Kalkulator Akurasi

Apa itu Kalkulator Akurasi?

Kalkulator akurasi adalah alat yang digunakan untuk menentukan kebenaran prediksi atau hasil eksperimen dengan membandingkannya dengan nilai atau hasil yang diketahui. Alat ini banyak digunakan dalam bidang seperti statistik, pembelajaran mesin, pengujian medis, dan pengendalian mutu. Akurasi dinyatakan dalam persentase atau rasio, yang mencerminkan seberapa dekat nilai yang diukur dengan nilai sebenarnya. Misalnya, dalam diagnostik medis, akurasi membantu mengevaluasi seberapa baik suatu tes mengidentifikasi positif sejati (pasien sakit) dan negatif sejati (individu sehat).

Rumus Akurasi

Rumus untuk menghitung akurasi adalah:

\text{Akurasi} = \frac{\text{Positif Sejati (TP)} + \text{Negatif Sejati (TN)}}{\text{TP} + \text{TN} + \text{Positif Palsu (FP)} + \text{Negatif Palsu (FN)}}

Di mana:

Positif Sejati (TP): Kasus positif yang diidentifikasi dengan benar.
Negatif Sejati (TN): Kasus negatif yang diidentifikasi dengan benar.
Positif Palsu (FP): Kasus negatif yang salah diklasifikasikan sebagai positif.
Negatif Palsu (FN): Kasus positif yang salah diklasifikasikan sebagai negatif.

Contoh Perhitungan Akurasi

Contoh 1: Pengujian Medis

Tes COVID-19 baru diberikan kepada 1 000 individu. Hasilnya adalah:

Positif Sejati (TP): 45 (terinfeksi dan diidentifikasi dengan benar)
Negatif Sejati (TN): 950 (tidak terinfeksi dan diidentifikasi dengan benar)
Positif Palsu (FP): 0 (tidak terinfeksi tetapi salah ditandai)
Negatif Palsu (FN): 5 (terinfeksi tetapi terlewat)

Menggunakan rumus:

\text{Akurasi} = \frac{45 + 950}{45 + 950 + 0 + 5} = \frac{995}{1 000} = 0,995 \ \text{atau} \ 99,5\%

Tes ini menunjukkan akurasi yang luar biasa, mengidentifikasi 99,5% kasus dengan benar.

Contoh 2: Deteksi Spam

Filter email memproses 1 000 pesan:

TP: 85 (spam yang benar ditandai)
TN: 900 (bukan spam yang diizinkan dengan benar)
FP: 15 (bukan spam yang salah ditandai sebagai spam)
FN: 0 (spam yang terlewat)

Perhitungan akurasi:

\text{Akurasi} = \frac{85 + 900}{85 + 900 + 15 + 0} = \frac{985}{1 000} = 98,5\%

Meskipun ada 15 positif palsu, filter mencapai akurasi 98,5%.

Konteks Historis Pengukuran Akurasi

Konsep akurasi telah ada sejak peradaban kuno. Misalnya, astronom Babilonia dengan cermat mencatat pergerakan planet untuk memprediksi peristiwa langit secara akurat. Pada abad ke-19, ahli statistik seperti Francis Galton menekankan pentingnya ketepatan dalam pengumpulan data, meletakkan dasar untuk metrik akurasi modern. Saat ini, akurasi adalah landasan dalam pembelajaran mesin, di mana model dilatih untuk meminimalkan kesalahan dalam prediksi.

Catatan tentang Interpretasi Akurasi

Peringatan Data Tidak Seimbang: Akurasi tinggi bisa menyesatkan dalam kumpulan data tidak seimbang. Misalnya, tes skrining kanker mungkin menunjukkan akurasi 95% jika 95% subjek sehat, meskipun tes tersebut melewatkan semua kasus kanker.
Metrik Pelengkap: Gunakan presisi (TP / (TP + FP)) dan recall (TP / (TP + FN)) bersama akurasi untuk evaluasi holistik.
Konteks Penting: Dalam beberapa aplikasi (mis., deteksi penipuan), mengurangi negatif palsu mungkin lebih kritis daripada akurasi keseluruhan.

Pertanyaan yang Sering Diajukan

Bagaimana Menghitung Akurasi untuk Model Klasifikasi?

Misalkan model mengklasifikasikan 200 gambar sebagai “kucing” atau “anjing”:

TP: 80 (kucing diidentifikasi dengan benar)
TN: 90 (anjing diidentifikasi dengan benar)
FP: 10 (anjing salah diklasifikasi sebagai kucing)
FN: 20 (kucing salah diklasifikasi sebagai anjing)

\text{Akurasi} = \frac{80 + 90}{80 + 90 + 10 + 20} = \frac{170}{200} = 85\%

Apa Perbedaan Antara Akurasi dan Presisi?

Akurasi mengukur kebenaran keseluruhan, sedangkan presisi fokus pada proporsi positif sejati di antara semua prediksi positif. Misalnya, prakiraan cuaca dengan akurasi 90% mungkin memiliki presisi lebih rendah jika sering salah memprediksi hujan.

Bisakah Akurasi Mencapai 100%?

Ya, tetapi hanya jika tidak ada positif palsu atau negatif palsu. Dalam praktiknya, akurasi 100% jarang terjadi karena kesalahan pengukuran atau distribusi data yang tumpang tindih.

Mengapa Akurasi Menyesatkan dalam Deteksi Penipuan?

Transaksi penipuan jarang terjadi (mis., 0,1% dari semua transaksi). Model yang memprediksi “tidak ada penipuan” untuk semua kasus akan mencapai akurasi 99,9% tetapi gagal mendeteksi penipuan. Metrik seperti recall atau skor F1 lebih informatif di sini.

Bagaimana Ukuran Sampel Mempengaruhi Akurasi?

Sampel yang lebih besar mengurangi kesalahan acak. Misalnya, menguji 10.000 pasien alih-alih 100 memberikan perkiraan akurasi yang lebih andal untuk tes medis.

Aplikasi Kalkulator Akurasi

Kesehatan: Mengevaluasi tes diagnostik untuk penyakit.
Manufaktur: Menilai proses pengendalian mutu.
Pembelajaran Mesin: Memvalidasi kinerja model selama pelatihan.
Ilmu Lingkungan: Mengukur efisiensi deteksi polutan.