Part 5: Performance Metrics

Rapor Kinerja AI: Tidak Sekadar Akurasi

1. Confusion Matrix

Untuk memahami kinerja model klasifikasi (Contoh: Menentukan Pasien Sakit Covid atau Sehat), kita pakai Confusion Matrix.

Positif (Sakit) Negatif (Sehat)

TP True Positive Benar: Dia Sakit

FN False Negative Salah: Dibilang Sehat (Bahaya!)

FP False Positive Salah: Dibilang Sakit (Panik)

TN True Negative Benar: Dia Sehat

Dari kotak-kotak di atas, kita bisa menghitung:

"Seberapa sering AI benar?"

\frac{TP + TN}{Total}

Jangan pakai jika data tidak seimbang (Imbalanced Data).

"Saat AI bilang Ya, seberapa jitu?"

\frac{TP}{TP + FP}

Penting untuk filter Spam (Jangan sampai email penting masuk spam).

"Dari semua yang Positif, berapa yang ketemu?"

\frac{TP}{TP + FN}

Penting untuk Deteksi Kanker (Jangan sampai ada yang sakit tapi terlewat).

"Jalan tengah Precision & Recall"

2 \cdot \frac{Precision \cdot Recall}{Precision + Recall}

Metrik terbaik untuk dataset yang tidak seimbang.

Akurasi tinggi saat latihan belum tentu bagus saat ujian asli. Hati-hati dengan jebakan Overfitting.