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.
Berdasarkan latar belakang di atas, rumusan masalah yang dapat disimpulkan yaitu:
Berdasarkan rumusan masalah di atas, tujuan yang dapat disimpulkan yaitu:
Adapun manfaat dari praktikum ini yaitu:
Adapun batasan masalah dari praktikum ini, 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.
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).
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):
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).
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:
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).
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 |
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%).
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):
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).
Fungsi aktivasi berperan penting dalam menentukan nonlinearitas jaringan. Beberapa fungsi yang umum digunakan pada ANN klasifikasi yaitu (Fransiska, 2026):
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.
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.
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).
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.
Berikut adalah langkah-langkah yang dilakukan dalam analisis:
Id, menghapus observasi yang memiliki missing
value, dan mengubah seluruh variabel menjadi numerik.nnet()
dengan hidden neuron 10, 20, dan 30 serta maxit
250.# 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 ...
## 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
## [1] 699 11
## 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.
# 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" ...
## [1] 683 10
## [1] 0
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.000 1.000 1.000 3.151 5.000 10.000
##
## 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.
# 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
## Ukuran data training : 546 10
## 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:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.000 1.000 1.000 3.139 5.000 10.000
##
## Ringkasan Cell.size data testing:
## 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.
# 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).
# 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.
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")| 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 |
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.
# 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")| 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 |
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.
# 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")| 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.
# 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$MAPE_Test), ]
rownames(tabel_urut) <- NULL
kable(tabel_urut[, c("Model", "Hidden_Neuron", "Maxit", "Konvergen",
"MSE_Train", "MSE_Test", "MAPE_Train", "MAPE_Test")],
digits = 4,
caption = "Tabel 4. Peringkat Seluruh Model Berdasarkan MSE Testing")| Model | Hidden_Neuron | Maxit | Konvergen | MSE_Train | MSE_Test | MAPE_Train | MAPE_Test |
|---|---|---|---|---|---|---|---|
| H10_M250 | 10 | 250 | Tidak | 0.4433 | 1.9430 | 16.3188 | 25.2287 |
| H10_M500 | 10 | 500 | Tidak | 0.4305 | 2.1187 | 15.7627 | 26.7155 |
| H20_M250 | 20 | 250 | Tidak | 0.1742 | 4.9341 | 14.9333 | 36.2496 |
| H30_M250 | 30 | 250 | Tidak | 0.0668 | 8.4000 | 8.1724 | 35.8727 |
| H30_M500 | 30 | 500 | Tidak | 0.0502 | 10.6108 | 6.7718 | 41.7121 |
| H20_M500 | 20 | 500 | Tidak | 0.1480 | 59.2973 | 13.4757 | 62.7564 |
semua_hasil <- c(hasil_250, hasil_500)
nama_terbaik <- tabel_urut$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.
## [1] 9 10 1
## [1] 111
## [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.
# 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)")| 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.
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.
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.
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.