Matriks Konfusion (Confusion Matrix) dalam Machine Learning

Apa itu Matriks Konfusion?

Matriks Konfusion adalah tabel yang digunakan untuk mengevaluasi kinerja model klasifikasi dalam machine learning. Klasifikasi adalah tugas mengelompokkan data ke dalam kategori tertentu.

Bagaimana cara membacanya?

Matriks Konfusion memiliki 2 baris dan 2 kolom, yang mewakili prediksi model dan nilai aktual.

• Baris:
  • True Positive (TP): Jumlah data yang diprediksi positif dan benar
  • False Negative (FN): Jumlah data yang diprediksi negatif, padahal sebenarnya positif
• Kolom:
  • True Negative (TN): Jumlah data yang diprediksi negatif dan benar
  • False Positive (FP): Jumlah data yang diprediksi positif, padahal sebenarnya negatif

Contoh Matriks Konfusion:

Prediksi	Aktual Positif	Aktual Negatif
Positif (TP)	50	10 (False Positive)
Negatif (FN)	20 (False Negative)	120 (True Negative)

Interpretasi Matriks Konfusion:

• Akurasi (Accuracy): (TP + TN) / (Total Data) - Menunjukkan seberapa sering model memprediksi dengan benar, namun tidak membedakan antara True Positive dan True Negative.
• Presisi (Precision): TP / (TP + FP) - Menunjukkan seberapa sering prediksi positif model benar.
• Recall (Pengingat): TP / (TP + FN) - Menunjukkan seberapa baik model mengidentifikasi semua data positif yang sebenarnya ada.
• F1-Score: (2 * Precision * Recall) / (Precision + Recall) - Merupakan kombinasi antara Precision dan Recall.

Kapan menggunakan Matriks Konfusion?

Matriks Konfusion sangat berguna untuk:

• Memahami kesalahan yang dibuat oleh model klasifikasi.
• Membandingkan kinerja model yang berbeda.
• Mengevaluasi kinerja model pada data yang tidak seimbang (jumlah data di tiap kelas tidak sama).

** kelemahan Matriks Konfusion**

• Sulit ditafsirkan untuk masalah dengan banyak kelas.
• Tidak memberikan informasi tentang distribusi kesalahan.

Kesimpulan:

Matriks Konfusion adalah alat yang ampuh untuk mengevaluasi kinerja model klasifikasi dalam machine learning. Dengan memahami Matriks Konfusion, Anda dapat mengidentifikasi kekuatan dan kelemahan model Anda dan membuat keputusan yang lebih baik tentang penggunaannya.