F-Score dalam Statistik: Perbedaan antara revisi
Batch created by Azure OpenAI |
k Text replacement - "pembelajaran mesin" to "Pembelajaran Mesin" Tag: Suntingan perangkat seluler Suntingan peramban seluler |
||
| Baris 1: | Baris 1: | ||
F-Score adalah salah satu ukuran statistik yang sering digunakan untuk mengevaluasi kinerja model dalam [[ | F-Score adalah salah satu ukuran statistik yang sering digunakan untuk mengevaluasi kinerja model dalam [[Pembelajaran Mesin]] dan [[statistika]]. F-Score, juga dikenal sebagai F1-Score, menggabungkan nilai [[presisi]] dan [[rekal]] untuk memberikan gambaran tunggal tentang performa model pada tugas klasifikasi. Nilai F-Score berkisar antara 0 dan 1, di mana nilai yang lebih tinggi menunjukkan performa model yang lebih baik. | ||
== Pengertian F-Score == | == Pengertian F-Score == | ||
Revisi terkini sejak 8 Agustus 2025 02.20
F-Score adalah salah satu ukuran statistik yang sering digunakan untuk mengevaluasi kinerja model dalam Pembelajaran Mesin dan statistika. F-Score, juga dikenal sebagai F1-Score, menggabungkan nilai presisi dan rekal untuk memberikan gambaran tunggal tentang performa model pada tugas klasifikasi. Nilai F-Score berkisar antara 0 dan 1, di mana nilai yang lebih tinggi menunjukkan performa model yang lebih baik.
Pengertian F-Score
F-Score merupakan rata-rata harmonis dari nilai presisi dan rekal. Presisi mengukur seberapa banyak prediksi positif yang benar-benar relevan, sedangkan rekal mengukur seberapa banyak item relevan yang berhasil ditemukan oleh model. Dengan menggabungkan kedua metrik ini, F-Score memberikan penilaian yang seimbang antara keduanya.
Rumus F-Score
Secara matematis, F-Score dihitung menggunakan rumus: F1 = 2 * (presisi * rekal) / (presisi + rekal). Rumus ini memprioritaskan keseimbangan antara presisi dan rekal, sehingga model dengan presisi atau rekal yang sangat rendah akan tetap mendapat skor F1 yang rendah.
Aplikasi F-Score
F-Score sering digunakan dalam berbagai aplikasi statistik dan data mining, khususnya pada tugas-tugas klasifikasi biner dan multi-label. Penggunaan F-Score sangat penting ketika distribusi kelas tidak seimbang, sehingga metrik lain seperti akurasi tidak cukup representatif.