NIM : 171111857

Nama : Dimas Saputra

Kelas : MW-A Pagi

1. Akurasi (ACC) dihitung sebagai jumlah semua prediksi yang benar dibagi dengan jumlah total
dataset. Akurasi terbaik adalah 1,0, sedangkan yang terburuk adalah 0,0. Dapat juga dihitung
dengan 1 - ERR.

Akurasi dihitung sebagai jumlah total dari dua prediksi yang benar (TP + TN) dibagi dengan
jumlah total dataset (P + N).

2. fall-out or false positive rate (FPR)

False positive rate (FPR) dihitung sebagai jumlah prediksi positif yang salah dibagi dengan jumlah
total negatif. Tingkat positif palsu terbaik adalah 0,0 sedangkan yang terburuk adalah 1,0. Ini
juga dapat dihitung sebagai 1 - spesifisitas.

Tingkat positif salah dihitung sebagai jumlah prediksi positif salah (FP) dibagi dengan jumlah
total negatif (N).
3. specificity, selectivity or true negative rate (TNR)
Spesifisitas (SP) dihitung sebagai jumlah prediksi negatif yang benar dibagi dengan jumlah total
negatif. Ini juga disebut true negative rate (TNR). Spesifisitas terbaik adalah 1,0, sedangkan yang
terburuk adalah 0,0.

4. Sensitivity (Recall or True positive rate)

Sensitivitas (SN) dihitung sebagai jumlah prediksi positif yang benar dibagi dengan jumlah total
positif. Ini juga disebut recall (REC) atau true positive rate (TPR). Sensitivitas terbaik adalah 1.0,
sedangkan yang terburuk adalah 0.0.

5. Precision (Positive predictive value)

Presisi (PREC) dihitung sebagai jumlah prediksi positif yang benar dibagi dengan jumlah total
prediksi positif. Ini juga disebut nilai prediktif positif (PPV). Presisi terbaik adalah 1.0, sedangkan
yang terburuk adalah 0.0.

6. Matthews correlation coefficient (MCC)

Koefisien korelasi Matthews (MCC) adalah koefisien korelasi yang dihitung menggunakan
keempat nilai dalam matriks kebingungan.

7. F1 Score
F1 Score merupakan perbandingan rata-rata presisi dan recall yang dibobotkan. Skor F1
menimbulkan bendera dan lebih dekat ke angka yang lebih kecil daripada yang lebih besar,
memberikan model skor yang sesuai daripada hanya rata-rata aritmatika
#include <stdio.h>
#include<math.h>
int main()
{
int fp,fn,tp,tn;
printf("True Positive : ");scanf("%d",&tp);
printf("\nFalse Negative: ");scanf("%d",&fn);
printf("\nTrue Negative : ");scanf("%d",&tn);
printf("\nFalse Positive : ");scanf("%d",&fp);

float tpr = 0.0f,tnr = 0.0f,ppv = 0.0f,npv = 0.0f,fnr = 0.0f,fpr = 0.0f,fdr = 0.0f,forr = 0.0f,ts =
0.0f,acc =
0.0f,fone = 0.0f,mcc = 0.0f,bm = 0.0f,mk = 0.0f;
forr = fn*1.0 / (fn+tn)*1.0;
ts = tp*1.0 / (tp+fn+fp)*1.0;
acc = (tp+tn)*1.0 / (tp+tn+fp+fn)*1.0;
fone = (2.0*tp) / ((2.0*tp)+fp+fn)*1.0;
tpr = tp*1.0 / (tp+fn)*1.0; tnr = tn*1.0 / (tn+fp)*1.0; ppv = tp*1.0 / (tp+fp)*1.0; npv = tn*1.0 /
(tn+fn)*1.0;
bm = tpr + tnr - 1;
mk = ppv + npv - 1;
fnr = fn*1.0 / (fn+tp)*1.0; fpr = fp*1.0 / (fp+tn)*1.0; fdr = fp*1.0 / (fp+tp)*1.0;
mcc = ((tp*tn) - (fp*fn))*1.0 / sqrt(((tp+fp)*(tp+fn)*(tn+fp)*(tn+fn))*1.0);

printf("\n\nTrue Positive Rate = %0.3f\n",tpr);

printf("True Negative Rate =%0.3f\n",tnr);
printf("Positive Predictive Value = %0.3f\n",ppv);
printf("Negative Predictive Value =%0.3f\n",npv);
printf("Bookmaker Informedness = %0.3f\n",bm);
printf("Markedness = %0.3f\n",mk);
printf("False Negative Rate = %0.3f\n",fnr);
printf("False Positive Rate = %0.3f\n",fpr);
printf("False Discovery Rate = %0.3f\n",fdr);
printf("False Omission Rate = %0.3f\n",forr);
printf("Threat Score = %0.3f\n",ts);
printf("Accuracy = %0.3f\n",acc);
printf("F1 Score = %0.3f\n",fone);
printf("Matthews Correlation Coefficient = %0.3f\n",mcc);
return 0;
}