Evaluasi Model Machine Learning: Penjelasan untuk Pemula

Updated · By Viviai

Evaluasi model adalah proses mengukur seberapa baik model machine learning bekerja dengan membandingkan hasil prediksi terhadap label sebenarnya, menggunakan metrik seperti akurasi, precision, recall, dan F1 score yang berasal dari confusion matrix.

Versi sederhananya

Setelah model dilatih, kita perlu tahu apakah tebakannya cukup dapat dipercaya. Evaluasi model bekerja seperti memeriksa nilai ujian, tetapi sekaligus melihat jenis kesalahan yang dibuat, bukan hanya jumlah jawaban benar.

Confusion matrix sebagai awal

Sel Arti
True Positive Positif yang ditebak benar
True Negative Negatif yang ditebak benar
False Positive Negatif tetapi ditebak positif
False Negative Positif tetapi ditebak negatif

Metrik turunan

Mengapa akurasi tidak selalu cukup

Bila satu kelas jauh lebih dominan, akurasi dapat terlihat tinggi meski model gagal mengenali kelas yang jarang. Confusion matrix menunjukkan kesalahan tersebut.

Keterbatasan

Metrik klasifikasi berbeda dengan evaluasi regresi, dan jumlah sel bertambah bila kelas lebih banyak. Metrik menggambarkan kinerja tetapi tidak menjelaskan penyebab kesalahan.

FAQ

Apa itu false positive?

Kasus negatif yang salah ditebak sebagai positif.

Apa itu false negative?

Kasus positif yang salah ditebak sebagai negatif.

Apa bedanya precision dan recall?

Precision menilai keandalan tebakan positif, recall menilai berapa kasus positif yang terdeteksi.

Kapan akurasi menyesatkan?

Saat kelas tidak seimbang, kelas dominan dapat membuat akurasi terlihat tinggi.

Poin utama

Lanjutkan membaca apa itu supervised learning dan apa itu machine learning.

Sources

  1. https://lmsspada.kemdiktisaintek.go.id/pluginfile.php/1033906/mod_resource/content/2/Modul%20Evaluasi%20Model.pdf
  2. https://developers.google.cn/machine-learning/crash-course/classification/accuracy-precision-recall?hl=id
  3. https://www.ibm.com/think/topics/confusion-matrix

Learn by doing

Read a guide, then practice with bite-sized AI lessons you can take offline.

Start learning free