Bab 3 #

Ringkasan metrik klasifikasi #

Evaluasi model klasifikasi bergantung pada beberapa perspektif: keseimbangan kelas, strategi ambang, keandalan probabilitas, dan kualitas rekomendasi teratas. Bab ini mengelompokkan metrik representatif ke dalam kategori tersebut dan memberikan panduan kapan masing-masing perlu diprioritaskan.

Kategori metrik #

1. Berbasis confusion matrix #

• Accuracy (Akurasi): tingkat keberhasilan keseluruhan; bisa menipu jika kelas tidak seimbang.
• Precision / Recall / F1 (Precision & recall, F1-score): pilih sesuai biaya relatif false positive dan false negative.
• Specificity / Sensitivity (Sensitivitas & spesifisitas): penting untuk kasus seperti deteksi medis.
• Rata-rata macro / micro / berbobot (Strategi perataan): agregasi skala per kelas pada setting multikelas.

2. Ambang dan ranking #

• Kurva Precision-Recall / PR-AUC (Precision-Recall): menonjolkan performa saat kelas positif langka.
• Kurva ROC / ROC-AUC (ROC-AUC): mengukur kemampuan pemisahan di seluruh ambang.
• Top-k Accuracy / Hit Rate (Top-k Accuracy, Hit Rate): relevan untuk rekomendasi/pencarian yang hanya menampilkan item teratas.

3. Kalibrasi probabilitas #

• Log Loss (Log Loss): memberi penghargaan pada probabilitas yang terkalibrasi.
• Brier Score (Brier Score): cocok dipasangkan dengan reliability curve untuk menilai kalibrasi.
• Kurva kalibrasi: membandingkan probabilitas prediksi dengan frekuensi aktual.

4. Pendamping untuk ketidakseimbangan #

• Balanced Accuracy (Balanced Accuracy): rata-rata recall per kelas.
• Cohen’s Kappa / MCC (Kappa Cohen, MCC): alternatif tangguh saat ketidakseimbangan kelas parah.

Dampak ambang terhadap skor #

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45

import matplotlib.pyplot as plt
import numpy as np
from sklearn.datasets import make_classification
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import precision_score, recall_score, f1_score
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler

X, y = make_classification(
    n_samples=2000,
    n_features=12,
    n_informative=4,
    weights=[0.85, 0.15],
    random_state=42,
)

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.3, stratify=y, random_state=42
)

scaler = StandardScaler()
model = LogisticRegression(max_iter=2000)
model.fit(scaler.fit_transform(X_train), y_train)

prob = model.predict_proba(scaler.transform(X_test))[:, 1]
thresholds = np.linspace(0.05, 0.95, 19)

precision, recall, f1 = [], [], []
for t in thresholds:
    y_pred = (prob >= t).astype(int)
    precision.append(precision_score(y_test, y_pred, zero_division=0))
    recall.append(recall_score(y_test, y_pred, zero_division=0))
    f1.append(f1_score(y_test, y_pred, zero_division=0))

fig, ax = plt.subplots(figsize=(6.8, 4))
ax.plot(thresholds, precision, label="Precision", color="#2563eb")
ax.plot(thresholds, recall, label="Recall", color="#dc2626")
ax.plot(thresholds, f1, label="F1", color="#0d9488")
ax.set_xlabel("Ambang")
ax.set_ylabel("Skor")
ax.set_title("Pengaruh ambang terhadap metrik klasifikasi")
ax.set_ylim(0, 1.05)
ax.grid(alpha=0.3)
ax.legend()
plt.tight_layout()

Panduan pelaporan dan operasional #

1. Selalu sertakan confusion matrix
   Memperlihatkan pola kesalahan per kelas dan menonjolkan kelas kritis.
2. Jelaskan alasan pemilihan ambang
   Gunakan kurva PR/ROC atau analisis biaya untuk menjelaskan titik operasi.
3. Periksa kalibrasi probabilitas
   Jika skor menentukan harga atau alokasi sumber daya, tinjau Brier Score dan kurva kalibrasi.
4. Awasi dampak ketidakseimbangan
   Bandingkan Balanced Accuracy dan MCC bersama Accuracy sehingga perbaikan semu dapat dihindari.
5. Pantau drift pasca deployment
   Amati Precision/Recall, PR-AUC, dan ROC-AUC dari waktu ke waktu dan sesuaikan ambang bila perlu.

Referensi cepat #

Daftar periksa #

• Metrik yang mencerminkan ketidakseimbangan kelas sudah digabungkan
• Alasan pemilihan ambang (PR/ROC atau analisis biaya) sudah dibagikan
• Kalibrasi probabilitas diverifikasi sebelum skor dipakai operasional
• Distribusi data evaluasi dan produksi sudah dibandingkan
• Metrik baseline untuk pembaruan model berikutnya sudah disepakati