan tiga kelas, yaitu setosa, versicolor, dan virginica. Variabel prediktor (X) terdiri atas empat variabel numerik, yaitu Sepal.Length, Sepal.Width, Petal.Length, dan Petal.Width. Pemodelan dilakukan dengan jumlah hidden neuron sebesar 10, 20, dan 30 pada dua proporsi data, yaitu 80:20 dan 60:40, sehingga terbentuk enam skenario model.

3.3 Analisis Data

Tahapan analisis data pada praktikum ini adalah sebagai berikut.

  1. Persiapan data. Memuat paket nnet dan NeuralNetTools, memuat data iris, serta memeriksa struktur, ringkasan, dan missing value.
  2. Pembagian data. Data dibagi secara acak menjadi data pelatihan dan pengujian dengan proporsi 80:20 (120 dan 30 amatan) serta 60:40 (90 dan 60 amatan) menggunakan set.seed(917) agar hasil dapat direproduksi.
  3. Pembentukan model ANN klasifikasi. Model dibangun dengan nnet.formula() menggunakan formula Species ~ . dan size = 10, 20, 30.
  4. Prediksi. Model digunakan untuk memprediksi kelas pada data pengujian (type = "class") dan data pelatihan sebagai pembanding.
  5. Evaluasi. Hasil prediksi disajikan dalam confusion matrix dan dievaluasi menggunakan accuracy, precision, recall, specificity, dan F1-score.
  6. Eksplorasi model. Arsitektur jaringan divisualisasikan dengan plotnet(), bobot dilihat dengan neuralweights(), dan kepentingan variabel dihitung dengan metode Olden (olden()).
  7. Perbandingan dan interpretasi. Keenam model dibandingkan untuk menentukan jumlah hidden neuron dan proporsi data yang memberikan kinerja terbaik.

3.4 Diagram Alir

Diagram alir berikut merupakan langkah-langkah yang dilakukan untuk menjawab batasan masalah.

BAB 4 HASIL DAN PEMBAHASAN

4.1 Persiapan Data Iris

Tahap pertama adalah memuat paket yang diperlukan dan menyiapkan data iris.

library(nnet)
library(NeuralNetTools)
## Warning: package 'NeuralNetTools' was built under R version 4.6.2
library(ggplot2)
library(knitr)

data(iris)
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
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 ...
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  
##                 
##                 
## 
# Memeriksa missing value
sum(is.na(iris))
## [1] 0
# Sebaran kelas variabel respons
table(iris$Species)
## 
##     setosa versicolor  virginica 
##         50         50         50

Interpretasi. Data Iris terdiri atas 150 amatan dan 5 variabel, yaitu empat variabel prediktor numerik (Sepal.Length, Sepal.Width, Petal.Length, Petal.Width) dan satu variabel respons kategorik (Species). Jumlah missing value adalah 0, sehingga data lengkap dan siap dimodelkan. Variabel respons memiliki tiga kelas dengan jumlah amatan yang seimbang (masing-masing 50 amatan), sehingga accuracy layak digunakan sebagai ukuran evaluasi utama.

4.2 Pembagian Data Training dan Testing

Data dibagi secara acak menjadi dua skenario proporsi, yaitu 80% training : 20% testing dan 60% training : 40% testing. Fungsi set.seed(917) digunakan agar hasil pengambilan sampel dapat direproduksi. Data training digunakan untuk membentuk model, sedangkan data testing digunakan untuk menguji kemampuan model pada data yang belum pernah dilihat.

buat_split <- function(prop, seed = 917) {
  set.seed(seed)
  index <- sample(1:nrow(iris), round(prop * nrow(iris)))
  list(train = iris[index, ], test = iris[-index, ])
}

splits <- list(
  "80:20" = buat_split(0.8),
  "60:40" = buat_split(0.6)
)

# Ringkasan ukuran data
ukuran <- data.frame(
  Proporsi = names(splits),
  Training = sapply(splits, function(s) nrow(s$train)),
  Testing  = sapply(splits, function(s) nrow(s$test))
)
kable(ukuran, row.names = FALSE, caption = "Ukuran data training dan testing")
Ukuran data training dan testing
Proporsi Training Testing
80:20 120 30
60:40 90 60
# Sebaran kelas pada masing-masing data
lapply(splits, function(s) list(train = table(s$train$Species),
                                test  = table(s$test$Species)))
## $`80:20`
## $`80:20`$train
## 
##     setosa versicolor  virginica 
##         42         40         38 
## 
## $`80:20`$test
## 
##     setosa versicolor  virginica 
##          8         10         12 
## 
## 
## $`60:40`
## $`60:40`$train
## 
##     setosa versicolor  virginica 
##         33         26         31 
## 
## $`60:40`$test
## 
##     setosa versicolor  virginica 
##         17         24         19

Interpretasi. Pada proporsi 80:20, data training berjumlah 120 amatan dan data testing 30 amatan. Pada proporsi 60:40, data training berjumlah 90 amatan dan data testing 60 amatan. Pengambilan sampel yang acak membuat sebaran kelas pada data training dan testing tidak selalu persis seimbang, tetapi ketiga kelas tetap terwakili pada kedua data.

4.3 Pembentukan Model ANN Klasifikasi

Model dibentuk menggunakan nnet.formula() dengan formula Species ~ Sepal.Length + Sepal.Width + Petal.Length + Petal.Width. Argumen size menyatakan jumlah hidden neuron. Sesuai modul, parameter lain menggunakan nilai bawaan (maxit = 100, decay = 0). Agar bobot awal acak dapat direproduksi, set.seed(917) dipanggil sebelum setiap pelatihan.

# Formula: Species ~ semua prediktor
prediktor <- setdiff(names(iris), "Species")
form <- as.formula(paste("Species ~", paste(prediktor, collapse = " + ")))
form
## Species ~ Sepal.Length + Sepal.Width + Petal.Length + Petal.Width
latih_ann <- function(split, size, seed = 917) {
  set.seed(seed)
  nnet.formula(form, size = size, data = split$train, trace = FALSE)
}

# Fungsi evaluasi (macro average untuk multikelas)
evaluasi <- function(aktual, prediksi) {
  lv <- levels(aktual)
  cm <- table(Aktual   = factor(aktual,   levels = lv),
              Prediksi = factor(prediksi, levels = lv))
  tp <- diag(cm)
  fp <- colSums(cm) - tp
  fn <- rowSums(cm) - tp
  tn <- sum(cm) - tp - fp - fn

  precision   <- ifelse(tp + fp == 0, NA, tp / (tp + fp))
  recall      <- ifelse(tp + fn == 0, NA, tp / (tp + fn))
  specificity <- ifelse(tn + fp == 0, NA, tn / (tn + fp))
  f1          <- ifelse(is.na(precision) | is.na(recall) | (precision + recall) == 0,
                        NA, 2 * precision * recall / (precision + recall))

  list(
    cm = cm,
    per_kelas = data.frame(Kelas = lv, Precision = precision, Recall = recall,
                           Specificity = specificity, F1 = f1, row.names = NULL),
    accuracy  = sum(tp) / sum(cm),
    precision = mean(precision, na.rm = TRUE),
    recall    = mean(recall, na.rm = TRUE),
    f1        = mean(f1, na.rm = TRUE)
  )
}

Enam skenario model (2 proporsi data × 3 jumlah hidden neuron) dibentuk sekaligus sebagai berikut.

skenario <- data.frame(
  split = rep(c("80:20", "60:40"), each = 3),
  H     = rep(c(10, 20, 30), times = 2),
  stringsAsFactors = FALSE
)
skenario$nama <- paste0("Split ", skenario$split, " | H = ", skenario$H)

models <- lapply(seq_len(nrow(skenario)), function(i) {
  sp <- splits[[skenario$split[i]]]
  nn <- latih_ann(sp, skenario$H[i])
  list(
    nn       = nn,
    ev_test  = evaluasi(sp$test$Species,  predict(nn, newdata = sp$test,  type = "class")),
    ev_train = evaluasi(sp$train$Species, predict(nn, newdata = sp$train, type = "class")),
    n_bobot  = length(nn$wts)
  )
})
names(models) <- skenario$nama

# Contoh: ringkasan salah satu model
models[[1]]$nn
## a 4-10-3 network with 83 weights
## inputs: Sepal.Length Sepal.Width Petal.Length Petal.Width 
## output(s): Species 
## options were - softmax modelling

Interpretasi. Setiap model memiliki arsitektur 4 neuron masukan – H neuron tersembunyi – 3 neuron keluaran (satu neuron untuk setiap kelas Species dengan fungsi aktivasi softmax). Jumlah bobot (termasuk bias) yang harus diestimasi bertambah seiring bertambahnya hidden neuron, yaitu 83 bobot untuk H = 10, 163 bobot untuk H = 20, dan 243 bobot untuk H = 30. Semakin banyak bobot, semakin fleksibel model dalam mempelajari pola, tetapi semakin besar pula risiko overfitting terutama pada data yang kecil seperti Iris.

4.4 Hasil Prediksi dan Evaluasi Model

4.4.1 Confusion Matrix dan Ukuran Evaluasi Setiap Model

Untuk setiap skenario ditampilkan confusion matrix pada data testing, ukuran evaluasi per kelas, serta interpretasinya.

interpretasi_model <- function(ev, nama) {
  cm    <- as.matrix(ev$cm)
  n     <- sum(cm)
  benar <- sum(diag(cm))
  salah <- n - benar

  teks <- sprintf(
    "Pada skenario **%s**, dari **%d** data testing terdapat **%d** amatan yang diklasifikasikan dengan benar dan **%d** amatan salah, sehingga *accuracy* = **%.2f%%**, rata-rata *precision* = **%.4f**, rata-rata *recall* = **%.4f**, dan rata-rata *F1-score* = **%.4f**.",
    nama, n, benar, salah, ev$accuracy * 100, ev$precision, ev$recall, ev$f1
  )

  if (salah == 0) {
    teks <- paste(teks, "Seluruh data testing terklasifikasi dengan benar sehingga tidak terdapat kesalahan klasifikasi pada ketiga kelas (seluruh nilai *precision* dan *recall* sama dengan 1). Hal ini menunjukkan bahwa model mampu memisahkan ketiga spesies pada data testing tersebut dengan sempurna.")
  } else {
    off <- which(cm > 0 & row(cm) != col(cm), arr.ind = TRUE)
    detail <- apply(off, 1, function(r)
      sprintf("%d amatan *%s* diprediksi sebagai *%s*", cm[r[1], r[2]],
              rownames(cm)[r[1]], colnames(cm)[r[2]]))
    teks <- paste0(teks, " Kesalahan klasifikasi yang terjadi: ",
                   paste(detail, collapse = "; "), ". Meskipun demikian, sebagian besar data testing tetap terklasifikasi dengan benar sehingga model masih tergolong baik.")
    sempurna <- rownames(cm)[sapply(seq_len(nrow(cm)), function(k)
      cm[k, k] == sum(cm[k, ]) && cm[k, k] == sum(cm[, k]) && sum(cm[k, ]) > 0)]
    if (length(sempurna) > 0)
      teks <- paste0(teks, " Kelas ", paste0("*", sempurna, "*", collapse = " dan "),
                     " terklasifikasi sempurna (tanpa kesalahan).")
  }
  teks
}
for (i in seq_len(nrow(skenario))) {
  m <- models[[i]]
  cat("\n\n#### Model ", i, ": ", skenario$nama[i], "\n\n", sep = "")

  cat("**Confusion matrix (data testing)**\n\n")
  print(kable(as.matrix(m$ev_test$cm)))

  cat("\n\n**Ukuran evaluasi per kelas (data testing)**\n\n")
  print(kable(m$ev_test$per_kelas, digits = 4))

  cat("\n\n**Interpretasi.** ", interpretasi_model(m$ev_test, skenario$nama[i]), "\n\n", sep = "")
}

Model 1: Split 80:20 | H = 10

Confusion matrix (data testing)

setosa versicolor virginica
setosa 8 0 0
versicolor 0 10 0
virginica 0 0 12

Ukuran evaluasi per kelas (data testing)

Kelas Precision Recall Specificity F1
setosa 1 1 1 1
versicolor 1 1 1 1
virginica 1 1 1 1

Interpretasi. Pada skenario Split 80:20 | H = 10, dari 30 data testing terdapat 30 amatan yang diklasifikasikan dengan benar dan 0 amatan salah, sehingga accuracy = 100.00%, rata-rata precision = 1.0000, rata-rata recall = 1.0000, dan rata-rata F1-score = 1.0000. Seluruh data testing terklasifikasi dengan benar sehingga tidak terdapat kesalahan klasifikasi pada ketiga kelas (seluruh nilai precision dan recall sama dengan 1). Hal ini menunjukkan bahwa model mampu memisahkan ketiga spesies pada data testing tersebut dengan sempurna.

Model 2: Split 80:20 | H = 20

Confusion matrix (data testing)

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

Ukuran evaluasi per kelas (data testing)

Kelas Precision Recall Specificity F1
setosa 1.0000 1.00 1.00 1.0000
versicolor 0.7692 1.00 0.85 0.8696
virginica 1.0000 0.75 1.00 0.8571

Interpretasi. Pada skenario Split 80:20 | H = 20, dari 30 data testing terdapat 27 amatan yang diklasifikasikan dengan benar dan 3 amatan salah, sehingga accuracy = 90.00%, rata-rata precision = 0.9231, rata-rata recall = 0.9167, dan rata-rata F1-score = 0.9089. Kesalahan klasifikasi yang terjadi: 3 amatan virginica diprediksi sebagai versicolor. Meskipun demikian, sebagian besar data testing tetap terklasifikasi dengan benar sehingga model masih tergolong baik. Kelas setosa terklasifikasi sempurna (tanpa kesalahan).

Model 3: Split 80:20 | H = 30

Confusion matrix (data testing)

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

Ukuran evaluasi per kelas (data testing)

Kelas Precision Recall Specificity F1
setosa 1.0000 1.0000 1.0000 1.0000
versicolor 0.8889 0.8000 0.9500 0.8421
virginica 0.8462 0.9167 0.8889 0.8800

Interpretasi. Pada skenario Split 80:20 | H = 30, dari 30 data testing terdapat 27 amatan yang diklasifikasikan dengan benar dan 3 amatan salah, sehingga accuracy = 90.00%, rata-rata precision = 0.9117, rata-rata recall = 0.9056, dan rata-rata F1-score = 0.9074. Kesalahan klasifikasi yang terjadi: 1 amatan virginica diprediksi sebagai versicolor; 2 amatan versicolor diprediksi sebagai virginica. Meskipun demikian, sebagian besar data testing tetap terklasifikasi dengan benar sehingga model masih tergolong baik. Kelas setosa terklasifikasi sempurna (tanpa kesalahan).

Model 4: Split 60:40 | H = 10

Confusion matrix (data testing)

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

Ukuran evaluasi per kelas (data testing)

Kelas Precision Recall Specificity F1
setosa 1.0000 1.0000 1.0000 1.0000
versicolor 0.9200 0.9583 0.9444 0.9388
virginica 0.9444 0.8947 0.9756 0.9189

Interpretasi. Pada skenario Split 60:40 | H = 10, dari 60 data testing terdapat 57 amatan yang diklasifikasikan dengan benar dan 3 amatan salah, sehingga accuracy = 95.00%, rata-rata precision = 0.9548, rata-rata recall = 0.9510, dan rata-rata F1-score = 0.9526. Kesalahan klasifikasi yang terjadi: 2 amatan virginica diprediksi sebagai versicolor; 1 amatan versicolor diprediksi sebagai virginica. Meskipun demikian, sebagian besar data testing tetap terklasifikasi dengan benar sehingga model masih tergolong baik. Kelas setosa terklasifikasi sempurna (tanpa kesalahan).

Model 5: Split 60:40 | H = 20

Confusion matrix (data testing)

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

Ukuran evaluasi per kelas (data testing)

Kelas Precision Recall Specificity F1
setosa 1.0000 1.0000 1.0000 1.0000
versicolor 0.9200 0.9583 0.9444 0.9388
virginica 0.9444 0.8947 0.9756 0.9189

Interpretasi. Pada skenario Split 60:40 | H = 20, dari 60 data testing terdapat 57 amatan yang diklasifikasikan dengan benar dan 3 amatan salah, sehingga accuracy = 95.00%, rata-rata precision = 0.9548, rata-rata recall = 0.9510, dan rata-rata F1-score = 0.9526. Kesalahan klasifikasi yang terjadi: 2 amatan virginica diprediksi sebagai versicolor; 1 amatan versicolor diprediksi sebagai virginica. Meskipun demikian, sebagian besar data testing tetap terklasifikasi dengan benar sehingga model masih tergolong baik. Kelas setosa terklasifikasi sempurna (tanpa kesalahan).

Model 6: Split 60:40 | H = 30

Confusion matrix (data testing)

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

Ukuran evaluasi per kelas (data testing)

Kelas Precision Recall Specificity F1
setosa 1.0000 1.0000 1.0000 1.0000
versicolor 0.8889 1.0000 0.9167 0.9412
virginica 1.0000 0.8421 1.0000 0.9143

Interpretasi. Pada skenario Split 60:40 | H = 30, dari 60 data testing terdapat 57 amatan yang diklasifikasikan dengan benar dan 3 amatan salah, sehingga accuracy = 95.00%, rata-rata precision = 0.9630, rata-rata recall = 0.9474, dan rata-rata F1-score = 0.9518. Kesalahan klasifikasi yang terjadi: 3 amatan virginica diprediksi sebagai versicolor. Meskipun demikian, sebagian besar data testing tetap terklasifikasi dengan benar sehingga model masih tergolong baik. Kelas setosa terklasifikasi sempurna (tanpa kesalahan).

4.4.2 Perbandingan Seluruh Model

ringkasan <- do.call(rbind, lapply(seq_len(nrow(skenario)), function(i) {
  m  <- models[[i]]
  sp <- splits[[skenario$split[i]]]
  data.frame(
    Skenario   = skenario$nama[i],
    Proporsi   = skenario$split[i],
    Hidden     = skenario$H[i],
    N_Train    = nrow(sp$train),
    N_Test     = nrow(sp$test),
    Bobot      = m$n_bobot,
    Acc_Train  = m$ev_train$accuracy,
    Acc_Test   = m$ev_test$accuracy,
    Precision  = m$ev_test$precision,
    Recall     = m$ev_test$recall,
    F1         = m$ev_test$f1
  )
}))

kable(ringkasan, digits = 4, row.names = FALSE,
      caption = "Perbandingan kinerja enam model ANN klasifikasi (Precision, Recall, F1 = macro average pada data testing)")
Perbandingan kinerja enam model ANN klasifikasi (Precision, Recall, F1 = macro average pada data testing)
Skenario Proporsi Hidden N_Train N_Test Bobot Acc_Train Acc_Test Precision Recall F1
Split 80:20 | H = 10 80:20 10 120 30 83 0.9917 1.00 1.0000 1.0000 1.0000
Split 80:20 | H = 20 80:20 20 120 30 163 1.0000 0.90 0.9231 0.9167 0.9089
Split 80:20 | H = 30 80:20 30 120 30 243 1.0000 0.90 0.9117 0.9056 0.9074
Split 60:40 | H = 10 60:40 10 90 60 83 1.0000 0.95 0.9548 0.9510 0.9526
Split 60:40 | H = 20 60:40 20 90 60 163 1.0000 0.95 0.9548 0.9510 0.9526
Split 60:40 | H = 30 60:40 30 90 60 243 1.0000 0.95 0.9630 0.9474 0.9518
ringkasan$Proporsi <- factor(ringkasan$Proporsi, levels = c("80:20", "60:40"))
ringkasan$Hidden_f <- factor(ringkasan$Hidden)

ggplot(ringkasan, aes(x = Hidden_f, y = Acc_Test, fill = Proporsi)) +
  geom_col(position = position_dodge(width = 0.8), width = 0.7) +
  geom_text(aes(label = sprintf("%.2f%%", Acc_Test * 100)),
            position = position_dodge(width = 0.8), vjust = -0.4, size = 3.5) +
  scale_y_continuous(limits = c(0, 1.1), labels = scales::percent) +
  labs(title = "Accuracy Data Testing Berdasarkan Hidden Neuron dan Proporsi Data",
       x = "Jumlah Hidden Neuron", y = "Accuracy", fill = "Training:Testing") +
  theme_minimal()

acc_max   <- max(ringkasan$Acc_Test)
terbaik   <- ringkasan[ringkasan$Acc_Test == acc_max, ]
acc_min   <- min(ringkasan$Acc_Test)
terendah  <- ringkasan[ringkasan$Acc_Test == acc_min, ]

rata_80 <- mean(ringkasan$Acc_Test[ringkasan$Proporsi == "80:20"])
rata_60 <- mean(ringkasan$Acc_Test[ringkasan$Proporsi == "60:40"])

rata_h <- tapply(ringkasan$Acc_Test, ringkasan$Hidden, mean)

cat("**Interpretasi.** ")

Interpretasi.

cat(sprintf("Accuracy data testing tertinggi sebesar **%.2f%%** diperoleh pada skenario **%s**. ",
            acc_max * 100, paste(terbaik$Skenario, collapse = "; ")))

Accuracy data testing tertinggi sebesar 100.00% diperoleh pada skenario Split 80:20 | H = 10.

if (acc_max == acc_min) {
  cat("Seluruh skenario menghasilkan accuracy yang sama sehingga perbedaan jumlah *hidden neuron* dan proporsi data tidak memengaruhi kinerja pada data ini. ")
} else {
  cat(sprintf("Accuracy terendah sebesar **%.2f%%** terjadi pada skenario **%s**. ",
              acc_min * 100, paste(terendah$Skenario, collapse = "; ")))
}

Accuracy terendah sebesar 90.00% terjadi pada skenario Split 80:20 | H = 20; Split 80:20 | H = 30.

cat(sprintf("Rata-rata accuracy testing pada proporsi 80:20 adalah **%.2f%%**, sedangkan pada proporsi 60:40 adalah **%.2f%%**. ",
            rata_80 * 100, rata_60 * 100))

Rata-rata accuracy testing pada proporsi 80:20 adalah 93.33%, sedangkan pada proporsi 60:40 adalah 95.00%.

if (rata_80 > rata_60) {
  cat("Proporsi 80:20 cenderung lebih baik karena model memperoleh lebih banyak data untuk belajar. ")
} else if (rata_80 < rata_60) {
  cat("Proporsi 60:40 cenderung lebih baik pada data ini; hal ini dapat dipengaruhi oleh data testing yang lebih besar sehingga penilaian lebih stabil serta variasi pengambilan sampel acak. ")
} else {
  cat("Kedua proporsi data memberikan rata-rata kinerja yang sama. ")
}

Proporsi 60:40 cenderung lebih baik pada data ini; hal ini dapat dipengaruhi oleh data testing yang lebih besar sehingga penilaian lebih stabil serta variasi pengambilan sampel acak.

cat(sprintf("Berdasarkan jumlah *hidden neuron*, rata-rata accuracy testing adalah **%.2f%%** (H = 10), **%.2f%%** (H = 20), dan **%.2f%%** (H = 30). ",
            rata_h["10"] * 100, rata_h["20"] * 100, rata_h["30"] * 100))

Berdasarkan jumlah hidden neuron, rata-rata accuracy testing adalah 97.50% (H = 10), 92.50% (H = 20), dan 92.50% (H = 30).

cat("Perbedaan antara accuracy *training* dan *testing* (kolom `Acc_Train` dan `Acc_Test`) digunakan untuk melihat indikasi *overfitting*: apabila accuracy *training* jauh lebih tinggi daripada *testing*, model cenderung menghafal data pelatihan, sedangkan selisih yang kecil menunjukkan model mampu melakukan generalisasi dengan baik.\n")

Perbedaan antara accuracy training dan testing (kolom Acc_Train dan Acc_Test) digunakan untuk melihat indikasi overfitting: apabila accuracy training jauh lebih tinggi daripada testing, model cenderung menghafal data pelatihan, sedangkan selisih yang kecil menunjukkan model mampu melakukan generalisasi dengan baik.

4.5 Eksplorasi Model

Eksplorasi dilakukan menggunakan paket NeuralNetTools, yaitu plotnet() untuk arsitektur jaringan, neuralweights() untuk bobot jaringan, dan olden() untuk kepentingan variabel.

4.5.1 Arsitektur Jaringan (plotnet)

Garis berwarna berbeda menunjukkan bobot positif dan negatif, sedangkan ketebalan garis menunjukkan besar bobot. Node B menyatakan bias, I1–I4 neuron masukan, H1–Hn neuron tersembunyi, dan O1–O3 neuron keluaran. Visualisasi ini memudahkan pembacaan kompleksitas jaringan pada setiap skenario.

for (i in seq_len(nrow(skenario))) {
  cat("\n\n#### ", skenario$nama[i], "\n\n", sep = "")
  p <- plotnet(models[[i]]$nn)
  if (inherits(p, "ggplot")) print(p)
  cat("\n\n")
}

Split 80:20 | H = 10

Split 80:20 | H = 20

Split 80:20 | H = 30

Split 60:40 | H = 10

Split 60:40 | H = 20

Split 60:40 | H = 30

Interpretasi. Seluruh model memiliki empat neuron masukan (keempat ukuran bunga), satu lapisan tersembunyi dengan jumlah neuron 10, 20, atau 30, dan tiga neuron keluaran (satu per kelas Species). Semakin besar jumlah hidden neuron, semakin padat hubungan antar neuron pada jaringan, yang berarti semakin banyak parameter yang diestimasi dan semakin kompleks model. Dengan demikian, model dengan 30 hidden neuron memiliki jaringan paling kompleks dibandingkan model dengan 10 dan 20 hidden neuron.

4.5.2 Bobot Jaringan (neuralweights)

Berikut contoh bobot jaringan pada model dengan 10 hidden neuron proporsi 80:20. Bobot pada model lain dapat ditampilkan dengan cara yang sama.

bobot <- neuralweights(models[[1]]$nn)
bobot$struct   # struktur jaringan: input - hidden - output
## [1]  4 10  3
bobot$wts[1:2] # bobot menuju dua hidden neuron pertama
## $`hidden 1 1`
## [1] 1.783254 8.310374 2.944434 6.129810 2.224367
## 
## $`hidden 1 2`
## [1] -1.770717 -4.778936 -4.556577  3.306599  1.341234

Interpretasi. Objek struct menunjukkan struktur jaringan (jumlah neuron masukan, tersembunyi, dan keluaran), sedangkan wts menyimpan bobot yang menghubungkan setiap neuron beserta bias. Bobot positif memperkuat sinyal ke neuron berikutnya, sedangkan bobot negatif menekannya. Nilai bobot bersifat tidak mudah diinterpretasikan secara langsung karena sinyal melewati fungsi aktivasi nonlinear dan banyak neuron secara bersamaan, sehingga digunakan metode Olden untuk meringkas pengaruh setiap variabel.

4.5.3 Kepentingan Variabel (olden)

Metode Olden menghitung kepentingan variabel dari hasil perkalian bobot masukan–tersembunyi dengan tersembunyi–keluaran. Karena model memiliki tiga keluaran, kepentingan dihitung untuk setiap kelas. Nilai positif berarti kenaikan variabel meningkatkan peluang kelas tersebut, sedangkan nilai negatif menurunkannya; semakin besar nilai absolut, semakin berpengaruh variabel tersebut.

olden_kelas <- function(nn) {
  kelas <- nn$lev
  do.call(rbind, lapply(kelas, function(k) {
    imp <- tryCatch(olden(nn, out_var = k, bar_plot = FALSE), error = function(e) NULL)
    if (is.null(imp)) return(NULL)
    data.frame(Variabel = rownames(imp), Importance = imp[[1]], Kelas = k,
               row.names = NULL)
  }))
}
olden_semua <- list()
for (i in seq_len(nrow(skenario))) {
  imp <- olden_kelas(models[[i]]$nn)
  olden_semua[[i]] <- imp
  cat("\n\n#### ", skenario$nama[i], "\n\n", sep = "")
  if (!is.null(imp)) {
    print(
      ggplot(imp, aes(x = reorder(Variabel, Importance), y = Importance, fill = Importance > 0)) +
        geom_col() + coord_flip() + facet_wrap(~ Kelas) +
        scale_fill_manual(values = c("TRUE" = "#2E86C1", "FALSE" = "#C0392B"),
                          labels = c("TRUE" = "Positif", "FALSE" = "Negatif")) +
        labs(title = paste("Kepentingan Variabel (Olden) -", skenario$nama[i]),
             x = NULL, y = "Importance", fill = "Arah") +
        theme_minimal()
    )
  } else {
    cat("Kepentingan variabel tidak dapat dihitung untuk model ini.\n")
  }
  cat("\n\n")
}

Split 80:20 | H = 10

Split 80:20 | H = 20

Split 80:20 | H = 30

Split 60:40 | H = 10

Split 60:40 | H = 20

Split 60:40 | H = 30

# Variabel dengan |importance| rata-rata terbesar (seluruh model dan kelas)
gab <- do.call(rbind, olden_semua)
if (!is.null(gab)) {
  rata_imp <- sort(tapply(abs(gab$Importance), gab$Variabel, mean), decreasing = TRUE)
  cat("**Peringkat variabel berdasarkan rata-rata |importance| seluruh model:**\n\n")
  print(kable(data.frame(Variabel = names(rata_imp),
                         Rata_Abs_Importance = as.numeric(rata_imp)),
              digits = 4))
  cat(sprintf("\n\n**Interpretasi.** Variabel yang paling berpengaruh dalam membedakan spesies adalah **%s**, diikuti oleh **%s**. Pada data Iris, ukuran kelopak (*petal*) memang dikenal paling membedakan ketiga spesies, sedangkan ukuran sepal cenderung kurang berpengaruh. Perlu diperhatikan bahwa nilai Olden bergantung pada bobot awal acak sehingga dapat berbeda antar model dan antar kelas.\n",
              names(rata_imp)[1], names(rata_imp)[2]))
}

Peringkat variabel berdasarkan rata-rata |importance| seluruh model:

Variabel Rata_Abs_Importance
Petal.Length 2097036.6
Petal.Width 2005723.4
Sepal.Width 1091641.7
Sepal.Length 965033.4

Interpretasi. Variabel yang paling berpengaruh dalam membedakan spesies adalah Petal.Length, diikuti oleh Petal.Width. Pada data Iris, ukuran kelopak (petal) memang dikenal paling membedakan ketiga spesies, sedangkan ukuran sepal cenderung kurang berpengaruh. Perlu diperhatikan bahwa nilai Olden bergantung pada bobot awal acak sehingga dapat berbeda antar model dan antar kelas.

4.6 Pembahasan Umum

cat(sprintf("Berdasarkan enam skenario yang dibandingkan, kinerja klasifikasi ANN pada data Iris secara umum sangat baik, dengan accuracy data testing berkisar antara **%.2f%%** hingga **%.2f%%**. ",
            min(ringkasan$Acc_Test) * 100, max(ringkasan$Acc_Test) * 100))

Berdasarkan enam skenario yang dibandingkan, kinerja klasifikasi ANN pada data Iris secara umum sangat baik, dengan accuracy data testing berkisar antara 90.00% hingga 100.00%.

cat("Hal ini wajar karena ketiga spesies pada data Iris relatif mudah dipisahkan, terutama kelas *setosa* yang terpisah jelas dari dua kelas lainnya, sedangkan *versicolor* dan *virginica* memiliki irisan nilai ukuran bunga sehingga kesalahan klasifikasi, apabila terjadi, umumnya melibatkan kedua kelas tersebut. ")

Hal ini wajar karena ketiga spesies pada data Iris relatif mudah dipisahkan, terutama kelas setosa yang terpisah jelas dari dua kelas lainnya, sedangkan versicolor dan virginica memiliki irisan nilai ukuran bunga sehingga kesalahan klasifikasi, apabila terjadi, umumnya melibatkan kedua kelas tersebut.

cat("Penambahan jumlah *hidden neuron* tidak selalu meningkatkan kinerja karena data Iris berukuran kecil dengan hanya empat prediktor, sehingga jaringan dengan 10 neuron pun sudah cukup mampu mempelajari pola. Jumlah neuron yang terlalu besar justru meningkatkan jumlah bobot dan berpotensi menyebabkan *overfitting*. ")

Penambahan jumlah hidden neuron tidak selalu meningkatkan kinerja karena data Iris berukuran kecil dengan hanya empat prediktor, sehingga jaringan dengan 10 neuron pun sudah cukup mampu mempelajari pola. Jumlah neuron yang terlalu besar justru meningkatkan jumlah bobot dan berpotensi menyebabkan overfitting.

cat("Selain itu, karena ukuran data testing kecil (30 atau 60 amatan), satu kesalahan klasifikasi dapat mengubah accuracy cukup besar (sekitar 3,33% pada data testing 30 amatan dan 1,67% pada 60 amatan), sehingga perbedaan antar skenario yang kecil sebaiknya ditafsirkan dengan hati-hati.\n")

Selain itu, karena ukuran data testing kecil (30 atau 60 amatan), satu kesalahan klasifikasi dapat mengubah accuracy cukup besar (sekitar 3,33% pada data testing 30 amatan dan 1,67% pada 60 amatan), sehingga perbedaan antar skenario yang kecil sebaiknya ditafsirkan dengan hati-hati.

BAB 5 KESIMPULAN DAN SARAN

5.1 Kesimpulan

ANN merupakan model komputasi yang dapat digunakan untuk regresi, dengan fungsi aktivasi linear pada lapisan keluaran, maupun klasifikasi, dengan fungsi sigmoid atau softmax pada lapisan keluaran. Jaringan terdiri atas lapisan masukan, lapisan tersembunyi, dan lapisan keluaran, yang dilatih dengan algoritma backpropagation untuk menyesuaikan bobot berdasarkan kesalahan prediksi. Pada klasifikasi multikelas, lapisan keluaran menggunakan fungsi softmax sehingga setiap kelas memperoleh probabilitas. Implementasi pada R dilakukan menggunakan fungsi nnet.formula() dari paket nnet dengan variabel respons Species (tiga kelas) dan empat variabel prediktor, kemudian dieksplorasi menggunakan plotnet(), neuralweights(), dan olden() dari paket NeuralNetTools. Sesuai batasan masalah, implementasi dilakukan untuk klasifikasi sehingga terbentuk enam model dari kombinasi hidden neuron 10, 20, dan 30 pada proporsi data 80:20 dan 60:40.

Evaluasi ANN regresi menggunakan MSE dan MAPE, sedangkan evaluasi ANN klasifikasi menggunakan akurasi dan presisi. Karena praktikum ini dibatasi pada klasifikasi, evaluasi dilakukan menggunakan akurasi dan presisi, dan berdasarkan hasil pada data testing, akurasi seluruh model berkisar antara 90.00% hingga 100.00% dan rata-rata presisi berkisar antara 91.17% hingga 100.00%, sehingga sebagian besar amatan pada setiap kelas dapat diklasifikasikan dengan benar. Rata-rata akurasi data testing adalah 93.33% pada proporsi 80:20 dan 95.00% pada proporsi 60:40. Proporsi data 60:40 menghasilkan rata-rata kinerja yang lebih baik. Untuk jumlah hidden neuron, rata-rata akurasi data testing adalah 97.50% (10 neuron), 92.50% (20 neuron), dan 92.50% (30 neuron). Jumlah hidden neuron dengan rata-rata akurasi tertinggi adalah 10 neuron, sehingga penambahan neuron tidak selalu meningkatkan kinerja.

Secara keseluruhan, model ANN klasifikasi dengan kinerja terbaik pada data Iris adalah skenario Split 80:20 | H = 10 dengan akurasi data testing sebesar 100.00% dan rata-rata presisi sebesar 100.00%. Hasil ini menunjukkan bahwa ANN dengan satu lapisan tersembunyi mampu mengklasifikasikan ketiga spesies Iris dengan sangat baik, karena karakteristik ukuran bunga, terutama ukuran kelopak (petal), cukup jelas membedakan antar spesies. Namun, karena data Iris berukuran kecil, perbedaan kinerja antar skenario perlu ditafsirkan dengan hati-hati.

5.2 Saran

Program R sangatlah bermanfaat bagi semua orang khususnya pada mahasiswa statistika, hal ini sangat memudahkan dalam mengolah suatu data di komputer. Tetapi pengguna harus lebih hati-hati dalam memasukan sintaks dan data karena apabila terjadi kesalahan dalam memasukan maupun mengolah data tersebut hasilnya akan sangat berpengaruh. Selain itu, hasil analisis sebaiknya selalu diperiksa kembali agar kesimpulan yang diambil sesuai dengan output yang dihasilkan.

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.

Fransiska, H. (2026). Modul Praktikum Machine Learning. Universitas Bengkulu.

Saragih, T. H., & Huda, N. (2022). Jaringan syaraf tiruan backpropagation dengan adaptive moment estimation untuk klasifikasi penyakit Covid-19 di Kalimantan Selatan. Epsilon: Jurnal Matematika Murni dan Terapan, 16(2).