Skip to content Skip to sidebar Skip to footer

Perhitungan Confusion Matrix Multi Class 3x3

Confusion Matrix, adalah cara tabel untuk memvisualisasikan kinerja model prediksi pada pembelajaran supervised learning. Setiap data dari masing-masing kelas dalam tabel confusion matrix menunjukkan jumlah prediksi yang dibuat guna untuk mengklasifikasikan kelas yang benar atau salah.

Seperti yang sering kita pelajari pada buku-buku atau jurnal tentang ilmu yang mempelajari perhitungan confusion matrix tersebut dijelaskan dengan kondisi untuk kasus 2 kelas saja yaitu kelas positif dan negatif. Tak bisa di pungkiri banyak data-data yang akan kita peroleh untuk dilakukan klasifikasi memiliki atribut data yang kelasnya mungkin lebih dari dua kelas. Namun, sebelum kita memulai cara penyelesaian confusion matrix pada kelas jamak, alagkah baiknya kita tahu sedikit tentang apa itu confusion matrix ?.

Confusion Matrix untuk Binnary Classification

Contoh Tabel Confusion Matrix
Tabel Confusion Matrix

Seperti yang sudah terlihat pada gambar disamping, untuk malasah klasifikasi biner hanya terdapat dua kelas yaitu True  dan False

Sekarang kita akan pahami kejadian-kejadian apa yang dimaksud pada tabel dengan dua warna yang berbeda antara biru dan merah. Secara harfiah warna biru adalah jumlah yang benar dan warna merah adalah jumlah yang salah. Apa maksudnya ?

Berikut penjelasan pada empat kejadian yang akan dijelaskan sebagai berikut :

  • True Posiitive (TP), ini adalah jumlah dari satu kelas TRUE yang bisa di prediksi dengan benar pada kelas TRUE.
  • True Negative (TN), adalah jumlah dari satu kelas FALSE yang bisa di prediksi dengan benar pada kelas FALSE
  • False Positive (FP), ini adalah kondisi dimana kelas TRUE yang prediksinya salah pada kelas FALSE, sedangkan
  • False Negatif (FN), adalah dimana kondisi pada kelas FALSE yang di prediksi salah pada kelas TRUE.
Lantas Apa fungsi sebenarnya dari perhitungan confusion matrix ?.

Fungsi dari penentuan tabel confusion matrix, adalah untuk mengevaluasi pembelajaran supervised learning kamu, guna untuk memberi ukuran kinerja yang sangat sederhana namun efisien untuk model algoritma yang kamu pilih. Nah, berikut ukuran kinerja yang sering digunakan pada umumnya.

Accuracy, ini adalah ukuran kinerja yang akan memberik tingkat keakuratan dari keseluruhan model atau dalam penjelasan lain adalah menghitung semua prediksi yang benar dari total jumlah data. Rumusnya adalah (TP + TN ) /  Total semua data .

Precision, adalah ukuran kinerja yang akan memberi informasi dari prediksi sebagai kelas positif yang sebenarnya positif. Kamu dapat menghitung dengan rumus TP / (TP + FP).

Sensitivity / Recall, adalah ukuran kinerja yang memberi iinformasi dari prediksi kelas positif yang di prediksi negatif. Rumus nya adalah sebagai berikut TP / (TP + FN).

Baca Juga : Pengujian Data menggunakan Root Mean Square Error (RMSE)

Setelah sudah mengetahui tentang ilmu dasar fungsi dari perhitungan confusion matrix pada kasus binnary classification atau secara umum hanya terdapat 2 kelas saja, selanjutnya kita akan membahas tentang perhitungan dengan kasus pada posisi jika atribut nya 3 kelas.

Klasifikasi Confusion Matrix untuk kasus 3 Kelas.

Nah, untuk penjelasan yang lebih sederhana dan mudah di mengerti, saya akan mencoba memberi contoh kasus pada 3 kelas dengan nama yang berbeda yaitu jeruk, pepaya dan anggur.


Tabel Confusion Matrix 3x3
Tabel Confusion Matrix 3x3
Pada contoh di samping adalah kasus penyelesaian 3 kelas yang sudah terisi nilainya. Tidak seperti pada klasifikasi biner diatas, untuk penyelesaian daripada 3 kelas ini adalah kamu harus mencari nilai
TP, TN, FP dan FN pada masing-masing kelas. Oke, daripada akan semakin bingung , kita akan mencoba menghitung nilai Accuracy dari tabel disamping.

Rumus Accuracy kali ini sedikit berbeda dengan rumus pada kasus binari klasifikasi. Pada kasus ini rumus yang digunakan adalah (TP / Jumlah Data ).
Untuk mencari nilai TP kamu harus mencari pada masing-masing kelas yang pada kondisi kelas aktual mampu di prediksi dengan benar. Contoh di atas adalah pada tabel yang bewarna Biru.
  • TP = 7 + 2 + 1
  • Jumlah Data = 36
  • Accuracy = TP / Jumlah Data
  • 10 / 36 = 0,277

Menghitung Precision.

Untuk menghitung nilai presisi, kamu harus menghitung nilai presisi dari masing masing kelas kemudian menjumlahkan dan mencari nilai reratanya. Contoh penyelesaiannya ;

Rumus Precision = TP / (TP + FP)

Tabel Precission
Tabel disamping adalah hasil perolehan nilai precision dari masing-masing tiap kelasnya. Kemudian kamu tambahkan semua nilai terus dibagi jumlah kelas. Nah, ini sama hal nya dengan mencari nilai rerata dari semua presisi untuk dijadikan satu nilai presisi.
  • All Precision = Precision A + B + C / Jumlah Kelas
  • 0,29 + 0,33 + 0,16 / 3 = 0, 67.

Menghitung Recall

Sama halnya dengan menghitung nilai presisi tadi, untuk mencari nilai recall juga harus di tentukan nilai dari masing-masing kelasnya, yang kemudian akan ditentukan nilai rerata dari masing recall tersebut. Contoh penyelesaian ;

Rumus Recall / Sensitivity = TP / (TP + FN)

Setelah sudah ditentukan nilai masing-masing recall dari setiap kelas nya, seperti tadi kamu harus mencari nilai rerata dari semua nilai dengan menjumlahkan dan dibagi jumlah kelas.
Rumusnya adalah 
  • All Recall = Recall A + B + C / Jumlah Kelas
  • 0,63 + 0,16 + 0,08 / 3 = 0,29.
Nah, itulah sedikit pengalaman edukasi yang mungkin bisa saya berikan untuk perhitungan confusion matrix pada kasus diluar binari klasfikasi atau multi class dengan jumlah 3 kelas. Sekian terima kasih sudah membaca. Semoga anda menemukan apa yang kamu cari. "Jangan Lupa Bernafas dan Tetap Bersyukur".

See You