{"id":2274,"date":"2023-07-22T23:48:35","date_gmt":"2023-07-22T23:48:35","guid":{"rendered":"https:\/\/statorials.org\/id\/sklearn-python-presisi-seimbang\/"},"modified":"2023-07-22T23:48:35","modified_gmt":"2023-07-22T23:48:35","slug":"sklearn-python-presisi-seimbang","status":"publish","type":"post","link":"https:\/\/statorials.org\/id\/sklearn-python-presisi-seimbang\/","title":{"rendered":"Cara menghitung presisi seimbang dengan python menggunakan sklearn"},"content":{"rendered":"<p><\/p>\n<hr>\n<p><span style=\"color: #000000;\"><strong>Akurasi seimbang<\/strong> adalah metrik yang dapat kita gunakan untuk mengevaluasi kinerja <a href=\"https:\/\/statorials.org\/id\/regresi-vs.-klasifikasi\/\" target=\"_blank\" rel=\"noopener\">model klasifikasi<\/a> .<\/span><\/p>\n<p> <span style=\"color: #000000;\">Ini dihitung sebagai berikut:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>Akurasi Seimbang<\/strong> = (Sensitivitas + Spesifisitas) \/ 2<\/span><\/p>\n<p> <span style=\"color: #000000;\">Emas:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\"><strong>Sensitivitas<\/strong> : \u201ctingkat positif sebenarnya\u201d \u2013 persentase kasus positif yang dapat dideteksi oleh model.<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>Kekhususan<\/strong> : \u201ctingkat negatif sebenarnya\u201d \u2013 persentase kasus negatif yang dapat dideteksi oleh model.<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Metrik ini sangat berguna ketika kedua kelas tidak seimbang, yaitu, satu kelas tampil lebih banyak dibandingkan kelas lainnya.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Misalnya, seorang analis olahraga menggunakan <a href=\"https:\/\/statorials.org\/id\/regresi-logistik-1\/\" target=\"_blank\" rel=\"noopener\">model regresi logistik<\/a> untuk memprediksi apakah 400 pemain bola basket perguruan tinggi yang berbeda akan direkrut ke NBA atau tidak.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Matriks konfusi berikut merangkum prediksi yang dibuat oleh model:<\/span> <\/p>\n<p><img decoding=\"async\" loading=\"lazy\" class=\" wp-image-20693 aligncenter\" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/equilibre1.png\" alt=\"\" width=\"430\" height=\"135\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">Untuk menghitung akurasi seimbang model, pertama-tama kita akan menghitung sensitivitas dan spesifisitasnya:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\"><strong>Sensitivitas<\/strong> : \u201cTingkat positif sebenarnya\u201d = 15 \/ (15 + 5) = 0,75<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>Kekhususan<\/strong> : \u201cTingkat negatif sebenarnya\u201d = 375 \/ (375 + 5) = 0,9868<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Kami kemudian dapat menghitung presisi seimbang sebagai berikut:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">Akurasi Seimbang = (Sensitivitas + Spesifisitas) \/ 2<\/span><\/li>\n<li> <span style=\"color: #000000;\">Akurasi seimbang = (0,75 + 9868) \/ 2<\/span><\/li>\n<li> <span style=\"color: #000000;\">Akurasi seimbang = 0,8684<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Akurasi seimbang model tersebut ternyata <strong>0,8684<\/strong> .<\/span><\/p>\n<p> <span style=\"color: #000000;\">Contoh berikut menunjukkan cara menghitung akurasi seimbang untuk skenario spesifik ini menggunakan fungsi <strong>Balanced_accuracy_score()<\/strong> dari pustaka <strong>sklearn<\/strong> dengan Python.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Contoh: Menghitung Presisi Seimbang dengan Python<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Kode berikut menunjukkan cara mendefinisikan array kelas prediksi dan array kelas aktual, lalu menghitung akurasi seimbang model dengan Python:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008000;\">import<\/span> numpy <span style=\"color: #008000;\">as<\/span> np\n<span style=\"color: #008000;\">from<\/span> sklearn. <span style=\"color: #3366ff;\">metrics<\/span> <span style=\"color: #008000;\">import<\/span> balanced_accuracy_score\n\n<span style=\"color: #008080;\">#define array of actual classes\n<\/span>actual = np. <span style=\"color: #3366ff;\">repeat<\/span> ([1, 0], repeats=[20, 380])\n\n<span style=\"color: #008080;\">#define array of predicted classes\n<\/span>pred = np. <span style=\"color: #3366ff;\">repeat<\/span> ([1, 0, 1, 0], repeats=[15, 5, 5, 375])\n\n<span style=\"color: #008080;\">#calculate balanced accuracy score\n<\/span>balanced_accuracy_score(actual, pred)\n\n0.868421052631579<\/strong><\/pre>\n<p> <span style=\"color: #000000;\">Presisi seimbangnya adalah <strong>0,8684<\/strong> . Ini cocok dengan nilai yang kami hitung secara manual sebelumnya.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>Catatan<\/strong> : Anda dapat menemukan dokumentasi lengkap untuk fungsi <strong>Balanced_accuracy_score()<\/strong> <a href=\"https:\/\/scikit-learn.org\/stable\/modules\/generated\/sklearn.metrics.balanced_accuracy_score.html\" target=\"_blank\" rel=\"noopener\">di sini<\/a> .<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Sumber daya tambahan<\/strong><\/span><\/h3>\n<p> <a href=\"https:\/\/statorials.org\/id\/presisi-yang-seimbang\/\" target=\"_blank\" rel=\"noopener\">Pengantar Akurasi Seimbang<\/a><br \/> <a href=\"https:\/\/statorials.org\/id\/python-regresi-logistik\/\" target=\"_blank\" rel=\"noopener\">Cara Melakukan Regresi Logistik dengan Python<\/a><br \/> <a href=\"https:\/\/statorials.org\/id\/skor-f1-dengan-python\/\" target=\"_blank\" rel=\"noopener\">Cara menghitung skor F1 dengan Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Akurasi seimbang adalah metrik yang dapat kita gunakan untuk mengevaluasi kinerja model klasifikasi . Ini dihitung sebagai berikut: Akurasi Seimbang = (Sensitivitas + Spesifisitas) \/ 2 Emas: Sensitivitas : \u201ctingkat positif sebenarnya\u201d \u2013 persentase kasus positif yang dapat dideteksi oleh model. Kekhususan : \u201ctingkat negatif sebenarnya\u201d \u2013 persentase kasus negatif yang dapat dideteksi oleh model. [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v21.5 - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Cara menghitung presisi seimbang dengan Python menggunakan sklearn - Statorials<\/title>\n<meta name=\"description\" content=\"Tutorial ini menjelaskan cara menghitung akurasi seimbang untuk model klasifikasi dengan Python menggunakan fungsi dari perpustakaan sklearn.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/statorials.org\/id\/sklearn-python-presisi-seimbang\/\" \/>\n<meta property=\"og:locale\" content=\"id_ID\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Cara menghitung presisi seimbang dengan Python menggunakan sklearn - Statorials\" \/>\n<meta property=\"og:description\" content=\"Tutorial ini menjelaskan cara menghitung akurasi seimbang untuk model klasifikasi dengan Python menggunakan fungsi dari perpustakaan sklearn.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/statorials.org\/id\/sklearn-python-presisi-seimbang\/\" \/>\n<meta property=\"og:site_name\" content=\"Statorials\" \/>\n<meta property=\"article:published_time\" content=\"2023-07-22T23:48:35+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/equilibre1.png\" \/>\n<meta name=\"author\" content=\"Benjamin anderson\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Ditulis oleh\" \/>\n\t<meta name=\"twitter:data1\" content=\"Benjamin anderson\" \/>\n\t<meta name=\"twitter:label2\" content=\"Estimasi waktu membaca\" \/>\n\t<meta name=\"twitter:data2\" content=\"1 menit\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\/\/statorials.org\/id\/sklearn-python-presisi-seimbang\/\",\"url\":\"https:\/\/statorials.org\/id\/sklearn-python-presisi-seimbang\/\",\"name\":\"Cara menghitung presisi seimbang dengan Python menggunakan sklearn - Statorials\",\"isPartOf\":{\"@id\":\"https:\/\/statorials.org\/id\/#website\"},\"datePublished\":\"2023-07-22T23:48:35+00:00\",\"dateModified\":\"2023-07-22T23:48:35+00:00\",\"author\":{\"@id\":\"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81\"},\"description\":\"Tutorial ini menjelaskan cara menghitung akurasi seimbang untuk model klasifikasi dengan Python menggunakan fungsi dari perpustakaan sklearn.\",\"breadcrumb\":{\"@id\":\"https:\/\/statorials.org\/id\/sklearn-python-presisi-seimbang\/#breadcrumb\"},\"inLanguage\":\"id\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/statorials.org\/id\/sklearn-python-presisi-seimbang\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/statorials.org\/id\/sklearn-python-presisi-seimbang\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/statorials.org\/id\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Cara menghitung presisi seimbang dengan python menggunakan sklearn\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/statorials.org\/id\/#website\",\"url\":\"https:\/\/statorials.org\/id\/\",\"name\":\"Statorials\",\"description\":\"Panduan anda untuk kompetensi statistik!\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/statorials.org\/id\/?s={search_term_string}\"},\"query-input\":\"required name=search_term_string\"}],\"inLanguage\":\"id\"},{\"@type\":\"Person\",\"@id\":\"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81\",\"name\":\"Benjamin anderson\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"id\",\"@id\":\"https:\/\/statorials.org\/id\/#\/schema\/person\/image\/\",\"url\":\"http:\/\/statorials.org\/id\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg\",\"contentUrl\":\"http:\/\/statorials.org\/id\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg\",\"caption\":\"Benjamin anderson\"},\"description\":\"Halo, saya Benjamin, pensiunan profesor statistika yang menjadi guru Statorial yang berdedikasi. Dengan pengalaman dan keahlian yang luas di bidang statistika, saya ingin berbagi ilmu untuk memberdayakan mahasiswa melalui Statorials. Baca selengkapnya\",\"sameAs\":[\"http:\/\/statorials.org\/id\"]}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Cara menghitung presisi seimbang dengan Python menggunakan sklearn - Statorials","description":"Tutorial ini menjelaskan cara menghitung akurasi seimbang untuk model klasifikasi dengan Python menggunakan fungsi dari perpustakaan sklearn.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/statorials.org\/id\/sklearn-python-presisi-seimbang\/","og_locale":"id_ID","og_type":"article","og_title":"Cara menghitung presisi seimbang dengan Python menggunakan sklearn - Statorials","og_description":"Tutorial ini menjelaskan cara menghitung akurasi seimbang untuk model klasifikasi dengan Python menggunakan fungsi dari perpustakaan sklearn.","og_url":"https:\/\/statorials.org\/id\/sklearn-python-presisi-seimbang\/","og_site_name":"Statorials","article_published_time":"2023-07-22T23:48:35+00:00","og_image":[{"url":"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/equilibre1.png"}],"author":"Benjamin anderson","twitter_card":"summary_large_image","twitter_misc":{"Ditulis oleh":"Benjamin anderson","Estimasi waktu membaca":"1 menit"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/statorials.org\/id\/sklearn-python-presisi-seimbang\/","url":"https:\/\/statorials.org\/id\/sklearn-python-presisi-seimbang\/","name":"Cara menghitung presisi seimbang dengan Python menggunakan sklearn - Statorials","isPartOf":{"@id":"https:\/\/statorials.org\/id\/#website"},"datePublished":"2023-07-22T23:48:35+00:00","dateModified":"2023-07-22T23:48:35+00:00","author":{"@id":"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81"},"description":"Tutorial ini menjelaskan cara menghitung akurasi seimbang untuk model klasifikasi dengan Python menggunakan fungsi dari perpustakaan sklearn.","breadcrumb":{"@id":"https:\/\/statorials.org\/id\/sklearn-python-presisi-seimbang\/#breadcrumb"},"inLanguage":"id","potentialAction":[{"@type":"ReadAction","target":["https:\/\/statorials.org\/id\/sklearn-python-presisi-seimbang\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/statorials.org\/id\/sklearn-python-presisi-seimbang\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/statorials.org\/id\/"},{"@type":"ListItem","position":2,"name":"Cara menghitung presisi seimbang dengan python menggunakan sklearn"}]},{"@type":"WebSite","@id":"https:\/\/statorials.org\/id\/#website","url":"https:\/\/statorials.org\/id\/","name":"Statorials","description":"Panduan anda untuk kompetensi statistik!","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/statorials.org\/id\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"id"},{"@type":"Person","@id":"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81","name":"Benjamin anderson","image":{"@type":"ImageObject","inLanguage":"id","@id":"https:\/\/statorials.org\/id\/#\/schema\/person\/image\/","url":"http:\/\/statorials.org\/id\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg","contentUrl":"http:\/\/statorials.org\/id\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg","caption":"Benjamin anderson"},"description":"Halo, saya Benjamin, pensiunan profesor statistika yang menjadi guru Statorial yang berdedikasi. Dengan pengalaman dan keahlian yang luas di bidang statistika, saya ingin berbagi ilmu untuk memberdayakan mahasiswa melalui Statorials. Baca selengkapnya","sameAs":["http:\/\/statorials.org\/id"]}]}},"yoast_meta":{"yoast_wpseo_title":"","yoast_wpseo_metadesc":"","yoast_wpseo_canonical":""},"_links":{"self":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/posts\/2274"}],"collection":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/comments?post=2274"}],"version-history":[{"count":0,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/posts\/2274\/revisions"}],"wp:attachment":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/media?parent=2274"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/categories?post=2274"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/tags?post=2274"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}