🔍 Pernah penasaran bagaimana cara kerja machine learning dari dalam?
Ingin melihat bagaimana algoritma belajar dari data dan membuat keputusan?
Kali ini, kita akan membedah secara langsung aplikasi web interaktif yang mengimplementasikan algoritma Perceptron, dibangun menggunakan PHP!

Cocok banget untuk pelajar, mahasiswa, dosen, maupun siapa saja yang ingin mempelajari dasar jaringan saraf tiruan tanpa harus coding dari nol.

Apa Itu Perceptron?

Sederhananya, Perceptron adalah algoritma pembelajaran mesin paling dasar yang digunakan untuk menyelesaikan masalah klasifikasi biner. Misalnya: menentukan apakah sebuah email adalah spam atau bukan.

Prinsip kerjanya seperti ini:

• Input dikalikan dengan bobot.
• Dijumlahkan dan dilewatkan ke fungsi aktivasi (biasanya sigmoid).
• Hasilnya dibandingkan dengan threshold, lalu ditentukan kelasnya.

Dan semua proses itu… bisa kamu lihat langsung lewat aplikasi yang akan kita bahas ini!

👨‍💻 Tampilan Dashboard: Simpel Tapi Powerful

Setelah aplikasi dibuka, kamu akan disambut oleh tampilan dashboard yang bersih dan rapi.
Tersedia navigasi untuk semua fitur penting: Upload Dataset, Pelatihan, Prediksi, dan Evaluasi.
Di sinilah perjalanan pembelajaran kita dimulai.

📂 Upload Dataset: Cukup Satu Klik

Kamu hanya perlu mengunggah file Excel (.xls atau .xlsx) dengan format sederhana.
Aplikasi ini secara otomatis akan mengenali kolom terakhir sebagai target/output, dan sisanya sebagai input.

Begitu file diunggah, data langsung ditampilkan dalam tiga bentuk:

• Data Mentah (raw)
• Data yang Ternormalisasi
• Statistik Kolom

➡️ Tidak perlu repot dengan preprocessing manual!

⚙️ Pelatihan Model: Atur Sendiri Parameter Pembelajaran

Inilah jantung dari aplikasi ini.

Kamu bisa mengatur:

• Learning rate: Seberapa cepat model belajar
• Jumlah epoch: Berapa kali data diulang untuk melatih model
• Toleransi error: Kapan pelatihan dianggap cukup

Setelah itu, tinggal klik “Latih Model”, dan proses pembelajaran dimulai!

📈 Visualisasi Error & Detail Iterasi

Yang menarik: aplikasi ini tidak hanya memberi hasil akhir, tapi juga memvisualisasikan perjalanan model belajar.

• Grafik Error vs Epoch menunjukkan seberapa cepat model belajar.
• Ada log detail untuk melihat setiap iterasi, perubahan bobot, dan hasil prediksi.

Kita bisa melihat bagaimana error perlahan menurun… hingga akhirnya stabil.
Pengalaman belajar yang tidak hanya praktis, tapi juga menyenangkan!

🤖 Prediksi: Coba Sendiri Model yang Sudah Dilatih

Setelah pelatihan selesai, kamu bisa langsung menguji model:

• Masukkan enam nilai input
• Klik Prediksi
• Voila! Output berupa angka antara 0 dan 1 akan muncul

Jika ≥ 0.5 → diklasifikasikan sebagai Positif (1)
Jika < 0.5 → diklasifikasikan sebagai Negatif (0)

Aplikasi ini juga menyediakan fitur Batch Prediksi jika ingin menguji banyak data sekaligus.

🧪 Evaluasi Model: Seberapa Hebat Model Kita?

Untuk tahu seberapa baik model bekerja, aplikasi menyediakan fitur evaluasi lengkap:

• MSE (Mean Squared Error)
• Akurasi
• Confusion Matrix

Contohnya, model pada pengujian kami berhasil mencapai akurasi 90% dengan MSE hanya 0.039 — hasil yang sangat baik untuk data sederhana!

🔍 Mengapa Aplikasi Ini Layak Dicoba?

✅ Tidak butuh install Python atau library ML berat
✅ Bisa dijalankan di localhost PHP
✅ Mudah digunakan untuk pembelajaran dan eksperimen
✅ Cocok untuk tugas akhir, skripsi, atau praktikum kuliah
✅ Memvisualisasikan proses machine learning secara lengkap

🎁 Ingin mencoba aplikasinya sendiri?
Klik tautan di bawah ini untuk mendapatkan aplikasinya:

Apakah Anda sedang mencari cara mudah dan praktis untuk menerapkan algoritma Backpropagation dalam prediksi data? Kali ini kami akan mengulas secara lengkap sebuah aplikasi berbasis web yang mampu melakukan training dan prediksi menggunakan algoritma jaringan saraf tiruan (neural network) dengan metode Backpropagation.

Aplikasi ini sangat cocok digunakan oleh mahasiswa, dosen, peneliti, bahkan profesional data science yang ingin memahami alur kerja backpropagation secara visual dan interaktif.

🏠 Dashboard Aplikasi Backpropagation

Saat pertama kali membuka aplikasi, Anda akan langsung disambut dengan halaman dashboard yang bersih dan mudah dipahami.

Terdapat 3 panel utama:

• Input Variabel: menunjukkan jumlah variabel input yang diunggah
• Data Training: menampilkan jumlah data yang digunakan untuk proses pelatihan
• Hasil Prediksi: berisi informasi jumlah prediksi yang telah dilakukan

Tepat di bawahnya, tersedia panduan langkah demi langkah untuk menggunakan aplikasi ini, yaitu:

1. Upload dataset
2. Lakukan training model
3. Buat prediksi baru
4. Evaluasi performa model

—

📤 Upload Dataset Excel (.xlsx/.xls)

Langkah pertama adalah mengunggah dataset. Aplikasi ini mendukung format Excel (.xlsx dan .xls), dengan asumsi bahwa kolom terakhir dari file merupakan target output, dan sisanya adalah variabel input.

Beberapa fitur unggulan di halaman ini:

• Bisa langsung menormalisasi data setelah upload
• Metode normalisasi menggunakan Min-Max Scaling
• Nilai minimum dan maksimum bisa dikustomisasi (misalnya 0.1 – 0.9)

Proses normalisasi sangat penting untuk meningkatkan stabilitas dan akurasi pelatihan neural network.

—

👁️ Preview Dataset dan Nilai Asli

Setelah upload, Anda akan melihat pratinjau (preview) data yang telah dinormalisasi. Tampilannya berbentuk tabel interaktif yang menampilkan setiap baris data, lengkap dengan nilai input dan output-nya.

Menariknya, aplikasi ini juga menampilkan:

• Nilai minimum sebelum normalisasi
• Nilai maksimum sebelum normalisasi

Fitur ini sangat berguna untuk memvalidasi skala data yang digunakan dan memastikan tidak ada outlier yang mengganggu proses pelatihan.

—

🧠 Training Backpropagation

Tahapan selanjutnya adalah proses training model. Di sini pengguna bisa mengatur berbagai parameter penting seperti:

• Jumlah node pada hidden layer
• Learning rate (α) — semakin kecil, semakin stabil
• Momentum — untuk menghindari jebakan local minima
• Maksimum epoch — batas iterasi pelatihan
• Target error — nilai error minimum yang ingin dicapai

Setelah parameter diatur, cukup klik tombol “Mulai Training”, dan aplikasi akan menjalankan proses pembelajaran model neural network menggunakan algoritma backpropagation.

—

📈 Grafik Error Training (MSE)

Aplikasi ini menyajikan grafik Mean Squared Error (MSE) yang sangat berguna untuk memantau performa pelatihan. Anda bisa melihat bagaimana nilai error menurun secara bertahap seiring bertambahnya epoch.

Grafik ini memberikan informasi penting apakah model belajar secara optimal, terlalu lambat, atau bahkan mengalami overfitting.

—

📊 Riwayat Training (Log Epoch)

Selain grafik, tersedia juga tabel riwayat training. Tabel ini menampilkan:

• Epoch ke berapa
• Nilai error MSE pada saat itu

Dengan ini, Anda bisa melakukan analisis tren pelatihan dan melihat sejauh mana model mengalami peningkatan akurasi.

—

🔮 Prediksi Data Baru

Setelah model dilatih, Anda bisa melakukan prediksi baru dengan dua cara:

• Input manual: masukkan nilai variabel satu per satu ke form
• Batch prediksi: upload file untuk prediksi massal

Masukkan nilai seperti jam belajar, nilai sebelumnya, aktivitas ekstrakurikuler, jam tidur, dan jumlah latihan soal — kemudian klik tombol “Proses Prediksi”.

—

✅ Hasil Prediksi Output

Setelah proses prediksi dijalankan, hasilnya akan langsung muncul di layar. Nilai output ini merupakan estimasi dari target berdasarkan input yang Anda masukkan.

Misalnya, jika targetnya adalah skor performa siswa, maka output bisa berupa prediksi nilai seperti: 45.3045.

—

📊 Ringkasan Evaluasi Model

Terakhir, aplikasi akan menyajikan ringkasan performa model yang mencakup:

• Jumlah node input, hidden, dan output
• Learning rate dan momentum yang digunakan
• Total epoch pelatihan
• Nilai MSE akhir sebagai metrik evaluasi akurasi model

Ringkasan ini sangat berguna untuk dokumentasi dan perbandingan jika Anda melakukan eksperimen parameter yang berbeda.

—

📥 Ingin Memiliki Aplikasi Ini?

Jika Anda tertarik untuk memiliki aplikasi ini silakan klik tombol di bawah ini untuk mendapatkan akses ke file aplikasinya.