In This Article:
Kalian pernah membuat sebuah model untuk menguji data-data biometric? Misal sidik jari, pemalsuan suara (voice spoofing), pengenalan wajah, retina mata, dan banyak lagi? Nah dalam membuat AI atau ML untuk keperluan biometric, metric pengujian seperti akurasi, precision, recall, f1-score dan ROC-AUC tidaklah cukup. Harus ada satu metric lagi yang kita sebut dengan Equal Error Rate (EER).
Equal Error Rate atau EER adalah metrik evaluasi yang digunakan terutama dalam sistem pengenalan atau autentikasi biometrik, seperti pengenalan wajah, sidik jari, atau suara. EER menunjukkan tingkat kesalahan pada titik di mana kesalahan yang terjadi dalam memprediksi positif palsu (False Positive) dan negatif palsu (False Negative) adalah sama. EER sering digunakan untuk mengukur performa sistem klasifikasi yang berhubungan dengan verifikasi dan autentikasi.
Untuk memahami Equal Error Rate (EER), kita perlu memahami beberapa konsep terkait seperti berikut:
Note: TP, TN, FP, FN Berasal dari confusion matrix. Pelajari disini
Equal Error Rate (EER) terjadi pada titik di mana FPR = FNR, atau dengan kata lain, tingkat kesalahan menerima pengguna yang tidak sah sama dengan tingkat kesalahan menolak pengguna yang sah.
Biasanya EER divisualisasikan sebagai titik temu antara plot grafik FPR dan FNR. Kira-kira contohnya seperti ini:
Note:
Grafik diatas adalah grafik ROC pada model prediksi kematian akibat serangan jantung dengan menggunakan algoritma naive bayes. Kalian juga bisa mempelajarinya secara lengkap beserta 10 proyek machine learning dengan harga promo disini
EER memberikan satu nilai tunggal yang mudah dipahami untuk membandingkan performa sistem klasifikasi. Dalam konteks sistem verifikasi, seperti pengenalan biometrik, EER sangat berguna karena:
Perhitungan EER biasanya dilakukan dengan memplot kurva ROC (Receiver Operating Characteristic) yang menunjukkan hubungan antara True Positive Rate (TPR) dan False Positive Rate (FPR) pada berbagai nilai ambang batas (threshold).
Langkah-langkah menghitung EER adalah sebagai berikut:
Equal Error Rate (EER) adalah metrik evaluasi yang penting dalam sistem verifikasi dan autentikasi, terutama dalam konteks biometrik seperti pengenalan wajah atau sidik jari. EER memberikan gambaran yang jelas tentang seberapa baik sistem menyeimbangkan antara kesalahan menerima pengguna yang tidak sah dan menolak pengguna yang sah.
Dengan memahami EER, kita dapat lebih baik mengevaluasi sistem yang melibatkan verifikasi atau pengenalan, dan membuat keputusan yang lebih baik tentang bagaimana mengoptimalkan model pembelajaran mesin yang digunakan.
Karena akurasi, precision, recall dan f1-score sangat erat kaitannya dengan confusion matrix, maka saya akan sangat menganjurkan kamu untuk memahami terlebih dahulu apa itu confusion matrix pada artikel...
ROC (Receiver Operating Characteristic) adalah grafik yang digunakan untuk mengevaluasi kinerja model klasifikasi biner. Grafik ini menggambarkan kemampuan model dalam membedakan antara kelas positif dan negatif pada berbagai...