Cara Menghitung Confusion Matrix 4 Kelas
Bagaimana Menghitung Confusion Matrix lebih dari 2 Kelas ?
Assalamualikum Wr. Wb. Salam Sejahtera untuk kalian semua.
Nah pertanyaan diatas sering muncul ketika kalian melakukan kegiatan mengolah data menjadi informasi dengan menerapkan metode klasifikasi dari ilmu data mining. Dan menurut pengalaman pribadi admin, sejauh mata memandang, sedekat kita membaca buku. Yang paling sering dibahas adalah Perhitungan Confusion Matrix yang melibat kan hanya 2 kelas saja.
Nah bagaimana jadinya kalau misalkan data dari penelitian kita ternyata mendapatkan lebih dari 2 kelas, 4 kelas misalnya. Maka dari itu admin akan memberikan sedikit cara menghitung Precission, Recall, Accuracy dan Specificity. sebelum itu pastikan teman-teman sudah memahami konsep dasar Confusion Matrix
Baca Juga : Konsep Dasar Menghitung Mengggunakan Confusion Marix
1. Menghitung Akurasi
Akurasi adalah persentase dari total data yang diidentifikasi dan dinilai benar
coba perhatikan tabel diatas. ada beberapa 3 warna. warna menunjukkan kelas prediksi dan tabel biru adalah kelas aktual.
- TP = True Positive Adalah sebuah Kelas atau Label atau Kondisi Aktual mampu diprediksi dengan benar dan tepat
- Fungsi TP berguna untuk mencari atau menghitung nilai akurasi
- Perhatikan Kolom bewarna Hijau itu adalah letak fungsi TP (True Positive)
Akurasi = TP / Total Dataset
Akurasi = 2 + 5 + 5 + 6 / 24
Akurasi = 0.66 *
2. Menghitung Presisi (Precission)
presisi adalah Data yang diambil berdasarkan informasi yang kurang atau salah atau tidak tepat.
Nah, perhatikan tabel diatas, terdapat berbagai warna macam pelangi pula. Formula Presisi adalah
Precision = TP/(TP+FP). Poin nomor satu kita sudah mendapatkan nilai TP Nah selanjutnya adalah kita harus mecari nilai FP (false positive).
pada tahap kali ini, kita akan mencari nilai FP dari masing-masing kelas. perhatikan warna tulisan dibawah ini dan kolom ditabel atas
FP(A) = 4 FP (B) = 0 FP (C) = 2 FP (D) = 0
setelah sudah menemukan masing-masing nilai FP, selanjutnya kalian hitung presisi tersebut juga dari masing-masing kelas
Precision = TP/(TP+FP) P(A) = 2 /(2+4) = 0.33 P(B) = 5 /(5+0) =1
P(C) = 5 /(5+2) = 0.71 P(D) = 6/(6+0) = 1
selanjutnya kalian jumlah semua hasil rata-rata tersebut dibagi jumlah kelas.
All Precision = P(A)+P(B)+P(C)+P(D) / Jumlah Kelas
Precision = 0.33 + 1 + 0.71 +1 / 4 = 0.76 *
Baca Juga : Menghitung Root Mean Squae Error (RMSE)
2. Menghitung Recall (Sensitivity)
Recall Adalah data yang tidak mampu diprediksi dengan benar.
Nah, perhatikan tabel diatas, terdapat berbagai warna macam pelangi pula. Formula Recall adalah
Recall = TP/(TP+FN). Oke, Nilai TP sudah ketemu, FP juga sudah bisa kita temukan, lah bagaimana dengan FN ?
hampir sama juga langah poin nomor 2, kita cari dulu nilai FN dari masing-masing kelas.
dibawah ini perhatikan warna tulisan dan kolom yang ada ditabel atas ini.
FN(A) = 1 FN(B) = 4 FN (C) = 1 FN (D) = 0
nilai-nilai diatas didapatkan dari total sesuai warnanya. Setelah sudah menemukan masing-masing nilai FN, selanjutnya kalian hitung Recall tersebut juga dari masing-masing kelasnya.
Recall = TP/(TP+FN) R(A) = 2 /(2+1) = 0.66 R(B) = 5 /(5+4) =0.55
R(C) = 5 /(5+1) = 0.83 R(D) = 6/(6+0) =1
selanjutnya kalian jumlah semua hasil rata-rata tersebut dibagi jumlah kelas.
All Recall = R(A)+R(B)+R(C)+R(D) / Jumlah Kelas
Recall = 0.66 + 0.55 + 0.83 + 1 / 4 = 0.80 *
Nah, teman-teman itulah sedikit pengalaman admin tentang cara menghitung confusion matrix pada kasus lebih dari 4 kelas. Dan sebenarnya pada Konsep Dasar Menghitung Mengggunakan Confusion Marix masih ada tahap untuk menghitung Specificity dan AUC.
Terimakasih, semoga informasi ini bisa bermanfaat, apabila kamu berkenan bisa bantu donasi untuk pengembangan blog yang saya bangun melalui link ini https://saweria.co/muiz27 .
Tapi teman-teman tak usah kawatir, jika memang masih belum memahami cara diatas simak juga penjelasan versi vidio, cek link dibawah :
Kalian juga bisa mengunduh file presentasi cek link dibawah dan Fokus Warna
oke terimakasih sudah mampir dan percaya pada materi yang saya berikan. Semoga Bermanfaat. Satu Kata "TETAP BERSYUKUR DAN JANGAN LUPA BERNAPAS".
See YOU.
Reference. Sumber Pustaka.
Romi Satria Wahono, N. S. (2014). A Comparison Framework of Classification Models. Advanced Science Letters, 20 (10-12) 1945-1950.
Preasetyo, E. (2014). Data Mining Mengolah Data Menjadi Informasi menggunakan Matlab. Yogyakarta: Andi .
Budi Santosa, A. U. (2018). Data Mining dan Big Data Analytics. Yogyakarta: Penebar Media Pustaka.
Password : pengalamansaya