Dalam Machine Learning, khususnya untuk tugas klasifikasi, kita perlu mengevaluasi kemampuan model kita untuk mengidentifikasi data positif dan negatif secara akurat. Sensitivitas dan Spesifisitas adalah dua metrik penting yang membantu kita memahami performa model klasifikasi dari sudut pandang ini. Mari bahas keduanya:
1. Sensitivitas (True Positive Rate):
- Sensitivitas mengukur kemampuan model untuk mengidentifikasi dengan benar data yang sebenarnya positif.
- Dengan kata lain, sensitivitas menjawab pertanyaan: "Dari semua data yang sebenarnya positif, berapa persen yang diprediksi positif oleh model?"
- Sensitivitas juga dikenal sebagai True Positive Rate (TPR) atau Recall.
2. Spesifisitas (True Negative Rate):
- Spesifisitas mengukur kemampuan model untuk mengidentifikasi dengan benar data yang sebenarnya negatif.
- Dengan kata lain, spesifisitas menjawab pertanyaan: "Dari semua data yang sebenarnya negatif, berapa persen yang diprediksi negatif oleh model?"
- Spesifisitas juga dikenal sebagai True Negative Rate (TNR).
Hubungan antara Sensitivitas dan Spesifisitas:
- Sensitivitas dan spesifisitas saling terkait. Idealnya, kita ingin keduanya sama dengan 1 (atau 100%), yang berarti model kita sempurna dalam mengidentifikasi data positif dan negatif.
- Namun, dalam praktiknya, seringkali ada trade-off antara keduanya. Meningkatkan sensitivitas terkadang dapat menurunkan spesifisitas, dan sebaliknya.
Contoh:
Bayangkan model kita untuk mendeteksi penyakit tertentu.
- Sensitivitas tinggi: Model mampu mengidentifikasi sebagian besar orang yang benar-benar menderita penyakit (True Positives). Ini bagus karena kita tidak ingin melewatkan orang yang sakit.
- Spesifisitas tinggi: Model jarang salah mengidentifikasi orang sehat sebagai sakit (False Positives). Ini penting untuk menghindari diagnosis yang salah dan prosedur medis yang tidak perlu.
Kapan menggunakan Sensitivitas dan Spesifisitas?
- Sensitivitas sangat penting ketika biaya kesalahan klasifikasi positif tinggi. Misalnya, dalam kasus penyakit mematikan, kita lebih mementingkan mengidentifikasi semua orang yang sakit (meningkatkan sensitivitas) daripada salah mengidentifikasi orang sehat (menurunkan spesifisitas).
- Spesifisitas sangat penting ketika biaya kesalahan klasifikasi negatif tinggi. Misalnya, dalam kasus spam filter email, kita lebih mementingkan tidak melewatkan email penting (meningkatkan spesifisitas) daripada salah mengidentifikasi email penting sebagai spam (menurunkan sensitivitas).
Kesimpulan:
Sensitivitas dan spesifisitas adalah metrik penting untuk mengevaluasi model klasifikasi dalam Machine Learning. Keduanya membantu kita memahami seberapa baik model kita mengidentifikasi data positif dan negatif. Pilihan metrik yang lebih penting tergantung pada konteks dan biaya kesalahan klasifikasi.
EmoticonEmoticon