Metric untuk Mengevaluasi Model Machine Learning

 

Agar dapat menentukan model mana yang paling baik dari beberapa model yang telah dibuat dalam machine learning dapat menggunakan salah satu teknik yaitu confusion matrix. 

Confusion Matrix 

Confusion matrix juga sering disebut error matrix. Pada dasarnya confusion matrix memberikan informasi perbandingan hasil klasifikasi yang dilakukan oleh sistem (model) dengan hasil klasifikasi sebenarnya. Confusion matrix berbentuk tabel matriks yang menggambarkan kinerja model klasifikasi pada serangkaian data uji yang nilai sebenarnya diketahui.

• True Positive (TP)

          Merupakan data positif yang diprediksi benar. 

• True Negative (TN)

          Merupakan data negatif yang diprediksi benar. 

• False Postive (FP) — Type I Error

          Merupakan data negatif namun diprediksi sebagai data positif. 

• False Negative (FN) — Type II Error

          Merupakan data positif namun diprediksi sebagai data negatif. 

Note: 

• Jika diawali dengan True maka prediksinya adalah benar, entah diprediksi terjadi atau tidak terjadi.
• Jika diawali dengan False maka prediksinya adalah salah.
• Positif dan negatif merupakan hasil prediksi dari model.

Manfaat dari confusion matrix:

1. Menunjukkan bagaimana model ketika membuat prediksi.
2. Tidak hanya memberi informasi tentang kesalahan yang dibuat oleh model tetapi juga jenis kesalahan yang dibuat.
3. Setiap kolom dari confusion matrix merepresentasikan instance dari kelas prediksi.
4. Setiap baris dari confusion matrix mewakili instance dari kelas aktual.