Precision, Recall & F1-Score Confusion Matrix 3x3

Artikel ini merupakan artikel lanjutan dari artikel cara membaca dan menganalisis confusion matrix 3x3 atau lebih. Kalau kalian belum membacanya, kalian bisa membacanya pada artikel dibawah ini:

Baca Juga: Cara Membaca Confusion Matrix 3x3 Atau Lebih disini

Dalam kasus matriks 3x3, tiga kelas berbeda (misalnya A, B, dan C) digunakan. Setiap elemen dalam matriks mewakili jumlah prediksi model dibandingkan dengan nilai aktual, dengan baris merepresentasikan kelas yang sebenarnya dan kolom menunjukkan prediksi dari model. Diagonal utama dalam confusion matrix menunjukkan prediksi yang benar, sedangkan elemen lain di luar diagonal mewakili kesalahan prediksi.

Contoh Confusion Matrix 3x3

Dalam artikel ini kita tidak akan membedah tentang komponen confusion matrix diatas ya, Kalau kalian mau membedah komponennya, kalian bisa baca artikelnya disini.

Komponen pada confusion matrix 3x3 atau lebih harus dianalisis per kelas (label), sehingga pada tiap-tiap kelas akan ditemukan nilai precision, recall dan f1-score nya masing-masing. Nah sekarang kita akan mencoba untuk menganalisis TP, FP, FN dan TN pada label 'A' dari confusion matrix diatas ya. Kira-kira hasilnya seperti ini:

• True Positives (TP) untuk A = 50
• False Positives (FP) untuk A = 11 (4 dari kelas B dan 7 dari kelas C)
• False Negatives (FN) untuk A = 15 (5 diprediksi B, 10 diprediksi C)
• True Negatives (TN) untuk A = 75
  

Menghitung Precision

Precision merupakan tingkat ketepatan model dalam memprediksi kelas tertentu (berapa banyak prediksi positif yang benar). Precision mengukur: dari semua prediksi pada label tertentu, berapa persen yang prediksinya benar. Atau dalam bahasa yang lebih teknis, precision adalah rasio antara prediksi positif yang benar (true positive) dengan total prediksi positif (baik yang benar maupun salah) pada setiap label.

Rumus untuk menghitung precision adalah sebagai berikut:

Dalam confusion matrix 3x3 atau lebih, precision dihitung per kelas (label) sehingga setiap kelas (label) memiliki nilai precisionnya masing-masing. Contoh, kita akan menghitung precision dari label 'A' pada confusion matrix diatas. Kira-kira seperti ini:

Menghitung Recall

Recall (Sensitivity) adalah tolak ukur seberapa baik model dalam mendeteksi semua label benar dari kelas tertentu. Recall mengukur seberapa banyak kasus positif dari semua data yang aktualnya beneran positif dari kelas tertentu. Atau secara teknis, adalah rasio antara prediksi positif yang benar dengan total jumlah data yang sebenarnya positif.

Rumus untuk menghitung recall adalah sebagai berikut:

Dalam confusion matrix 3x3 atau lebih, recall dihitung per kelas (label) sehingga setiap kelas (label) memiliki nilai recall-nya masing-masing. Contoh, kita akan menghitung recall dari label 'A' pada confusion matrix diatas. Kira-kira seperti ini:

Menghitung F1-Score

F1-Score adalah metrik yang menggabungkan precision dan recall. F1-score sangat berguna ketika kita menghadapi ketidakseimbangan kelas dalam dataset. Nilai F1-score adalah rata-rata harmonis antara precision dan recall.

Rumus f1-score bisa dihitung dari hasil precision dan recall dengan rumus seperti ini:

Dalam confusion matrix 3x3 atau lebih, f1-score dihitung per kelas (label) sehingga setiap kelas (label) memiliki nilai f1-score-nya masing-masing. Contoh, kita akan menghitung f1-score dari label 'A' pada confusion matrix diatas. Kira-kira seperti ini:

Kesimpulan

Confusion matrix untuk model klasifikasi multi-kelas (3x3 atau lebih) memberikan pandangan komprehensif tentang performa model. Dengan menganalisis TP, FP, FN, dan TN, kita bisa menghitung berbagai metrik seperti precision, recall, accuracy, dan F1-Score. Metrik ini sangat membantu untuk memahami kekuatan dan kelemahan model, terutama ketika model harus menangani banyak kelas.

Memahami cara membaca confusion matrix dan menghitung metrik-metrik tersebut sangat penting dalam mengevaluasi apakah model klasifikasi sudah sesuai dengan kebutuhan dan bisa diandalkan.

Baca Juga: