Matriks Kebingungan (Confusion Matrix) Adalah? Cara Membaca dan Contoh
Matriks kebingungan (confusion matrix) adalah tabel yang dipakai untuk mengukur kinerja model klasifikasi dengan membandingkan label aktual dan label prediksi. Tabel ini memecah hasil menjadi empat kategori, yaitu True Positive, True Negative, False Positive, dan False Negative, sehingga jenis kesalahan model terlihat jelas, tidak hanya berupa satu angka akurasi. Matriks ini umumnya dipakai pada model pembelajaran terawasi.
Jawaban Singkat: Isi Confusion Matrix
Untuk klasifikasi biner (dua kelas, misalnya Ya/Tidak), baris mewakili nilai aktual dan kolom mewakili nilai prediksi.
| Prediksi Positif | Prediksi Negatif | |
|---|---|---|
| Aktual Positif | True Positive (TP) | False Negative (FN) |
| Aktual Negatif | False Positive (FP) | True Negative (TN) |
Diagonal utama berisi prediksi yang benar (TP dan TN), sedangkan sel di luar diagonal berisi kesalahan (FP dan FN).
Empat Komponen dan Cara Membacanya
- True Positive (TP): aktual positif dan diprediksi positif, artinya model benar mengenali kasus positif.
- True Negative (TN): aktual negatif dan diprediksi negatif, artinya model benar mengenali kasus negatif.
- False Positive (FP): aktual negatif tetapi diprediksi positif, sering disebut alarm palsu atau kesalahan Tipe I.
- False Negative (FN): aktual positif tetapi diprediksi negatif, disebut kesalahan Tipe II, yaitu kasus positif yang terlewat.
Mana yang lebih perlu ditekan bergantung pada konteksnya. Pada pemeriksaan penyakit, FN berbahaya karena pasien sakit bisa dianggap sehat; pada filter spam, FP berbahaya karena email penting bisa masuk folder spam.
Metrik yang Dihitung dari Matriks
Confusion matrix menjadi dasar beberapa metrik evaluasi.
| Metrik | Rumus | Menjawab pertanyaan |
|---|---|---|
| Akurasi | ((TP+TN)/(TP+TN+FP+FN)) | Berapa proporsi prediksi yang benar secara keseluruhan |
| Presisi | (TP/(TP+FP)) | Dari yang diprediksi positif, berapa yang benar |
| Recall | (TP/(TP+FN)) | Dari kasus positif sebenarnya, berapa yang berhasil ditemukan |
| Spesifisitas | (TN/(TN+FP)) | Berapa kasus negatif yang benar dikenali |
| F1 score | (2 \times (\text{Presisi} \times \text{Recall})/(\text{Presisi}+\text{Recall})) | Rata-rata harmonik antara presisi dan recall |
Presisi menekankan kualitas prediksi positif, sedangkan recall menekankan kemampuan menemukan kasus positif. Keduanya sering dipakai bersama karena satu angka saja bisa menyesatkan.
Mengapa Akurasi Saja Tidak Cukup
Pada data yang tidak seimbang, akurasi bisa terlihat tinggi padahal model gagal pada kelas minoritas. Contohnya, jika 95 dari 100 data adalah kelas A, model yang selalu menebak A akan mendapat akurasi 95% tanpa benar-benar mempelajari kelas B. Confusion matrix menunjukkan masalah ini secara terperinci, dan metrik seperti presisi, recall, serta F1 lebih membantu menilai kelas yang jarang muncul.
Peran Ambang Batas (Threshold)
Banyak model klasifikasi menghasilkan probabilitas, lalu memakai ambang batas (umumnya 0,5) untuk menentukan label. Menggeser ambang batas mengubah isi confusion matrix:
- ambang lebih rendah cenderung menambah TP tetapi juga FP;
- ambang lebih tinggi cenderung mengurangi FP tetapi bisa menambah FN.
Inilah yang membentuk trade-off presisi dan recall, yang sering divisualisasikan dengan kurva ROC dan nilai AUC.
Confusion Matrix untuk Banyak Kelas
Pada klasifikasi lebih dari dua kelas, tabel menjadi bujursangkar berukuran jumlah kelas, dengan setiap sel memuat jumlah contoh dari satu kelas aktual yang diprediksi sebagai kelas lain. Pola sel yang ramai di luar diagonal menunjukkan kelas mana yang sering tertukar, sehingga membantu mengarahkan perbaikan data atau fitur.
Keterkaitan dengan Topik Lain
Confusion matrix adalah bagian dari evaluasi model dan dipakai bersama teknik pada evaluasi model machine learning, termasuk validasi silang. Model yang dievaluasi bisa berupa regresi logistik, pohon keputusan, atau model lain, dan hasilnya membantu mendeteksi overfitting saat performa data uji jauh berbeda dari data latih.
Kelebihan dan Keterbatasan
Kelebihan
- Menampilkan jenis kesalahan secara rinci, bukan hanya satu angka.
- Menjadi dasar presisi, recall, F1, dan metrik turunan lain.
- Berguna untuk data tidak seimbang dan klasifikasi banyak kelas.
Keterbatasan
- Hanya menilai hasil klasifikasi, bukan model regresi kontinu secara langsung.
- Pembacaan tetap perlu digabung dengan konteks biaya kesalahan.
- Bergantung pada pemilihan ambang batas dan kualitas data.
Pertanyaan yang Sering Diajukan
Apa bedanya False Positive dan False Negative?
False Positive adalah kasus negatif yang salah diprediksi positif (alarm palsu), sedangkan False Negative adalah kasus positif yang terlewat dan diprediksi negatif. Keduanya menempati sel berbeda pada matriks.
Kapan recall lebih penting daripada presisi?
Recall lebih diutamakan ketika kasus positif yang terlewat berakibat serius, seperti skrining penyakit atau deteksi penipuan, karena FN berarti kasus penting tidak tertangani.
Apakah akurasi tinggi selalu berarti model baik?
Tidak. Pada data tidak seimbang, model bisa mengandalkan kelas mayoritas untuk akurasi tinggi sambil gagal mengenali kelas minoritas. Confusion matrix dan metrik turunannya membantu mengungkap hal ini.
Bagaimana cara mengurangi False Positive?
Salah satu caranya menaikkan ambang batas keputusan, sehingga prediksi positif lebih hati-hati, tetapi perlu dipantau karena bisa menambah False Negative. Memperbaiki kualitas fitur dan data latih juga membantu.
Ringkasan
Matriks kebingungan membandingkan label aktual dan prediksi dalam tabel TP, TN, FP, dan FN, sehingga jenis kesalahan model terlihat jelas. Dari tabel ini dihitung akurasi, presisi, recall, dan F1, yang sangat membantu terutama pada data tidak seimbang. Memahami matriks ini adalah langkah penting untuk mengevaluasi dan memperbaiki model klasifikasi secara jujur.
Sources
Learn by doing
Read a guide, then practice with bite-sized AI lessons you can take offline.
Start learning free