DATA's BASE

~ just a geek's documentation ~

JUNE 16, 2013 BY DATAQ

Perbedaan: precision, recall & accuracy

Tulisan ini terinspirasi gara-gara Vivi (h p://vinividivivi.blogspot.com/) yang bingung perbedaan

penggunaan dari accuracy, precision & recall.

Dalam “dunia” pengenalan pola (pa ern recognition) dan temu kembali informasi (information
retrieval), precision dan recall adalah dua perhitungan yang banyak digunakan untuk mengukur
kinerja dari sistem / metode yang digunakan. Precision adalah tingkat ketepatan antara informasi
yang diminta oleh pengguna dengan jawaban yang diberikan oleh sistem. Sedangkan recall adalah
tingkat keberhasilan sistem dalam menemukan kembali sebuah informasi.

Sedangkan di “dunia lain” seperti dunia statistika dikenal juga istilah accuray. Accuracy
didefinisikan sebagai tingkat kedekatan antara nilai prediksi dengan nilai aktual. Ilustrasi berikut
ini memberikan gambaran perbedaan antara accuracy dan precision.

(h ps://dataq.files.wordpress.com/2013/06/akurasi_presisi.jpg)
Accuracy vs Precision [4]

Agar lebih jelas, mari kita bahas dengan menggunakan contoh.

Misalkan kita ingin mengukur kinerja dari sebuah mesin pemisah ikan yang bertugas memisahkan
ikan-ikan salmon dari semua ikan yang telah didapat. Untuk mengujinya kita akan memasukkan 100
ikan salmon dan 900 ikan lain (bukan ikan salmon). Hasilnya mesin tersebut memisahkan 110 yang
dideteksi sebagai ikan salmon. Ke 110 ikan tersebut kemudian dicek kembali oleh manusia, ternyata
dari 110 ikan tersebut hanya 90 ekor yang merupakan ikan salmon, sedangkan 20 lainnya merupakan
ikan lain.
Dari kasus tersebut maka kita dapat simpulkan bahwa mesin tersebut memiliki precision sebesar 82%,
recall sebesar 90% dan accuracy sebesar 97% yang didapatkan dari perhitungan berikut:

(h ps://dataq.files.wordpress.com/2013/06/precision1.png)

(h ps://dataq.files.wordpress.com/2013/06/recall2.png)

(h ps://dataq.files.wordpress.com/2013/06/accuracy.png)

Secara umum precision, recall dan accuracy dapat dirumuskan sebagai berikut:

(h ps://dataq.files.wordpress.com/2013/06/rumus.png)

Sehingga untuk kasus mesin pemisah ikan diatas dapat dituliskan sebagai berikut:
(h ps://dataq.files.wordpress.com/2013/06/kasus.png)

Oke, sekarang akan saya tunjukkan hal yang menarik. Menggunakan precision atau accuracy saja
dalam sebuah mengukur kinerja dari sebuah sistem / metode bisa menimbukan bias yang sangat
fatal. Sebagai contoh, misalnya dari pengujian menggunakan 100 ikan salmon dan 900 ikan lain
ternyata mesin hanya memisahkan 1 ikan salmon, dan setelah dicek oleh manusia, 1 ikan tersebut
benar merupakan ikan salmon. Pengujian ini dapat kita tuliskan sebagai berikut:

(h ps://dataq.files.wordpress.com/2013/06/kasus2.png)

Dari hasil perhitungan kita dapatkan precision sebesar 100% dan accuracy sebesar 90.1%. Sekilas
tampak baik, namun perhatikan nilai recall yang hanya sebesar 1%. Hal ini menunjukkan bahwa
sistem hanya dapat memisahkan ikan salmon dalam jumlah yang sedikit sekali dan masih banyak
ikan-ikan salmon yang lolos dari pemisahan.

Bila digambarkan, kasus pengujian mesin pemisah ikan ini dapat digambarkan seperti ini:
(h ps://dataq.files.wordpress.com/2013/06/salmon-ven1.png)

Jadi dalam mengukur kinerja dari sebuah sistem / metode dalam pengenalan pola atau temu kembali
informasi disarankan menggunakan minimal dua parameter yaitu precision dan recall untuk
mendeteksi bias seperti pada kasus diatas.

Semoga bermanfaat. Bila ada kesalahan saya akan dengan senang bila dikoreksi.

Referensi:

1. putubuku, “Recall & Precision,” Ilmu Perpustakaan & Informasi – diskusi dan ulasan ringkas, 27-Mar-
2008. [Online]. Available: h p://iperpin.wordpress.com/2008/03/27/recall-precision/
(h p://iperpin.wordpress.com/2008/03/27/recall-precision/). [Accessed: 16-Jun-2013].
2. “Precision and recall,” Wikipedia – The Free Encyclopedia. [Online]. Available:
h p://en.wikipedia.org/wiki/Precision_and_recall
(h p://en.wikipedia.org/wiki/Precision_and_recall). [Accessed: 16-Jun-2013].
3. “Accuracy and precision,” Wikipedia – The Free Encyclopedia. [Online]. Available:
h ps://en.wikipedia.org/wiki/Accuracy_and_precision
(h ps://en.wikipedia.org/wiki/Accuracy_and_precision). [Accessed: 16-Jun-2013].
4. B. Raharjo, “Presisi Dan Akurasi,” Beni Raharjo – Nature, Environment, Remote Sensing, GIS, IT and
Myself, 17-Mar-2011. [Online]. Available: h p://www.raharjo.org/math/presisi-dan-akurasi.html
(h p://www.raharjo.org/math/presisi-dan-akurasi.html). [Accessed: 16-Jun-2013].
 Advertisements Advertisements

REPORT THIS AD REPORT THIS AD

This entry was posted in Info and tagged accuracy, precision, recall. Bookmark the permalink.

30 thoughts on “Perbedaan: precision, recall & accuracy”

arumsari | June 21, 2013 at 7:53 am

manteb ki.. pakar NCC apdet berita g precission dan recall 😀

Reply

Muhammad Haryadi Futra | October 2, 2014 at 9:31 pm

Terimakasih, postingannya sangat bermanfaat buat saya. Tapi saya masih bingung, jadi untuk
menentukan suatu sistem bagus atau tidak itu dilihat dari akurasi, presisi, atau, recallnya?

Reply

DataQ | December 30, 2014 at 10:59 pm

Sama-sama, semoga bermanfaat.
Pendapat saya, bila ingin melihat bagus tidaknya sistem yang kita bangun, maka ketiganya
harus kita gunakan.
Atau minimal kita menggunakan precision recall, bukan sekedar menggunakan precision saja
atau akurasi saja.

Reply

Hardi Yan Syah | October 13, 2014 at 8:33 am

Sangat bermanfaat untuk contoh nya mudah di mengerti..

Reply

marthen | December 29, 2014 at 2:11 pm

thanks atas infonya
Reply

dyah sofyandori | June 5, 2015 at 10:10 am

menarik sekali, sdr.penulis. sebelumnya, saya ijin untuk menyerap ilmu g precision dan recall
ini ya. soalnya contohnya sangat sederhana sehingga mudah dipahami, tapi tetep sesuai dengan
kaidah ilmunya.
lalu, kalo boleh memberi saran nih, tolong ditambahkan penjelasan tentang f-measure.
sepengetahuan saya f-measure ini merupakan fungsi dari precision dan recall dalam bidang
information retrieval.
cmiiw..

Reply

oktavianidewi | August 30, 2015 at 1:05 pm

Reblogged this on MindbloWed and commented:
Nice explanation ❤❤❤

Reply

mita | January 3, 2016 at 1:51 pm

terimakasih banyak info nya.
kalo boleh saya ingin bertanya, kalo untuk mengukur ketepatan/ keberhasilan suatu metode yang
diterapkan dalam sistem, jenis perhitungan mana yg baiknya saya gunakan?
*dalam hal ini saya membuat sistem verifikasi wajah untuk login

Reply

DataQ | January 14, 2016 at 5:33 am

Saya sarankan gunakan precision dan recall saja

Reply

Kang Agus | February 29, 2016 at 4:44 am

nice info 🙂

Reply

enggridsubkhiana | May 29, 2016 at 2:19 am

bagaimana kalau terdapat banyak jenis ikan, contoh saja ada 5 jenis ikan : mujair, gabus, salmon,
tuna dan patin ?

Reply

DataQ | August 31, 2016 at 11:13 am

Bila terdapat banyak ikan, maka dilakukan pertingan precision recall satu persatu bedasarkan
jenis ikan.

Reply
 lel | February 6, 2018 at 11:22 am
boleh dikasih contohnya tidak buat contoh kasus seperti itu, trimakasih

Irsal Shabirin | August 9, 2016 at 1:23 pm

Reblogged this on Irsal Shabirin and commented:
precision and recall

Reply

sutrisnonino012 | August 24, 2016 at 1:23 pm

Makasih ilmunya….. sangat bermanfaat. tapi saya mau bertanya / konsultasi. kalo data ujinya
dalam jumlah besar, untuk menghitung tingkat akurasi dll apa mesti divalidasi secara manual
satu persatu, atau ada teknik semacam sampling untuk mendapatkan nilai akurasi dll yang
merepresentasikan pengujian yang sebenarnya. makasih sebelumnya.

Reply

DataQ | August 31, 2016 at 11:12 am

Iya, harus divalidasi satu persatu.

Reply

DataQ | April 10, 2017 at 10:51 am

Umumnya data uji sudah ada labelnya, jadi tinggal membuat script untuk mencocokkan
dengan label yang ada pada data ujinya.

Reply

Yoga Prawira (@yogaprawirayoga) | November 20, 2016 at 4:30 pm

mantap penjelasannya..mohon sarannya, sistem saya tentang klasifikasi tweet yang berisi
sentimen positif dan negatif. Mana yang sebaiknya saya gunakan presisi, recall atau akurasi ?

Reply

DataQ | April 10, 2017 at 10:49 am

Kalau saran saya bisa menggunakan precision dan recall

Reply

ratika fitriani | January 8, 2017 at 6:07 pm

sebelumnya makasi atas penjelasannya. akurasi, recall dan precision itu rumus untuk semua
metode klasifikasi dan regresi sama atau berbeda setiap metode? terima kasih

Reply

DataQ | April 10, 2017 at 10:48 am

 Secara umum sama, namun mungkin untuk berapa kasus perlu disesuaikan

Reply

Firman Syahrizal | January 30, 2017 at 11:28 am

ilmunya sangat bermanfaat, kalau boleh tau sumber referensi tentang “rumus akurasi” itu
diperoleh dimana ya? ada buku/jurnalnya ? terimakasih

Reply

DataQ | April 10, 2017 at 10:47 am

dulu saya ambilkan dari
h p://www.raharjo.org/math/presisi-dan-akurasi.html
tapi sekarang websitenya sudah tidak ada.

Reply

charies | March 3, 2017 at 9:59 am

maaf ini sumber gambarnya dari mana ya buat referensi TA, mohon bantuanya

Reply

DataQ | April 10, 2017 at 10:46 am

Di bagian bawah sudah saya tuliskan referensinya, silahkan dirujuk kesana.

Reply

Husna M | April 17, 2017 at 9:54 am

Maaf sebelumnya, saya mau bertanya..
Apabila terdapat lebih dari 2 macam ikan (misal 5 jenis ikan) maka tiap jenis ikan akan dihitung
nilai precission, recall dan accuracy satu persatu..
Itu berarti akan ditemukan 5 nilai dari masing-masing perhitungannya..
Yang saya tanyakan, nilai mana yang akan dipakai untuk menilai keakuratan sistem yang ada?
apakah nilai rata2 dari kelima nilai dari tiap ikan tersebut?
Terima kasih

Reply

Thomas | May 24, 2017 at 10:10 pm

Terimakasih untuk artikelnya. sangat membantu untuk revisi skripsi saya, terutama perhitungan
akurasi.

Reply

Mufti Ari Bianto | December 15, 2017 at 12:27 am

Membandingkan sitem pakar menggunakan metode certainty factor dgn sistem pakar yang
menggunakan metode forward chaining ,untuk mengetahui metode mana yg lebih akurat untuk
suatu sistem pakar sehingga layak untuk di pilih..
jadi rencananya 2 metode itu di terapkan dalam sistem yg sama” sistem pakar strawberry dgn 2
 program yg sama. Nah dari masing sistem pakar akan mencoba diagnosa penyakit yg sama dgn
gejala yg sama namun ada kemungkinan hasil yg berbeda karena metode yg berbeda, nah
masing” akan di analisis dgn metode akurasi itu untuk di cari mana yg akurat dan layak di pilih..
kira-kira metode precision dan recall ini bisa gak ya min untuk di gunakan pada kasusku ini ..???
MOHON BANTUANNYA…
Trimakasih….

Reply

Kandrea Latasha | January 8, 2018 at 9:59 pm

saya sebenarnya masih bingung dengan precision dan recall pada pengujian yang saya lakukan.
Saya membuat klasifikasi berita dengan teknik pengujian cross validation, namun saya masih
belum mengerti bagaimana saya mengaplikasikan rumus recall kedalam hasil pengujian saya.
Misalnya saya memekai data testing 200 (masing masing 40 data tiap kategori) dan data training
800 (160 data tiap kategori) dengan 5 kategori di dalamnya. Dari 200 testing yang saya lakukan
didapat 189 data yang sesuai dengan inputan yang saya masukkan dan 11 data yang salah dari .
Jika saya masukkan ke dalam rumus: Precision = 189/(189+11), bagaimana dengan recallnya?
apakah saya masukkan Recall = 189/(189+0). Saya mohon penjelasannya, terimakasih

Reply
Pingback: Precision, Recall, Accuracy – Sweet Li le Taste

This site uses Akismet to reduce spam. Learn how your comment data is processed.

Blog at WordPress.com.