BAB I PENDAHULUAN

1.1 Latar Belakang Masalah

Latar Belakang

Data sekarang tersedia dalam jumlah yang sangat besar di hampir semua bidang, mulai dari kesehatan, ekonomi, sampai lingkungan. Data sebanyak itu tidak cukup hanya disimpan, tetapi perlu diolah agar pola di dalamnya bisa dimanfaatkan. Machine learning hadir sebagai salah satu bagian dari kecerdasan buatan yang memungkinkan komputer mempelajari pola dari data tanpa harus diberi aturan secara eksplisit untuk setiap permasalahan. Dengan memanfaatkan algoritma dan model statistik, machine learning dapat digunakan untuk prediksi, klasifikasi, maupun pengambilan keputusan terhadap data yang belum pernah dilihat sebelumnya (Nurhalizah dkk., 2024).

Salah satu metode machine learning yang banyak digunakan adalah Artificial Neural Network (ANN). ANN merupakan model komputasi yang terinspirasi dari cara kerja otak manusia, yaitu sekumpulan neuron yang saling terhubung untuk memproses informasi dan mempelajari pola dari data (Haykin, 2009). Kelebihan utama ANN terletak pada kemampuannya menangkap hubungan nonlinear yang sulit dimodelkan oleh metode statistik klasik. ANN juga cukup fleksibel karena dapat digunakan untuk dua jenis permasalahan, yaitu regresi ketika variabel responsnya berupa nilai numerik kontinu dan klasifikasi ketika variabel responsnya berupa kategori. Meskipun demikian, kinerja ANN sangat bergantung pada arsitektur jaringan, misalnya jumlah neuron pada hidden layer dan banyaknya iterasi pelatihan, sehingga kedua hal tersebut perlu dipilih dan dievaluasi dengan cermat (Fransiska, 2026).

Oleh karena itu, praktikum ANN untuk regresi dan klasifikasi dilakukan agar praktikan memahami konsep ANN sekaligus mampu menerapkannya menggunakan bahasa pemrograman R. Pada praktikum ini, ANN regresi diterapkan pada dataset Breast Cancer dengan mencoba beberapa jumlah hidden neuron dan batas iterasi maksimum (maxit) yang berbeda. Kinerja setiap model kemudian dievaluasi menggunakan Mean Squared Error (MSE) dan Mean Absolute Percentage Error (MAPE). Melalui praktikum ini, praktikan diharapkan dapat melihat secara langsung bagaimana perubahan arsitektur dan jumlah iterasi memengaruhi kemampuan model dalam memprediksi data baru.

1.2 Rumusan Masalah

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

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

1.3 Tujuan

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

  1. Praktikan dapat memahami konsep model Artificial Neural Network (ANN) untuk regresi dan klasifikasi.
  2. Praktikan dapat mengimplementasikan model Artificial Neural Network (ANN) untuk regresi dan klasifikasi menggunakan bahasa pemrograman R.
  3. Praktikan dapat 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 Artificial Neural Network (ANN) untuk regresi dan klasifikasi dengan R.
  2. Bagi pembaca, yaitu dapat menambah ilmu pengetahuan dan pemahaman mengenai Artificial Neural Network (ANN) untuk regresi dan klasifikasi dengan R.

1.5 Batasan Masalah

Adapun batasan masalah dari praktikum ini, yaitu lakukan ANN Regresi dengan Hidden Neuron = c(10, 20, 30) dengan data training 80% dan testing 20%, kemudian coba buat dengan maxit = (250, 500). Kemudian interpretasikan output dengan jelas! Data yang digunakan adalah data Breast Cancer.

BAB II TINJAUAN PUSTAKA

2.1 Machine Learning

Machine learning merupakan bagian dari kecerdasan buatan yang memungkinkan komputer mempelajari pola dari data tanpa harus diberikan instruksi atau aturan secara eksplisit untuk setiap permasalahan. Pembelajaran dilakukan dengan memanfaatkan algoritma dan model statistik sehingga sistem mampu mengenali pola dan menghasilkan prediksi terhadap data yang belum diketahui. Berdasarkan proses pembelajarannya, machine learning terbagi menjadi supervised learning, unsupervised learning, dan reinforcement learning. ANN regresi dan klasifikasi yang dibahas pada praktikum ini termasuk supervised learning karena model dilatih menggunakan data yang sudah memiliki variabel respons atau target (Nurhalizah dkk., 2024).

2.2 Artificial Neural Network (ANN)

Artificial Neural Network (ANN) merupakan model komputasi yang terinspirasi dari kerja otak manusia, di mana sejumlah neuron saling terhubung untuk memproses informasi dan mempelajari pola dari data. ANN terdiri dari beberapa lapisan, yaitu lapisan masukan (input layer), lapisan tersembunyi (hidden layer), dan lapisan keluaran (output layer). Setiap neuron menerima masukan yang dikalikan dengan bobot tertentu, kemudian ditambahkan bias dan diproses melalui fungsi aktivasi untuk menghasilkan keluaran (Haykin, 2009; Fransiska, 2026).

ANN memiliki tiga komponen utama, yaitu arsitektur jaringan yang menggambarkan pola hubungan antarneuron, algoritma pembelajaran yang digunakan untuk menyesuaikan bobot jaringan, serta fungsi aktivasi yang menentukan keluaran setiap neuron (Fausett, 1994). Secara matematis, proses pengolahan informasi pada suatu neuron dapat dinyatakan sebagai berikut:

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

dengan \(x_i\) merupakan masukan ke-\(i\), \(w_i\) bobot yang menghubungkan masukan ke-\(i\) dengan neuron, \(b\) adalah bias, \(f\) merupakan fungsi aktivasi, dan \(y\) adalah keluaran neuron.

Berdasarkan arsitekturnya, ANN dapat dibedakan menjadi dua jenis, yaitu sebagai berikut (Goodfellow dkk., 2016; Fransiska, 2026):

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

2.3 ANN untuk 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 (Fransiska, 2026).

2.3.1 Algoritma Backpropagation

Backpropagation merupakan algoritma pembelajaran pada ANN yang digunakan untuk menyesuaikan bobot jaringan berdasarkan kesalahan prediksi. Pada ANN regresi, proses pembelajaran bertujuan meminimalkan selisih antara nilai aktual dan nilai prediksi, misalnya menggunakan Mean Squared Error (MSE) (Haykin, 2009). Secara umum, proses pembelajaran terdiri atas tiga tahap berikut:

  1. Forward propagation, yaitu menghitung keluaran jaringan berdasarkan masukan, bobot, dan fungsi aktivasi.
  2. Backward propagation, yaitu menghitung gradien kesalahan terhadap bobot jaringan.
  3. Pembaruan bobot, yaitu memperbarui bobot berdasarkan gradien untuk mengurangi kesalahan prediksi.

Satu kali proses pembaruan bobot disebut satu iterasi. Pada fungsi nnet() di R, batas jumlah iterasi ditentukan melalui argumen maxit. Pelatihan akan berhenti ketika kriteria konvergensi sudah terpenuhi atau ketika jumlah iterasi sudah mencapai maxit (Venables & Ripley, 2002).

2.3.2 Fungsi Aktivasi

Fungsi aktivasi digunakan untuk menentukan keluaran neuron dan membantu jaringan mempelajari pola nonlinear. Beberapa fungsi aktivasi yang dapat digunakan dalam ANN regresi disajikan pada tabel berikut (Fransiska, 2026):

Fungsi Rumus Penggunaan
Sigmoid Biner \(f(x)=\dfrac{1}{1+e^{-x}}\), dengan \(f'(x)=f(x)\,[1-f(x)]\) Digunakan pada hidden layer untuk menghasilkan nilai antara 0 dan 1
Hyperbolic Tangent (Tanh) \(f(x)=\dfrac{1-e^{-2x}}{1+e^{-2x}}=\tanh(x)\), dengan \(f'(x)=1-\tanh^2(x)\) Digunakan pada hidden layer dengan keluaran antara -1 dan 1
Rectified Linear Unit (ReLU) \(f(x)=\max(0,x)\) Digunakan pada hidden layer untuk mempelajari pola nonlinear

2.3.3 Evaluasi Model Regresi

Evaluasi ANN regresi dilakukan dengan membandingkan nilai aktual dan nilai hasil prediksi. Ukuran yang digunakan pada praktikum ini adalah Mean Squared Error (MSE) dan Mean Absolute Percentage Error (MAPE) (Fransiska, 2026).

\[ MSE = \frac{1}{n}\sum_{i=1}^{n}(y_i-\hat{y}_i)^2 \]

\[ MAPE = \frac{1}{n}\sum_{i=1}^{n}\left|\frac{y_i-\hat{y}_i}{y_i}\right| \times 100\% \]

dengan \(y_i\) adalah nilai aktual, \(\hat{y}_i\) adalah nilai prediksi, dan \(n\) adalah banyaknya observasi. Semakin kecil nilai MSE dan MAPE, semakin baik kemampuan model dalam memprediksi. MSE dinyatakan dalam satuan kuadrat dari variabel respons, sedangkan MAPE dinyatakan dalam persen sehingga lebih mudah dibaca. Lewis (1982) mengelompokkan kemampuan peramalan berdasarkan MAPE menjadi sangat baik (< 10%), baik (10%–20%), layak (20%–50%), dan kurang baik (> 50%).

2.4 ANN untuk Klasifikasi

ANN klasifikasi digunakan untuk memprediksi variabel respons berupa kategori. Berdasarkan jumlah kelasnya, ANN klasifikasi dibedakan menjadi dua jenis, yaitu sebagai berikut (Bishop, 2006; Fransiska, 2026):

  1. Klasifikasi biner, yaitu klasifikasi dengan dua kategori. Lapisan keluaran umumnya menggunakan satu neuron dengan fungsi sigmoid untuk menghasilkan probabilitas antara 0 dan 1.
  2. Klasifikasi multikelas, yaitu klasifikasi dengan lebih dari dua kategori. Lapisan keluaran umumnya menggunakan fungsi softmax untuk menghasilkan probabilitas setiap kelas, dengan jumlah probabilitas seluruh kelas sama dengan 1.

2.4.1 Proses Pembelajaran dan Backpropagation

Proses pembelajaran ANN klasifikasi dilakukan dengan menyesuaikan bobot jaringan untuk meminimalkan kesalahan klasifikasi. Salah satu fungsi kerugian yang digunakan adalah cross-entropy loss, yang mengukur perbedaan antara probabilitas prediksi dan kelas aktual (Rumelhart dkk., 1986). Untuk klasifikasi biner digunakan binary cross-entropy:

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

dengan \(y_i\) adalah kelas aktual observasi ke-\(i\) yang bernilai 0 atau 1 dan \(\hat{p}_i\) merupakan probabilitas kelas positif pada observasi ke-\(i\). Untuk klasifikasi multikelas digunakan categorical cross-entropy:

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

dengan \(y_{ik}\) adalah label aktual dan \(\hat{y}_{ik}\) adalah prediksi model. Bobot jaringan kemudian diperbarui berdasarkan gradien fungsi kerugian menggunakan gradient descent:

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

dengan \(\eta\) adalah laju pembelajaran (learning rate).

2.4.2 Fungsi Aktivasi

Fungsi aktivasi berperan penting dalam menentukan nonlinearitas jaringan. Beberapa fungsi yang umum digunakan pada ANN klasifikasi yaitu (Fransiska, 2026):

  1. Sigmoid, cocok untuk klasifikasi biner.
  2. Softmax, cocok untuk multiclass classification.
  3. ReLU (Rectified Linear Unit), mempercepat konvergensi dan mengatasi masalah vanishing gradient.
  4. Tanh, menghasilkan output antara -1 dan 1 serta membantu normalisasi sinyal neuron.

2.4.3 Evaluasi Model Klasifikasi

Evaluasi ANN klasifikasi dilakukan dengan membandingkan kelas aktual dan kelas hasil prediksi. Hasil perbandingan tersebut disajikan dalam confusion matrix berikut (Fransiska, 2026):

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

Berdasarkan confusion matrix, beberapa ukuran evaluasi yang dapat digunakan adalah:

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

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

Accuracy menunjukkan proporsi seluruh observasi yang diklasifikasikan dengan benar, sedangkan precision menunjukkan seberapa banyak observasi yang diprediksi positif memang benar-benar positif.

2.5 Data Breast Cancer

Data Breast Cancer merupakan data sitologi kanker payudara yang dikumpulkan oleh Dr. William H. Wolberg di University of Wisconsin Hospitals. Data ini berisi hasil pemeriksaan sel dari jaringan payudara yang dinilai pada skala 1 sampai 10, serta diagnosis apakah tumor bersifat jinak (benign) atau ganas (malignant) (Wolberg & Mangasarian, 1990). Di R, data ini tersedia pada paket mlbench dengan nama BreastCancer.

BAB III METODE PENELITIAN

3.1 Sumber Data

Jenis data yang digunakan pada penelitian ini adalah data numerik. Data numerik merupakan data yang berbentuk angka atau bersifat kuantitatif yang dapat dianalisis. Data yang digunakan merupakan dataset Breast Cancer (Wisconsin Breast Cancer Database) yang tersedia pada paket mlbench di R. Sumber data yang digunakan dalam penelitian ini yaitu data sekunder yang berasal dari Wolberg dan Mangasarian (1990).

3.2 Variabel Penelitian

Penelitian ini menggunakan sepuluh variabel, yaitu satu variabel respons dan sembilan variabel prediktor. Variabel Id hanya berupa kode sampel sehingga tidak digunakan dalam pemodelan. Rincian variabel disajikan sebagai berikut:

Variabel Keterangan Peran
Cell.size Keseragaman ukuran sel (skala 1–10) Respons (Y)
Cl.thickness Ketebalan gumpalan sel (skala 1–10) Prediktor
Cell.shape Keseragaman bentuk sel (skala 1–10) Prediktor
Marg.adhesion Daya lekat sel di bagian tepi (skala 1–10) Prediktor
Epith.c.size Ukuran sel epitel tunggal (skala 1–10) Prediktor
Bare.nuclei Inti sel yang tidak diselubungi sitoplasma (skala 1–10) Prediktor
Bl.cromatin Kromatin yang tampak hambar (skala 1–10) Prediktor
Normal.nucleoli Nukleolus normal (skala 1–10) Prediktor
Mitoses Aktivitas mitosis (skala 1–10) Prediktor
Class Diagnosis tumor (0 = benign, 1 = malignant) Prediktor

Variabel Cell.size dipilih sebagai variabel respons karena soal meminta ANN regresi sehingga respons harus berupa nilai numerik. Selain itu, nilai Cell.size paling kecil adalah 1 sehingga MAPE dapat dihitung tanpa ada pembagian dengan nol.

3.3 Langkah-langkah Analisis

Berikut adalah langkah-langkah yang dilakukan dalam analisis:

  1. Membaca dan memeriksa dataset Breast Cancer.
  2. Melakukan preprocessing, yaitu menghapus variabel Id, menghapus observasi yang memiliki missing value, dan mengubah seluruh variabel menjadi numerik.
  3. Membagi data menjadi data training 80% dan data testing 20%.
  4. Melakukan normalisasi min-max pada variabel prediktor menggunakan parameter dari data training.
  5. Membentuk model ANN regresi menggunakan fungsi nnet() dengan hidden neuron 10, 20, dan 30 serta maxit 250.
  6. Membentuk model ANN regresi dengan hidden neuron 10, 20, dan 30 serta maxit 500.
  7. Menghitung MSE dan MAPE pada data training dan testing untuk setiap model.
  8. Membandingkan seluruh model dan menentukan model terbaik.
  9. Menampilkan arsitektur jaringan, bobot, dan tingkat kepentingan variabel pada model terbaik.
  10. Menginterpretasikan setiap output yang dihasilkan.

BAB IV HASIL DAN PEMBAHASAN

4.1 Membaca dan Memeriksa Data

# Jika paket belum terpasang, jalankan sekali:
# install.packages(c("mlbench", "nnet", "NeuralNetTools", "dplyr", "ggplot2", "knitr"))
library(mlbench)
library(nnet)
library(NeuralNetTools)
library(dplyr)
library(ggplot2)
library(knitr)

data("BreastCancer")

# Memeriksa struktur dan ukuran data
str(BreastCancer)
## 'data.frame':    699 obs. of  11 variables:
##  $ Id             : chr  "1000025" "1002945" "1015425" "1016277" ...
##  $ Cl.thickness   : Ord.factor w/ 10 levels "1"<"2"<"3"<"4"<..: 5 5 3 6 4 8 1 2 2 4 ...
##  $ Cell.size      : Ord.factor w/ 10 levels "1"<"2"<"3"<"4"<..: 1 4 1 8 1 10 1 1 1 2 ...
##  $ Cell.shape     : Ord.factor w/ 10 levels "1"<"2"<"3"<"4"<..: 1 4 1 8 1 10 1 2 1 1 ...
##  $ Marg.adhesion  : Ord.factor w/ 10 levels "1"<"2"<"3"<"4"<..: 1 5 1 1 3 8 1 1 1 1 ...
##  $ Epith.c.size   : Ord.factor w/ 10 levels "1"<"2"<"3"<"4"<..: 2 7 2 3 2 7 2 2 2 2 ...
##  $ Bare.nuclei    : Factor w/ 10 levels "1","2","3","4",..: 1 10 2 4 1 10 10 1 1 1 ...
##  $ Bl.cromatin    : Factor w/ 10 levels "1","2","3","4",..: 3 3 3 3 3 9 3 3 1 2 ...
##  $ Normal.nucleoli: Factor w/ 10 levels "1","2","3","4",..: 1 2 1 7 1 7 1 1 1 1 ...
##  $ Mitoses        : Factor w/ 9 levels "1","2","3","4",..: 1 1 1 1 1 1 1 1 5 1 ...
##  $ Class          : Factor w/ 2 levels "benign","malignant": 1 1 1 1 1 2 1 1 1 1 ...
head(BreastCancer)
##        Id Cl.thickness Cell.size Cell.shape Marg.adhesion Epith.c.size
## 1 1000025            5         1          1             1            2
## 2 1002945            5         4          4             5            7
## 3 1015425            3         1          1             1            2
## 4 1016277            6         8          8             1            3
## 5 1017023            4         1          1             3            2
## 6 1017122            8        10         10             8            7
##   Bare.nuclei Bl.cromatin Normal.nucleoli Mitoses     Class
## 1           1           3               1       1    benign
## 2          10           3               2       1    benign
## 3           2           3               1       1    benign
## 4           4           3               7       1    benign
## 5           1           3               1       1    benign
## 6          10           9               7       1 malignant
dim(BreastCancer)
## [1] 699  11
# Memeriksa missing value pada setiap variabel
colSums(is.na(BreastCancer))
##              Id    Cl.thickness       Cell.size      Cell.shape   Marg.adhesion 
##               0               0               0               0               0 
##    Epith.c.size     Bare.nuclei     Bl.cromatin Normal.nucleoli         Mitoses 
##               0              16               0               0               0 
##           Class 
##               0

Berdasarkan hasil pemeriksaan, data Breast Cancer terdiri atas 699 observasi dan 11 variabel. Variabel Id berisi kode sampel, sembilan variabel berikutnya berisi hasil penilaian sitologi pada skala 1 sampai 10, dan variabel Class berisi diagnosis tumor (benign atau malignant). Dari fungsi str() terlihat bahwa variabel sitologi masih tersimpan sebagai factor, bukan angka, sehingga perlu diubah dulu menjadi numerik sebelum dimasukkan ke dalam ANN. Pemeriksaan missing value menunjukkan bahwa hanya variabel Bare.nuclei yang memiliki data hilang, yaitu sebanyak 16 observasi.

4.2 Preprocessing Data

# Menghapus Id dan observasi yang memiliki missing value
data_bc <- BreastCancer %>%
  dplyr::select(-Id) %>%
  na.omit()

# Mengubah variabel sitologi dari factor menjadi numerik
kolom_sitologi <- setdiff(names(data_bc), "Class")
data_bc[kolom_sitologi] <- lapply(
  data_bc[kolom_sitologi],
  function(x) as.numeric(as.character(x))
)

# Mengubah Class menjadi 0 (benign) dan 1 (malignant)
data_bc$Class <- ifelse(data_bc$Class == "malignant", 1, 0)

# Memeriksa hasil preprocessing
str(data_bc)
## 'data.frame':    683 obs. of  10 variables:
##  $ Cl.thickness   : num  5 5 3 6 4 8 1 2 2 4 ...
##  $ Cell.size      : num  1 4 1 8 1 10 1 1 1 2 ...
##  $ Cell.shape     : num  1 4 1 8 1 10 1 2 1 1 ...
##  $ Marg.adhesion  : num  1 5 1 1 3 8 1 1 1 1 ...
##  $ Epith.c.size   : num  2 7 2 3 2 7 2 2 2 2 ...
##  $ Bare.nuclei    : num  1 10 2 4 1 10 10 1 1 1 ...
##  $ Bl.cromatin    : num  3 3 3 3 3 9 3 3 1 2 ...
##  $ Normal.nucleoli: num  1 2 1 7 1 7 1 1 1 1 ...
##  $ Mitoses        : num  1 1 1 1 1 1 1 1 5 1 ...
##  $ Class          : num  0 0 0 0 0 1 0 0 0 0 ...
##  - attr(*, "na.action")= 'omit' Named int [1:16] 24 41 140 146 159 165 236 250 276 293 ...
##   ..- attr(*, "names")= chr [1:16] "24" "41" "140" "146" ...
dim(data_bc)
## [1] 683  10
sum(is.na(data_bc))
## [1] 0
# Ringkasan variabel respons Cell.size
summary(data_bc$Cell.size)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   1.000   1.000   1.000   3.151   5.000  10.000
table(data_bc$Cell.size)
## 
##   1   2   3   4   5   6   7   8   9  10 
## 373  45  52  38  30  25  19  28   6  67

Setelah variabel Id dibuang dan observasi yang memiliki missing value dihapus, data tersisa 683 observasi dengan 10 variabel. Jumlah observasi yang terbuang hanya 16 baris atau sekitar 2,29% dari data awal. Karena porsinya kecil, penghapusan ini tidak banyak mengurangi informasi. Seluruh variabel sekarang sudah bertipe numerik dan tidak ada lagi data yang hilang.

Variabel respons Cell.size memiliki rata-rata 3,15 dan median 1. Dari tabel frekuensi terlihat bahwa nilai 1 paling banyak muncul, yaitu 373 observasi atau 54,61% dari seluruh data, sehingga sebaran Cell.size menceng ke kanan. Kondisi ini perlu diingat saat membaca MAPE. Jika nilai aktualnya 1 dan model memprediksi 1,5, selisihnya hanya 0,5 tetapi galat persentasenya sudah 50%. Artinya, MAPE pada data ini akan cenderung terlihat besar meskipun selisih prediksinya kecil.

4.3 Pembagian Data Training dan Testing

# Membagi data dengan proporsi 80:20
set.seed(200)

n <- nrow(data_bc)
index <- sample(1:n, round(0.8 * n))

train <- data_bc[index, ]
test  <- data_bc[-index, ]

# Ukuran data training dan testing
cat("Ukuran data awal     :", dim(data_bc), "\n")
## Ukuran data awal     : 683 10
cat("Ukuran data training :", dim(train), "\n")
## Ukuran data training : 546 10
cat("Ukuran data testing  :", dim(test), "\n")
## Ukuran data testing  : 137 10
# Membandingkan sebaran Cell.size pada kedua bagian data
cat("\nRingkasan Cell.size data training:\n")
## 
## Ringkasan Cell.size data training:
print(summary(train$Cell.size))
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   1.000   1.000   1.000   3.139   5.000  10.000
cat("\nRingkasan Cell.size data testing:\n")
## 
## Ringkasan Cell.size data testing:
print(summary(test$Cell.size))
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   1.000   1.000   1.000   3.197   4.000  10.000

Data dibagi secara acak dengan proporsi 80:20 menggunakan set.seed(200) agar hasil pembagian selalu sama setiap kali syntax dijalankan. Dari 683 observasi, sebanyak 546 observasi masuk ke data training dan 137 observasi masuk ke data testing. Data training dipakai untuk melatih bobot jaringan, sedangkan data testing disimpan untuk menguji kemampuan model pada data yang belum pernah dilihat saat pelatihan.

Rata-rata Cell.size pada data training sebesar 3,14 dan pada data testing sebesar 3,20. Kedua nilai tersebut cukup dekat dengan rata-rata data keseluruhan (3,15), sehingga pembagian data dapat dianggap cukup mewakili sebaran data asli.

4.4 Normalisasi Variabel Prediktor

# Variabel prediktor
prediktor <- setdiff(names(data_bc), "Cell.size")

# Parameter min-max dihitung dari data training saja
min_train <- sapply(train[prediktor], min)
max_train <- sapply(train[prediktor], max)
rentang   <- max_train - min_train

if (any(rentang == 0)) {
  stop("Terdapat variabel prediktor dengan rentang nol.")
}

# Normalisasi data training dan testing
train_s <- train
test_s  <- test

for (v in prediktor) {
  train_s[[v]] <- (train[[v]] - min_train[v]) / rentang[v]
  test_s[[v]]  <- (test[[v]]  - min_train[v]) / rentang[v]
}

# Memeriksa hasil normalisasi
summary(train_s[prediktor])
##   Cl.thickness      Cell.shape     Marg.adhesion     Epith.c.size   
##  Min.   :0.0000   Min.   :0.0000   Min.   :0.0000   Min.   :0.0000  
##  1st Qu.:0.1111   1st Qu.:0.0000   1st Qu.:0.0000   1st Qu.:0.1111  
##  Median :0.3333   Median :0.0000   Median :0.0000   Median :0.1111  
##  Mean   :0.3830   Mean   :0.2479   Mean   :0.1994   Mean   :0.2507  
##  3rd Qu.:0.5556   3rd Qu.:0.4444   3rd Qu.:0.3333   3rd Qu.:0.3333  
##  Max.   :1.0000   Max.   :1.0000   Max.   :1.0000   Max.   :1.0000  
##   Bare.nuclei      Bl.cromatin     Normal.nucleoli     Mitoses      
##  Min.   :0.0000   Min.   :0.0000   Min.   :0.0000   Min.   :0.0000  
##  1st Qu.:0.0000   1st Qu.:0.1111   1st Qu.:0.0000   1st Qu.:0.0000  
##  Median :0.0000   Median :0.2222   Median :0.0000   Median :0.0000  
##  Mean   :0.2892   Mean   :0.2684   Mean   :0.2070   Mean   :0.0696  
##  3rd Qu.:0.6667   3rd Qu.:0.3333   3rd Qu.:0.3056   3rd Qu.:0.0000  
##  Max.   :1.0000   Max.   :1.0000   Max.   :1.0000   Max.   :1.0000  
##      Class       
##  Min.   :0.0000  
##  1st Qu.:0.0000  
##  Median :0.0000  
##  Mean   :0.3535  
##  3rd Qu.:1.0000  
##  Max.   :1.0000

Normalisasi min-max dilakukan agar seluruh variabel prediktor berada pada rentang 0 sampai 1. Langkah ini sebenarnya tidak ada pada contoh modul, tetapi tetap saya lakukan karena fungsi aktivasi sigmoid pada hidden layer nnet() bekerja paling baik ketika masukannya berada pada skala kecil. Jika masukan terlalu besar, neuron mudah jenuh dan proses pelatihan menjadi lambat. Nilai minimum dan maksimum hanya dihitung dari data training, lalu dipakai juga untuk data testing, supaya informasi dari data testing tidak ikut masuk ke proses pelatihan.

Hasil summary() menunjukkan bahwa seluruh prediktor pada data training sudah memiliki nilai minimum 0 dan maksimum 1. Variabel respons Cell.size sengaja tidak dinormalisasi agar hasil prediksi, MSE, dan MAPE langsung dapat dibaca pada skala aslinya (1–10).

4.5 Formula dan Fungsi Pelatihan ANN Regresi

# Membentuk formula: Cell.size dijelaskan oleh seluruh prediktor
form <- as.formula(
  paste("Cell.size ~", paste(prediktor, collapse = " + "))
)
form
## Cell.size ~ Cl.thickness + Cell.shape + Marg.adhesion + Epith.c.size + 
##     Bare.nuclei + Bl.cromatin + Normal.nucleoli + Mitoses + Class
# Fungsi evaluasi
mse  <- function(y, yhat) mean((y - yhat)^2)
mape <- function(y, yhat) mean(abs((y - yhat) / y)) * 100

# Fungsi untuk melatih ANN dan menghitung evaluasinya
latih_ann <- function(size, maxit) {

  set.seed(2026)  # bobot awal dibuat sama untuk setiap model

  model <- nnet(
    form,
    data   = train_s,
    size   = size,
    linout = TRUE,
    maxit  = maxit,
    trace  = FALSE
  )

  pred_train <- as.numeric(predict(model, newdata = train_s, type = "raw"))
  pred_test  <- as.numeric(predict(model, newdata = test_s,  type = "raw"))

  list(
    model     = model,
    pred_test = pred_test,
    ringkasan = data.frame(
      Hidden_Neuron = size,
      Maxit         = maxit,
      Jumlah_Bobot  = length(model$wts),
      Konvergen     = ifelse(model$convergence == 0, "Ya", "Tidak"),
      MSE_Train     = mse(train_s$Cell.size, pred_train),
      MSE_Test      = mse(test_s$Cell.size,  pred_test),
      MAPE_Train    = mape(train_s$Cell.size, pred_train),
      MAPE_Test     = mape(test_s$Cell.size,  pred_test)
    )
  )
}

Output formula menunjukkan bahwa Cell.size dimodelkan oleh sembilan prediktor, yaitu delapan variabel sitologi lainnya dan Class. Selanjutnya dibuat fungsi latih_ann() agar keenam model tidak perlu ditulis satu per satu. Di dalam fungsi tersebut, model dibentuk dengan nnet() yang berisi satu hidden layer dengan fungsi aktivasi sigmoid (Venables & Ripley, 2002). Argumen size menentukan jumlah hidden neuron, maxit menentukan batas iterasi, dan linout = TRUE membuat output layer memakai fungsi aktivasi linear karena kasus ini adalah regresi, sesuai penjelasan pada Bab II.

Ada satu hal penting pada fungsi ini, yaitu set.seed(2026) yang ditulis di dalam fungsi. Dengan cara ini, bobot awal acak untuk model dengan jumlah neuron yang sama akan selalu identik. Jadi, ketika model 10 neuron dengan maxit 250 dibandingkan dengan model 10 neuron dengan maxit 500, perbedaan hasilnya benar-benar berasal dari jumlah iterasi, bukan dari bobot awal yang berbeda. Fungsi ini juga mencatat status konvergensi. Nilai “Ya” berarti pelatihan sudah berhenti sendiri sebelum batas maxit, sedangkan “Tidak” berarti pelatihan terhenti karena iterasinya sudah mencapai maxit.

4.6 ANN Regresi dengan Maxit = 250

hidden <- c(10, 20, 30)

# Melatih tiga model dengan maxit = 250
hasil_250 <- lapply(hidden, latih_ann, maxit = 250)
names(hasil_250) <- paste0("H", hidden, "_M250")

# Arsitektur masing-masing model
for (m in names(hasil_250)) {
  cat(m, ": ")
  print(hasil_250[[m]]$model)
}
## H10_M250 : a 9-10-1 network with 111 weights
## inputs: Cl.thickness Cell.shape Marg.adhesion Epith.c.size Bare.nuclei Bl.cromatin Normal.nucleoli Mitoses Class 
## output(s): Cell.size 
## options were - linear output units 
## H20_M250 : a 9-20-1 network with 221 weights
## inputs: Cl.thickness Cell.shape Marg.adhesion Epith.c.size Bare.nuclei Bl.cromatin Normal.nucleoli Mitoses Class 
## output(s): Cell.size 
## options were - linear output units 
## H30_M250 : a 9-30-1 network with 331 weights
## inputs: Cl.thickness Cell.shape Marg.adhesion Epith.c.size Bare.nuclei Bl.cromatin Normal.nucleoli Mitoses Class 
## output(s): Cell.size 
## options were - linear output units
# Tabel evaluasi
tabel_250 <- do.call(rbind, lapply(hasil_250, `[[`, "ringkasan"))
rownames(tabel_250) <- NULL

kable(tabel_250, digits = 4,
      caption = "Tabel 1. Evaluasi ANN Regresi dengan maxit = 250")
Tabel 1. Evaluasi ANN Regresi dengan maxit = 250
Hidden_Neuron Maxit Jumlah_Bobot Konvergen MSE_Train MSE_Test MAPE_Train MAPE_Test
10 250 111 Tidak 0.4433 1.9430 16.3188 25.2287
20 250 221 Tidak 0.1742 4.9341 14.9333 36.2496
30 250 331 Tidak 0.0668 8.4000 8.1724 35.8727
terbaik_250 <- tabel_250[which.min(tabel_250$MSE_Test), ]

Ketiga model memiliki arsitektur 9-h-1, yaitu 9 neuron masukan, h neuron pada hidden layer, dan 1 neuron keluaran. Jumlah bobot yang harus diestimasi meningkat seiring bertambahnya neuron, yaitu 111, 221, dan 331 bobot untuk 10, 20, dan 30 neuron. Angka ini didapat dari \((9+1)\times h + (h+1)\), yaitu bobot dan bias dari input ke hidden layer ditambah bobot dan bias dari hidden layer ke output. Dari ketiga model, sebanyak 0 model sudah konvergen sebelum 250 iterasi, sedangkan sisanya berhenti karena mencapai batas maxit.

Pada data training, MSE untuk 10, 20, dan 30 neuron berturut-turut sebesar 0,4433, 0,1742, dan 0,0668, sehingga polanya terus menurun. Pada data testing, MSE berturut-turut sebesar 1,9430, 4,9341, dan 8,4000 dengan pola yang terus meningkat. Model dengan MSE testing terkecil pada maxit 250 adalah model dengan 10 hidden neuron, yaitu sebesar 1,9430. Akar dari nilai ini (1,3939) menunjukkan bahwa prediksi Cell.size rata-rata meleset sekitar 1,39 poin pada skala 1–10.

Nilai MAPE testing model tersebut sebesar 25,23%, yang menurut kriteria Lewis (1982) termasuk kategori layak. Seperti yang sudah dijelaskan pada bagian 4.2, MAPE di sini perlu dibaca hati-hati karena sebagian besar nilai aktual Cell.size adalah 1, sehingga selisih kecil pun menghasilkan persentase galat yang besar. Perlu diperhatikan juga bahwa model dengan neuron paling banyak belum tentu paling baik pada data testing. Bobot yang lebih banyak membuat model lebih mudah “menghafal” data training, tetapi kemampuan generalisasinya ke data baru bisa saja tidak ikut membaik.

4.7 ANN Regresi dengan Maxit = 500

# Melatih tiga model dengan maxit = 500
hasil_500 <- lapply(hidden, latih_ann, maxit = 500)
names(hasil_500) <- paste0("H", hidden, "_M500")

# Arsitektur masing-masing model
for (m in names(hasil_500)) {
  cat(m, ": ")
  print(hasil_500[[m]]$model)
}
## H10_M500 : a 9-10-1 network with 111 weights
## inputs: Cl.thickness Cell.shape Marg.adhesion Epith.c.size Bare.nuclei Bl.cromatin Normal.nucleoli Mitoses Class 
## output(s): Cell.size 
## options were - linear output units 
## H20_M500 : a 9-20-1 network with 221 weights
## inputs: Cl.thickness Cell.shape Marg.adhesion Epith.c.size Bare.nuclei Bl.cromatin Normal.nucleoli Mitoses Class 
## output(s): Cell.size 
## options were - linear output units 
## H30_M500 : a 9-30-1 network with 331 weights
## inputs: Cl.thickness Cell.shape Marg.adhesion Epith.c.size Bare.nuclei Bl.cromatin Normal.nucleoli Mitoses Class 
## output(s): Cell.size 
## options were - linear output units
# Tabel evaluasi
tabel_500 <- do.call(rbind, lapply(hasil_500, `[[`, "ringkasan"))
rownames(tabel_500) <- NULL

kable(tabel_500, digits = 4,
      caption = "Tabel 2. Evaluasi ANN Regresi dengan maxit = 500")
Tabel 2. Evaluasi ANN Regresi dengan maxit = 500
Hidden_Neuron Maxit Jumlah_Bobot Konvergen MSE_Train MSE_Test MAPE_Train MAPE_Test
10 500 111 Tidak 0.4305 2.1187 15.7627 26.7155
20 500 221 Tidak 0.1480 59.2973 13.4757 62.7564
30 500 331 Tidak 0.0502 10.6108 6.7718 41.7121
terbaik_500 <- tabel_500[which.min(tabel_500$MSE_Test), ]

Arsitektur ketiga model pada maxit 500 sama dengan sebelumnya, yang berubah hanya batas iterasinya. Dengan batas 500 iterasi, sebanyak 0 dari 3 model sudah konvergen sebelum batas iterasi tercapai. Artinya, model diberi waktu lebih lama untuk terus memperbaiki bobot sampai kesalahannya tidak bisa diturunkan lagi.

MSE training untuk 10, 20, dan 30 neuron berturut-turut sebesar 0,4305, 0,1480, dan 0,0502, sedangkan MSE testing berturut-turut sebesar 2,1187, 59,2973, dan 10,6108. Model terbaik pada maxit 500 berdasarkan MSE testing adalah model dengan 10 hidden neuron, dengan MSE testing 2,1187 dan MAPE testing 26,72% (kategori layak).

Pada model 30 neuron, MSE testing tercatat 10,6108, atau sekitar 211,52 kali MSE training-nya. Semakin besar rasio ini, semakin jauh jarak antara kemampuan model di data training dan di data testing, dan hal ini menjadi tanda awal overfitting. Karena itu, model tidak cukup dinilai dari MSE training saja, tetapi harus dilihat dari hasilnya pada data testing.

4.8 Pengaruh Maxit terhadap Kinerja Model

# Membandingkan maxit 250 dan 500 untuk setiap jumlah neuron
banding_maxit <- data.frame(
  Hidden_Neuron  = hidden,
  MSE_Train_250  = tabel_250$MSE_Train,
  MSE_Train_500  = tabel_500$MSE_Train,
  MSE_Test_250   = tabel_250$MSE_Test,
  MSE_Test_500   = tabel_500$MSE_Test,
  MAPE_Test_250  = tabel_250$MAPE_Test,
  MAPE_Test_500  = tabel_500$MAPE_Test
)
banding_maxit$Selisih_MSE_Test <- banding_maxit$MSE_Test_500 -
  banding_maxit$MSE_Test_250

kable(banding_maxit, digits = 4,
      caption = "Tabel 3. Perbandingan Kinerja Model pada maxit 250 dan 500")
Tabel 3. Perbandingan Kinerja Model pada maxit 250 dan 500
Hidden_Neuron MSE_Train_250 MSE_Train_500 MSE_Test_250 MSE_Test_500 MAPE_Test_250 MAPE_Test_500 Selisih_MSE_Test
10 0.4433 0.4305 1.9430 2.1187 25.2287 26.7155 0.1757
20 0.1742 0.1480 4.9341 59.2973 36.2496 62.7564 54.3631
30 0.0668 0.0502 8.4000 10.6108 35.8727 41.7121 2.2108
# Visualisasi MSE training dan testing
tabel_all <- rbind(tabel_250, tabel_500)

plot_mse <- data.frame(
  Hidden = factor(rep(tabel_all$Hidden_Neuron, 2)),
  Maxit  = factor(rep(tabel_all$Maxit, 2)),
  Data   = factor(rep(c("Training", "Testing"), each = nrow(tabel_all)),
                  levels = c("Training", "Testing")),
  MSE    = c(tabel_all$MSE_Train, tabel_all$MSE_Test)
)

ggplot(plot_mse, aes(x = Hidden, y = MSE, fill = Data)) +
  geom_col(position = "dodge") +
  facet_wrap(~ Maxit, labeller = label_both) +
  labs(
    title = "Perbandingan MSE Training dan Testing",
    x = "Jumlah Hidden Neuron",
    y = "MSE"
  ) +
  theme_minimal()

# Visualisasi MAPE testing
ggplot(tabel_all, aes(x = factor(Hidden_Neuron), y = MAPE_Test,
                      group = factor(Maxit), colour = factor(Maxit))) +
  geom_line() +
  geom_point(size = 3) +
  labs(
    title = "MAPE Data Testing pada Setiap Model",
    x = "Jumlah Hidden Neuron",
    y = "MAPE Testing (%)",
    colour = "Maxit"
  ) +
  theme_minimal()

Tabel 3 membandingkan model dengan jumlah neuron yang sama tetapi batas iterasi berbeda. Karena bobot awalnya dibuat sama, model maxit 500 pada dasarnya adalah lanjutan dari model maxit 250. Itu sebabnya MSE training tidak mungkin naik ketika iterasi ditambah. Hasilnya, MSE training pada model 10, 20, dan 30 neuron masing-masing menurun, menurun, dan menurun setelah maxit dinaikkan menjadi 500. Jika ada yang tidak berubah, berarti model tersebut sudah konvergen sebelum iterasi ke-250 sehingga tambahan iterasi tidak berpengaruh apa-apa.

Hal yang lebih menarik terlihat pada data testing. Dari tiga konfigurasi neuron, MSE testing turun pada 0 konfigurasi, naik pada 3 konfigurasi, dan tidak berubah pada 0 konfigurasi. Jadi, menambah iterasi tidak otomatis membuat prediksi pada data baru lebih baik. Iterasi tambahan memang selalu membuat model makin pas dengan data training, tetapi jika polanya sudah ditangkap dengan baik, iterasi selanjutnya justru dipakai untuk menyesuaikan diri dengan noise di data training. Grafik batang memperlihatkan hal ini dengan jelas: batang MSE training cenderung makin pendek, sedangkan batang MSE testing tidak selalu ikut memendek. Grafik garis MAPE juga menunjukkan bahwa perbedaan antara kedua nilai maxit paling terasa pada model dengan neuron yang lebih banyak, karena model tersebut memiliki bobot lebih banyak yang bisa terus disesuaikan.

4.9 Model Terbaik dan Hasil Prediksi

# Menentukan model terbaik berdasarkan MSE testing, lalu MAPE testing
tabel_all$Model <- paste0("H", tabel_all$Hidden_Neuron, "_M", tabel_all$Maxit)
tabel_urut <- tabel_all[order(tabel_all$MSE_Test, tabel_all$MAPE_Test), ]
rownames(tabel_urut) <- NULL

kable(tabel_urut[, c("Model", "Hidden_Neuron", "Maxit", "Konvergen",
                     "MSE_Train", "MSE_Test", "MAPE_Train", "MAPE_Test")],
      digits = 4,
      caption = "Tabel 4. Peringkat Seluruh Model Berdasarkan MSE Testing")
Tabel 4. Peringkat Seluruh Model Berdasarkan MSE Testing
Model Hidden_Neuron Maxit Konvergen MSE_Train MSE_Test MAPE_Train MAPE_Test
H10_M250 10 250 Tidak 0.4433 1.9430 16.3188 25.2287
H10_M500 10 500 Tidak 0.4305 2.1187 15.7627 26.7155
H20_M250 20 250 Tidak 0.1742 4.9341 14.9333 36.2496
H30_M250 30 250 Tidak 0.0668 8.4000 8.1724 35.8727
H30_M500 30 500 Tidak 0.0502 10.6108 6.7718 41.7121
H20_M500 20 500 Tidak 0.1480 59.2973 13.4757 62.7564
semua_hasil <- c(hasil_250, hasil_500)
nama_terbaik <- tabel_urut$Model[1]
terbaik <- tabel_urut[1, ]
model_terbaik <- semua_hasil[[nama_terbaik]]$model
pred_terbaik <- semua_hasil[[nama_terbaik]]$pred_test

# Perbandingan nilai aktual dan prediksi pada data testing
hasil_pred <- data.frame(
  Aktual   = test_s$Cell.size,
  Prediksi = pred_terbaik
)
head(hasil_pred, 10)
##    Aktual Prediksi
## 1       1 1.007876
## 2       1 1.123291
## 3       1 1.133046
## 4       2 1.181181
## 5       1 1.125872
## 6       1 1.181181
## 7       1 1.123291
## 8       4 5.129221
## 9       3 5.375609
## 10      3 5.375650
ggplot(hasil_pred, aes(x = Aktual, y = Prediksi)) +
  geom_jitter(width = 0.15, alpha = 0.6) +
  geom_abline(intercept = 0, slope = 1, colour = "red", linetype = "dashed") +
  labs(
    title = paste("Nilai Aktual vs Prediksi Data Testing -", nama_terbaik),
    x = "Cell.size Aktual",
    y = "Cell.size Prediksi"
  ) +
  theme_minimal()

Berdasarkan Tabel 4, model terbaik dari keenam model adalah H10_M250, yaitu ANN dengan 10 hidden neuron dan maxit 250. Model ini menghasilkan MSE testing paling kecil, yaitu 1,9430, dengan MAPE testing 25,23% yang termasuk kategori layak. Sebagai pembanding, model dengan MSE testing paling besar adalah H20_M500 dengan MSE 59,2973. Pemilihan model terbaik sengaja didasarkan pada data testing, bukan training, karena yang ingin dicari adalah model yang paling baik memprediksi data baru.

Grafik sebaran membandingkan nilai Cell.size aktual dengan hasil prediksi pada data testing. Garis merah putus-putus adalah garis \(y = x\), yaitu kondisi ketika prediksi tepat sama dengan nilai aktual. Titik-titik yang berkumpul di sekitar garis tersebut menunjukkan bahwa model mampu mengikuti pola data dengan cukup baik. Titik di sekitar nilai aktual 1 terlihat paling rapat karena observasi dengan Cell.size = 1 memang paling banyak. Sementara itu, pada nilai aktual yang besar (sekitar 8–10), titik-titik lebih menyebar karena jumlah datanya sedikit sehingga model punya lebih sedikit contoh untuk dipelajari.

4.10 Arsitektur Jaringan dan Bobot Model Terbaik

# Plot arsitektur jaringan
plotnet(model_terbaik)

# Struktur dan jumlah bobot jaringan
bobot <- neuralweights(model_terbaik)
bobot$struct
## [1]  9 10  1
length(model_terbaik$wts)
## [1] 111
# Contoh bobot yang menuju hidden neuron pertama
bobot$wts[[1]]
##  [1]   88.588771    8.583968  -99.058763   11.652517  -82.752243 -145.103279
##  [7] -185.089645  -53.184890  -29.568657 -114.292381

Plot arsitektur memperlihatkan bentuk jaringan model terbaik. Lapisan paling kiri berisi 9 neuron masukan (I1–I9), lapisan tengah berisi 10 hidden neuron (H1–H10), dan lapisan paling kanan berisi 1 neuron keluaran (O1) untuk Cell.size. Neuron B1 dan B2 adalah bias untuk hidden layer dan output layer. Warna garis menunjukkan tanda bobot: garis hitam berarti bobot positif dan garis abu-abu berarti bobot negatif. Ketebalan garis menunjukkan besar bobotnya, jadi semakin tebal garis, semakin kuat pengaruh hubungan tersebut.

Output neuralweights() menunjukkan struktur 9-10-1 dengan total 111 bobot. Bobot yang ditampilkan adalah bobot yang menuju hidden neuron pertama, yaitu satu bias ditambah sembilan bobot dari setiap variabel masukan. Bobot-bobot ini sulit ditafsirkan satu per satu seperti koefisien regresi linear karena pengaruh setiap prediktor menyebar ke banyak neuron dan melewati fungsi aktivasi nonlinear. Oleh karena itu, pengaruh setiap variabel dirangkum dengan metode Olden pada bagian berikutnya.

4.11 Tingkat Kepentingan Variabel

# Plot tingkat kepentingan variabel metode Olden
olden(model_terbaik)

# Tabel tingkat kepentingan variabel
imp <- olden(model_terbaik, bar_plot = FALSE)
imp$Variabel <- rownames(imp)
imp <- imp[order(-abs(imp$importance)), c("Variabel", "importance")]
rownames(imp) <- NULL

kable(imp, digits = 4,
      caption = "Tabel 5. Tingkat Kepentingan Variabel (Metode Olden)")
Tabel 5. Tingkat Kepentingan Variabel (Metode Olden)
Variabel importance
Cell.shape 1569.0267
Normal.nucleoli 1185.6970
Cl.thickness -1132.1068
Epith.c.size 918.2489
Bl.cromatin -695.6787
Bare.nuclei 607.3869
Marg.adhesion -291.6130
Mitoses 268.3142
Class 164.4137

Metode Olden mengukur kepentingan setiap prediktor dengan menjumlahkan hasil kali bobot dari input ke hidden layer dan dari hidden layer ke output. Tanda nilainya menunjukkan arah pengaruh, sedangkan besar nilai mutlaknya menunjukkan kekuatan pengaruh. Berdasarkan Tabel 5, variabel yang paling berpengaruh terhadap prediksi Cell.size adalah Cell.shape dengan nilai kepentingan 1569,0267, diikuti oleh Normal.nucleoli (1185,6970) dan Cl.thickness (-1132,1068). Variabel dengan pengaruh paling kecil adalah Class dengan nilai 164,4137.

Nilai positif berarti kenaikan variabel tersebut cenderung menaikkan prediksi Cell.size, sedangkan nilai negatif berarti sebaliknya. Secara substansi, Cell.shape seharusnya sangat berkaitan dengan Cell.size karena sel yang ukurannya tidak seragam biasanya juga bentuknya tidak seragam. Pada model ini, Cell.shape berada di peringkat ke-1 dari 9 variabel, sehingga hasil model sejalan dengan logika tersebut. Meski begitu, hasil ini sebaiknya dibaca sebagai gambaran perilaku model, bukan bukti hubungan sebab-akibat, karena nilai kepentingan bisa sedikit berubah jika bobot awal atau pembagian datanya diganti.

BAB V KESIMPULAN

5.1 Kesimpulan

Artificial Neural Network (ANN) adalah model machine learning yang meniru cara kerja jaringan saraf otak, yaitu menghubungkan input layer, hidden layer, dan output layer melalui bobot, bias, dan fungsi aktivasi. Model belajar dengan algoritma backpropagation, yang terus memperbaiki bobot berdasarkan kesalahan prediksi melalui tahap forward propagation, backward propagation, dan pembaruan bobot. Perbedaan ANN regresi dan klasifikasi ada pada jenis responsnya. ANN regresi memprediksi nilai numerik sehingga output layer-nya memakai fungsi aktivasi linear, sedangkan ANN klasifikasi memprediksi kategori sehingga output layer-nya memakai sigmoid untuk dua kelas atau softmax untuk banyak kelas, dengan cross-entropy sebagai fungsi kerugiannya.

Implementasi ANN di R dapat dilakukan dengan fungsi nnet() dari paket nnet. Jumlah hidden neuron diatur melalui argumen size, batas iterasi melalui maxit, dan untuk kasus regresi digunakan linout = TRUE. Sebelum model dilatih, data perlu disiapkan terlebih dahulu dengan menghapus missing value, mengubah variabel menjadi numerik, membagi data menjadi training dan testing, serta menormalisasi prediktor. Paket NeuralNetTools membantu membaca model yang sudah terbentuk melalui plotnet() untuk melihat arsitektur, neuralweights() untuk melihat bobot, dan olden() untuk melihat tingkat kepentingan variabel. Untuk ANN regresi, performa model diukur dengan MSE dan MAPE, sedangkan untuk ANN klasifikasi performa dihitung dari confusion matrix menggunakan accuracy dan precision.

Pada data Breast Cancer, ANN regresi digunakan untuk memprediksi Cell.size dengan enam kombinasi hidden neuron (10, 20, 30) dan maxit (250, 500). Model terbaik adalah H10_M250, yaitu ANN dengan 10 hidden neuron dan maxit 250, dengan MSE testing sebesar 1,9430 dan MAPE testing sebesar 25,23% (kategori layak). Dari hasil ini terlihat bahwa menambah iterasi selalu membuat model makin pas dengan data training, dan menambah neuron juga cenderung begitu, tetapi tidak menjamin prediksi pada data testing ikut membaik. Oleh karena itu, pemilihan arsitektur ANN harus didasarkan pada kinerja di data testing. Selain itu, MAPE pada data ini cenderung tinggi karena sebagian besar nilai Cell.size adalah 1, sehingga MSE lebih tepat dijadikan acuan utama dalam membandingkan model.

5.2 Saran

Praktikan diharapkan dapat mempelajari lebih lanjut mengenai Artificial Neural Network, terutama cara memilih jumlah hidden neuron dan jumlah iterasi yang tepat. Pada praktikum berikutnya, pemilihan arsitektur sebaiknya dilakukan menggunakan cross-validation dan dicoba juga penggunaan weight decay agar risiko overfitting dapat dikurangi. Karena hasil ANN dipengaruhi oleh bobot awal yang acak, model juga sebaiknya dijalankan dengan beberapa nilai seed agar kesimpulan yang diambil lebih stabil. Praktikan juga disarankan untuk mencoba ANN klasifikasi pada data yang sama, misalnya untuk memprediksi Class, agar lebih memahami penerapan ANN untuk kedua jenis permasalahan.

DAFTAR PUSTAKA

Bishop, C. M. (2006). Pattern Recognition and Machine Learning. New York: Springer.

Fausett, L. (1994). Fundamentals of Neural Networks: Architectures, Algorithms, and Applications. Englewood Cliffs: Prentice Hall.

Fransiska, H. (2026). Modul Praktikum Machine Learning dan Model Prediction. Bengkulu: Universitas Bengkulu.

Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. Cambridge: MIT Press.

Haykin, S. (2009). Neural Networks and Learning Machines (3rd ed.). New Jersey: Pearson Education.

Lewis, C. D. (1982). Industrial and Business Forecasting Methods. London: Butterworths.

Nurhalizah, R. S., Ardianto, R., & Purwono. (2024). Analisis Supervised dan Unsupervised Learning pada Machine Learning: Systematic Literature Review. Jurnal Ilmu Komputer dan Informatika (JIKI), 4(1), 61–74.

Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning Representations by Back-Propagating Errors. Nature, 323, 533–536.

Venables, W. N., & Ripley, B. D. (2002). Modern Applied Statistics with S (4th ed.). New York: Springer.

Wolberg, W. H., & Mangasarian, O. L. (1990). Multisurface Method of Pattern Separation for Medical Diagnosis Applied to Breast Cytology. Proceedings of the National Academy of Sciences, 87(23), 9193–9196.