ARTIFICIAL

INTELLIGENCE

STMIK BINA SARANA

GLOBAL

SULIS SANDIWARNO
 CONFUSION MATRIX
Confusion matrix juga sering disebut error matrix.
Pada dasarnya confusion matrix memberikan
informasi perbandingan hasil klasifikasi yang
dilakukan oleh sistem (model) dengan hasil
klasifikasi sebenarnya.
 CONFUSION MATRIX
TP = Merupakan data positif yang diprediksi benar
TN = Merupakan data negatif yang diprediksi benar
FP = Merupakan data negatif namun diprediksi sebagai data positif
FN = Merupakan data positif namun diprediksi sebagai data negatif
 CONTOH
True Positive (TP) : kasus dimana mahasiswa diprediksi
(Positif) DO, memang benar (True) DO. Dalam contoh di
atas adalah 4 mahasiswa dengan NIM 007, 008, 009,
010. Jadi nilai TP nya adalah 4
 CONTOH
True Negative (TN) : kasus dimana mahasiswa
diprediksi tidak(Negatif) DO dan sebenarnya mahasiswa
tersebut memang (True) tidak DO. Dalam contoh di atas
terjadi pada mahasiswa 001, 002, dan 003. Jadi TN nya
adalah 3
 CONTOH
False Positive (FP) : kasus dimana mahasiswa yang
diprediksi positif DO, ternyata tidak DO. Prediksinya
salah (False). Dalam contoh di atas terjadi pada
mahasiswa 004 dan 005. Jadi nilai FP adalah 2
 CONTOH
False Negative (FN) : kasus dimana mahasiswa yang
diprediksi tidak DO (Negatif), tetapi ternyata
sebenarnya(TRUE) DO. Dalam contoh kasus di atas
terjadi pada mahasiswa 010. jadi FN = 1
PENGUKURAN PERFORMANCE

Accurac Precisio
y (Acc) n (Pre)

Recall F1-
(Rec) Score
 ACCURACY
Merupakan rasio prediksi Benar (positif dan
negatif) dengan keseluruhan data. Akurasi
menjawab pertanyaan “Berapa persen mahasiswa
yang benar diprediksi DO dan Tidak DO dari
kesuluruhan mahasiswa”

( TP+TN )
𝐴𝑐𝑐=
( TP+ FP+ FN +TN )

Pada contoh kasus di atas, Akurasi = (4+3) / (4+2+1+3) =

7/10 = 70%
 PRECISION
Merupakan rasio prediksi benar positif
dibandingkan dengan keseluruhan hasil yang
diprediksi positf. Precission menjawab pertanyaan
“Berapa persen mahasiswa yang benar DO dari
keseluruhan mahasiswa yang diprediksi DO?”

( TP )
𝑃𝑟𝑒=
( TP + FP )

pada contoh kasus di atas, Precission = 4 / (4+2) = 4/6 =

67%.
 RECALL
Merupakan rasio prediksi benar positif
dibandingkan dengan keseluruhan data yang benar
positif. Recall menjawab pertanyaan “Berapa
persen mahasiswa yang diprediksi DO
dibandingkan keseluruhan mahasiswa yang
sebenarnya DO”.
( TP )
𝑅𝑒𝑐=
( TP + FN )

pada contoh kasus di atas Recall = 4/(4+1) = 4/5 =80%.

 F1-SCORE
F1 Score merupakan perbandingan rata-rata presisi
dan recall yang dibobotkan

( Rec ∗ Pre )
𝐹 1= 2
( Rec + Pre )

dalam kasus di atas, F1 Score = 2* (80%*67%) / ( 80% +

67%) = 72,93%
PENERAPAN
 LATIHAN
Berdasarkan contoh diatas, tolong hitunglah
confusion matrix dari tabel berikut ini:
Daftar Pustaka
Wolfgang Ertel, Introduction to Artificial Intelligence, Springer, 2017
 
Max Tegmark, Life 3.0: being human in the age of artificial intelligence,
Library of Congress Cataloging-in-Publication Data, 2017
 
John Paul Mueller and Luca Massaron, Artificial Intelligence for
Dummies, John Wiley & Sons, 2018
 
Alain Cardon, Beyond Artificial Intelligence from Human Consciousness
to Artificial Consciousness, John Wiley & Sons, 2018

Simson L. Garfinkel and Rachel H. Grunspan, From the Abacus to

Artificial Intelligence, 250 Milestones in The History of Computer
Science, Techzpah LLC, 2018
MEN AKHI
< U RI
TERIMA KASIH