Cara Membaca Confusion Matrix
Tim Halo Ryan, 29 May 2023
Confusion matrix adalah sebuah matrix n x n yang digunakan untuk membandingkan hasil prediksi mesin dengan data sebenarnya pada kasus klasifikasi data. Dimana 'n' adalah jumlah label atau kelas yang akan diprediksi. Misal, kita ingin membuat confusion matrix dari hasil klasifikasi gunting, batu, kertas, maka jumlah label nya n = 3, sehingga dimensi confusion matrix yang dihasilkan adalah 3 x 3. Ini adalah contoh dari confusion marix yang didapat dari salah satu kelas Halo Ryan:
Note: Untuk membuat confusion matrix diatas, kalian bisa ikuti e-learnig ini
Nah, confusion matrix ini nantinya akan digunakan untuk mendefinisikan performa mesin dan lebih banyak metric lainnya seperti: akurasi, precission, recall, sensitifitas dan spesifitas. Contohnya adalah sebagai berikut, misalkan kita memiliki 15 data testing dengan dua buah label yang akan coba di prediksi labelnya oleh mesin, kemudian akan dibandingkan dengan label sebenarnya dari 15 data tersebut. Hasilnya adalah sebagai berikut:
Nah, dari hasil perbandingan label aktual dengan hasil prediksi diatas dapat dibuat menjadi confusion metric sebagai berikut:
Dari data diatas, kita bisa melihat ada 6 data dengan label '1' (positif) yang berhasil diprediksi '1' (positif) juga oleh mesin. Nah, kelompok data ini disebut True Positive (TP). Kemudian ada 4 data dengan label '0' (negatif) yang berhasil diprediksi '0' (negatif) juga oleh mesin. Kelompok data ini disebut True Negative (TN). Kemudian ada 2 data dengan label '0' (negatif) yang diprediksi '1' positif oleh mesin. Nah, kelompok data ini disebut False Positive (FP). Terakhir ada 3 data dengan label '1' (positif) yang diprediksi '0' (negatif) oleh mesin. Kelompok data ini disebut False Negative (FN). Nah ini dia rangkuman perbandingan antara True Positive (TP), True Negative (TN), False Positive (FP) dan False Negative (FN):
Singkatnya, apa itu TP, TN, FP & FN?
| Hasil | Singkatan | Keterangan |
| True Positive | TP | Data dengan label positif yang juga diprediksi positif oleh mesin |
| True Negative | TN | Data dengan label negatif yang juga diprediksi negatif oleh mesin |
| False Positive | FP | Data dengan label negatif tapi diprediksi positif oleh mesin |
| False Negative | FN | Data dengan label positif, tapi diprediksi negatif oleh mesin |
Nah, dengan mengetahui TP, TN, FP, dan FN diatas, kita akan mampu mengihitung nilai lainnya seperti: akurasi, precission, recall, sensitifitas, spesifitas dan nilai lain sebagainya.
Baca Juga: Membaca Confusion Metric 3 x 3 atau lebih disini
Untuk belajar lebih lanjut tentang confusion metric pada real kasus, kalian bisa mulai belajar dari e-learning Halo Ryan disini. See you.
Termakasih sudah membaca artikel ini, jika ada yang ingin ditanyakan, jangan ragu untuk meninggalkan pesan di kolom komentar. Kamu dapat menikmati konten kamu yang lain disini