Cara Membaca Confusion Matrix, Akurasi, Presisi dan Recall

Confusion matrix adalah matrix yang menggambarkan bagaimana hasil dari testing suatu model terhadap data testing yang digunakan pada saat membuat model machine learnig. confusion matrix digunakan pada Machine Learning yang Supevised Learning. Confusion matrix menggambarkan hasil tes yang sesuai dengan label dan hasil tes yang tidak sesuai dengan label. berikut adalah gambaran dari confusion matrix

• Jumlah kolom dan jumlah baris merupakan jumlah class yang ada, semisal ada enam class berarti akan ada enam baris dan enam kolom.
• Diagonal utama menggambarkan jumlah yang benar.
• baris menggambarkan hasil prediksi, sedangkan kolom menggambarkan nilai sebenarnya

Untuk lebih jelasnya akan dijelaskan menggunakan contoh

array([[ 0,  0,  1,  0,  0,  0],
       [ 0,  1,  2,  7,  0,  0],
       [ 1,  4, 81, 40,  3,  1],
       [ 0, 11, 57, 51, 13,  0],
       [ 0,  0, 10, 18, 12,  2],
       [ 0,  0,  1,  2,  2,  0]], dtype=int64)

anggap kolom pertama dan baris pertama merupakan kelas 1 seterusnya begitu hingga kolom ke enam dan baris ke enam adalah kelas 6, artinya terdapat enam kelas.

• jumlah nilai yang benar pada kelas pertama hasil prediksi adalah 0, jumlah total kelas pertama hasil prediksi adalah satu data, namun pada nilai sebenarnya merupakan golongan kelas tiga.
• jumlah data yang terprediksi sebagai kelas tiga namun sebenarnya merupakan kelas empat sebagak 40 data.
• jumlah data yang terprediksi sebagai kelas empat namun sebenarnya merupakan kelas tiga terdapat 57 data.
• jumlah data yang terprediksi sebagai kelas lima dan sebenarnya kelas tiga sebanyak 10 data.
• True Positive dan True Negative adalah nilai yang berwarna biru
• False Negative adalah nilai yang berada di bawah diagonal utama
• False Positive adalah nilai yang berada di atas diagonal utama

Akurasi adalah ketepatan dalam melakukan prediksi dapat dihitung dengan menggunakan persamaan

Precision menggambarkan tingkat keakuratan antara data yang diminta dengan hasil prediksi yang diberikan oleh model

Recall atau Sensitivity menggambarkan keberhasilan model dalam menemukan kembali sebuah informasi