Pengujian Dengan Confusion Matrix

Confusion matrix ialah suatu metode yang biasanya dipakai untuk melaksanakan perhitungan akurasi pada konsep data mining atau Sistem Pendukung Keputusan. Pada pengukuran kinerja memakai confusion matrix, terdapat 4 (empat) istilah sebagai representasi hasil proses klasifikasi. Keempat istilah tersebut ialah True Positive (TP), True Negative (TN), False Positive (FP) dan False Negative (FN). Nilai True Negative (TN) merupakan jumlah data negatif yang terdeteksi dengan benar, sedangkan False Positive (FP) merupakan data negatif namun terdeteksi sebagai data positif. Sementara itu, True Positive (TP) merupakan data kasatmata yang terdeteksi benar. False Negative (FN) merupakan kebalikan dari True Positive, sehingga data posifit, namun terdeteksi sebagai data negatif.

Presisi ialah data yang diambil menurut isu yang kurang. Dalam penjabaran biner, presisi sanggup dibentuk sama dengan nilai prediksi positif. Berikut ini ialah hukum presisi.

Precision = (TP / (TP + FP)) * 100%
Recall ialah data abolisi yang berhasil diambil dari data yang relevan dengan kueri. Dalam penjabaran biner, recall dikenal sebagai sensitivitas. Munculnya data relevan yang diambil ialah menyetujui dengan query sanggup dilihat dengan recall. Berikut ini ialah tugas recall.

Recall = (TP / (TP + FN)) * 100%
Akurasi ialah persentase dari total data yang diidentifikasi dan dinilai. Berikut ini ialah hukum akurasi.

Akurasi = (TP + TN) / (TP + TN + FP + FN)) * 100%

 
Sumber:
http://www2.cs.uregina.ca/ dbd/cs831/notes/confusion_matrix/confusion_matrix.html
S. Visa, Brian. Ramsay, A. Ralescu, and E.V.D. Knaap, “Confusion matrix-based feature selection,” Midwest Artificial Intelligence and Cognitive Science Conference, vol. 710, April 2011.
E. Prasetyo, Data Mining: Konsep dan Aplikasi memakai Matlab, 1 ed. Yogyakarta: Andi Offset, 2012.
M. Sokolova dan G. Lapalme, “A systematic analysis of performance measures for classification tasks,” Inf. Process. Manag., vol. 45, no. 4, hal. 427–437, 2009.