Lompat ke konten utama
Kelas
Machine Learning Dasar dengan PythonPelajaran 10 dari 16 · Modul 3, Klasifikasi: menebak kelompok

Modul 3 · Klasifikasi: menebak kelompok

Confusion matrix, presisi, recall, dan F1

Setelah pelajaran ini kamu bisa membaca confusion matrix dan menghitung akurasi, presisi, recall, dan F1.

  • ±13 menit
  • 3 latihan
  • Diperiksa 27 Sep 2026

Latihan di pelajaran ini butuh akun gratis. Progres, kode, dan catatanmu hanya tersimpan di browser ini. Masuk untuk menyimpannya

Materi

Akurasi menyesatkan bila kelasnya tidak seimbang. Pada 100 email dengan 5 spam, model yang selalu menebak "bukan spam" sudah berakurasi 95% tanpa menangkap satu spam pun. Karena itu tebakan dua kelas dipilah menjadi empat kotak confusion matrix.

Ditebak 0Ditebak 1
Sebenarnya 0TN (benar negatif)FP (positif palsu)
Sebenarnya 1FN (negatif palsu)TP (benar positif)

Dokumentasi confusion_matrix menetapkan baris sebagai kelas sebenarnya dan kolom sebagai kelas tebakan, sehingga untuk dua kelas confusion_matrix(y_true, y_pred).ravel() menghasilkan urutan tn, fp, fn, tp. Dari keempatnya: presisi = TP ÷ (TP + FP), yaitu dari semua yang ditebak positif, berapa yang benar. Recall = TP ÷ (TP + FN), yaitu dari semua positif sebenarnya, berapa yang tertangkap. F1 adalah rata-rata harmonik keduanya: 2 × presisi × recall ÷ (presisi + recall).

from sklearn.metrics import confusion_matrix, recall_score

asli = [1, 1, 1, 0, 0, 0]
tebak = [1, 0, 1, 0, 1, 0]
print(confusion_matrix(asli, tebak))   # [[2 1]
                                       #  [1 2]]
print(recall_score(asli, tebak))       # 0.666...

Latihan

Jawaban diperiksa di server. Lulus berarti kamu memahami contohnya, bukan penilaian seluruh pekerjaanmu.

Latihan 1 dari 3

Model deteksi penipuan menandai 50 transaksi sebagai penipuan; 40 benar penipuan (TP) dan 10 ternyata aman (FP). Ada 20 penipuan lain yang lolos (FN). Berapa presisinya? Tulis sebagai desimal.

Catatanmu

Memuat catatan…

tersimpan otomatis, ikut tercetak · 0/4.000

Lanjutkan ke

Tampilkan 2 lagi