TEORI KONVOLUSI

Apa yang dimaksud dengan konvolusi?

Konvolusi merupakan penjumlahan dari perkalian setiap kernel dengan setiap titik
pada fungsi masukan. Pengolahan citra merupakan sebuah bentuk pemrosesan
sebuah citra dengan proses numerik dari gambar tersebut, hal ini yang diproses
adalah masing-masing piksel atau titik dari gambar tersebut.

Apa tujuan dilakukan konvolusi pada data citra?

Konvolusi citra adalah tehnik untuk menghaluskan suatu citra atau memperjelas citra
dengan menggantikan nilai piksel dengan sejumlah nilai piksel yang sesuai atau
berdekatan dengan piksel aslinya.

Apa manfaat utama proses konvolusi pada pengolahan citra digital?

Konvolusi berguna pada proses pengolahan citra seperti: perbaikan kualitas citra
(image enhancement) penghilangan derau. mengurangi erotan.

Apa manfaat dari penggunaan kernel pada konvolusi citra?

Metode Kernel Konvolusi merupakan metode yang digunakan untuk memfilter
gambar atau citra yang mengalami derau (noise). Filtering dengan teknik konvolusi
terhadap citra yang mengalami noise dapat mengurangi atau bahkan menghilangkan
noise yang melekat pada citra tersebut.

Apakah tugas dari layer konvolusi?

Convolutional layer adalah lapisan yang digunakan untuk melakukan operasi
konvolusi pada output layer sebelumnya

Apa itu konvolusi gambar?

Konvolusi citra adalah tehnik untuk menghaluskan suatu citra atau memperjelas citra
dengan menggantikan nilai piksel dengan sejumlah nilai piksel yang sesuai atau
berdekatan dengan piksel aslinya. Tetapi dengan adanya konvolusi, ukuran dari citra
tetap sama, tidak berubah
Disebut Apa output konvolusi?
Output hasil konvolusi dikenakan activation function atau fungsi aktivasi. Rectified
Linear Unit (ReLU) adalah fungsi aktivasi yang paling sering digunakan pada CNN
dengan tujuan meminimalisir error dan saturasi.

Apa itu Metode convolutional neural network?

Metode Convolutional Neural Network (CNN) merupakan salah satu metode AI yang
diterapkan khusus untuk data berbentuk visual atau citra. Metode CNN dengan
arsitektur U-Net digunakan dalam penelitian ini untuk mengklasifikasi dan
menentukan posisi patahan secara otomatis di dalam data seismik 3D.

Apakah yang dimaksud dengan kernel?

Kernel merupakan program komputer yang menjadi inti dari sebuah sistem operasi
komputer, dengan kontrol terhadap segala hal atas sistem tersebut. Pada
kebanyakan sistem, kernel merupakan salah satu dari program yang dijalankan
dalam urutan pertama saat komputer dinyalakan.
Tugas utamanya adalah memberi layanan kepada aplikasi dan bagian lain dari OS,
lalu memuatnya di dalam memori utama. Kernel ini bertanggung jawab untuk
mengatur memory management, process and task management, dan juga disk
management. Jadi, sistem yang ada di hardware akan dihubungkan oleh Kernel
ke software aplikasi.
Jenis – jenis kernel, yaitu:
1. Monolithic Kernel
Pertama adalah Monolithic Kernel. Pada jenis Monolithic, semua layanan OS
dijalankan di ruang khusus Kernel. Jenis Kernel ini performanya bagus, akan tetapi
memiliki ketergantungan dengan komponen yang ada di sistem dan code-nya
sangat banyak. OS yang menggunakannya adalah Unix, Linux, Open VMS, dan
lainnya.
2. Micro Kernel
Micro Kernel dikenal dengan pendekatannya yang lebih minimalis. Dengan virtual
memory dan thread scheduling, jenis yang satu ini jadi lebih stabil dan tidak terlalu
penuh dengan layanan di ruang khusus Kernel.
Contoh OS yang menggunakan jenis ini adalah Mach, L4, K42, dan masih banyak
lagi. Meskipun lebih stabil, kekurangannya adalah terdapat banyak system
calls dan context switches.
3. Hybrid Kernel
Jenis ketiga adalah Hybrid Kernel yang seperti namanya merupakan kombinasi dari
dua jenis sebelumnya. Geeks for Geeks menyebutkan bahwa Hybrid Kernel ini
memiliki desain Monolithic dan kestabilan Microkernel.
Contoh OS yang menggunakannya adalah Windows NT, Netware, dan
lainnya. Meskipun menggabungkan dua model tersebut, Kernel yang satu ini kurang
lebih sama saja dengan Monolithic.
4. Exo Kernel
Nah, kalau Exo Kernel ini merupakan jenis yang menggunakan prinsip end-to-end,
sehingga memiliki sedikit hardware abstraction dan sumber daya yang dimiliki
difokuskan ke aplikasi dan program lainnya. Menurut TechTarget, hardware
abstraction itu sendiri adalah lapisan programming yang memungkinkan OS untuk
berinteraksi dengan hardware secara umum dan tidak terlalu mendetail.
OS yang menggunakan Kernel ini adalah Nemesis, ExOS, dan masih banyak lagi.
The Windows Club menyebutkan bahwa Exo Kernel biasanya digunakan untuk
mengetes sebuah proyek, lalu untuk hasil akhirnya harus upgrade menggunakan
Kernel lainnya. Karena jenis Kernel yang satu ini mengharuskan para application
developer untuk bekerja dua kali lipat karena pemrogramannya.
5. Nano Kernel
Kernel jenis ini memberikan hardware abstraction tanpa system service. Akan tetapi,
sama dengan Micro Kernel, jenis Nano ini juga cukup jarang digunakan. Towards
Data Science menyebutkan bahwa Kernel adalah semacam pembatas yang
menjembatani hardware dengan aplikasi, CPU, memory, dan juga perangkat yang
digunakan. Intinya, apa pun itu yang digunakan baik dari bermain game sampai
penggunaan browser untuk menjelajahi internet.

Apa itu kernel konvolusi?

Konvolusi merupakan penjumlahan dari perkalian setiap kernel dengan setiap titik
pada fungsi masukan. Pengolahan citra merupakan sebuah bentuk pemrosesan
sebuah citra dengan proses numerik dari gambar tersebut, hal ini yang diproses
adalah masing-masing piksel atau titik dari gambar tersebut.

Apa manfaat dari penggunaan kernel pada konvolusi citra?

Metode Kernel Konvolusi merupakan metode yang digunakan untuk memfilter
gambar atau citra yang mengalami derau (noise). Filtering dengan teknik konvolusi
terhadap citra yang mengalami noise dapat mengurangi atau bahkan menghilangkan
noise yang melekat pada citra tersebut

Apa itu ukuran kernel?

Ukuran kernel/filter, yaitu panjang dan lebar filter yang akan digunakan. Misalnya
3x3. Jumlah filter, yaitu seberapa banyak filter yang akan kita gunakan. Stride, yaitu
seberapa jauh step dari filter ketika digeser.

Apa itu Convolution Neural Network?

Sudah menjadi kemampuan natural manusia dalam memahami apa yang kita lihat,
contohnya, saat kita melihat gambar di bawah ini, kita dapat dengan mudah
mengidentifikasi objek-objek yang ada dalam gambar di bawah ini, beserta dengan
hierarki nya.
Seorang anak sedang menaiki kuda mainan di atas rumput-rumput. Convolutional
Neural Network (CNN) adalah salah satu jenis neural network yang biasa digunakan
pada data image. CNN bisa digunakan untuk mendeteksi dan mengenali object pada
sebuah image. CNN adalah sebuah teknik yang terinspirasi dari cara mamalia —
manusia, menghasilkan persepsi visual seperti contoh diatas.
Secara garis besar Convolutional Neural Network (CNN) tidak jauh beda dengan
neural network biasanya. CNN terdiri dari neuron yang memiliki weight, bias dan
activation function. Convolutional layer juga terdiri dari neuron yang tersusun
sedemikian rupa sehingga membentuk sebuah filter dengan panjang dan tinggi
(pixels).
Bagaimana CNN bekerja?
Secara garis besarnya, CNN memanfaatkan proses konvolusi dengan menggerakan
sebuah kernel konvolusi (filter) berukuran tertentu ke sebuah gambar, komputer
mendapatkan informasi representatif baru dari hasil perkalian bagian gambar
tersebut dengan filter yang digunakan.

Ilustrasi pergeseran kernel pada sebuah gambar.

Langkah 1 : Memecah gambar menjadi gambar yang lebih kecil yang tumpang tindih
Dari gambar seorang anak kecil yang menaiki kuda mainan diatas, hasil dari proses
konvolusi dapat diilustrasikan sebagai berikut ini:

Dengan ini, gambar asli dari seorang anak kecil diatas menjadi 77 gambar yang lebih
kecil dengan konvolusi yang sama.
Langkah 2 : Memasukkan setiap gambar yang lebih kecil ke small neural network
Setiap gambar kecil dari hasil konvolusi tersebut kemudian dijadikan input untuk
menghasilkan sebuah representasi fitur. Hal ini memberikan CNN kemampuan
mengenali sebuah objek, dimanapun posisi objek tersebut muncul pada sebuah
gambar.

Diulang sebanyak 77 kali pada masing-masing gambar kecilnya. Proses ini

dilakukan untuk semua bagian dari masing-masing gambar kecilnya, dengan
menggunakan filter yang sama. Dengan kata lain, setiap bagian gambar akan
memiliki faktor pengali yang sama, atau dalam konteks neural network disebut
sebagai weights sharing. Jika ada sesuatu yang tampak menarik di setiap
gambarnya, maka akan ditandai bagian itu sebagai object of interest.
Langkah 3 : Menyimpan hasil dari masing-masing gambar kecil ke dalam array baru
Maka akan terlihat seperti ini:

Langkah 4 : Downsampling
Pada langkah 3, array masih terlalu besar, maka untuk mengecilkan ukuran array nya
digunakan downsampling yang penggunaannya dinamakan max pooling atau
mengambil nilai pixel terbesar di setiap pooling kernel. Dengan begitu, sekalipun
mengurangi jumlah parameter, informasi terpenting dari bagian tersebut tetap
diambil.

Ilustrasi Max Pooling.

Langkah 5 : Membuat prediksi
Sejauh ini, kita telah merubah dari gambar yang berukuran besar menjadi array yang
cukup kecil. Nah, array merupakan sekelompok angka, jadi dengan menggunakan
array kecil itu kita bisa inputkan ke dalam jaringan saraf lain. Jaringan saraf yang
paling terakhir akan memutuskan apakah gambarnya cocok atau tidak. Untuk
memberikan perbedaan dari langkah konvolusi, maka bisa kita sebut dengan “fully
connected” network.
Secara garis besarnya, langkah-langkah diatas tampak seperti gambar berikut ini :

Cara kerja CNN

Arsitektur dari CNN dibagi menjadi 2 bagian besar, Feature Extraction
Layer dan Fully-Connected Layer (MLP).

Ilustrasi Arsitektur CNN

Feature Extraction Layer
Proses yang terjadi pada bagian ini adalah melakukan “encoding” dari
sebuah image menjadi features yang berupa angka-angka yang merepresentasikan
image tersebut (Feature Extraction). Feature extraction layer terdiri dari dua bagian
yaitu Convolutional Layer dan Pooling Layer. Namun kadang ada beberapa
riset/paper yang tidak menggunakan pooling.
Convolutional Layer (Conv. Layer)

Gambar Image RGB

Gambar tersebut menunjukkan RGB (Red, Green, Blue) gambar berukuran 32x32
pixel yang sebenarnya adalah multidimensional array dengan ukuran 32x32 pixel (3
adalah jumlah channel). Convolutional layer terdiri dari neuron yang tersusun
sedemikian rupa sehingga membentuk sebuah filter dengan panjang dan tinggi
(pixel). Sebagai contoh , layer pertama pada feature extraction layer adalah conv.
layer dengan ukuran 5x5x3. Panjang 5 pixel, tinggi 5 pixel, dan tebal/jumlah 3 buah
sesuai dengan channel dari gambar tersebut.
Ketiga filter ini akan digeser keseluruhan bagian dari gambar. Setiap pergeseran
akan dilakukan operasi “dot” antara input dan nilai dari filter tersebut sehinga
menghasilkan sebuah output atau biasa disebut sebagai actvation map atau feature
map. Proses dari feature map seperti pada gambar berikut.
 Ilustrasi proses konvolusi dengan dua filter (W0 dan W1).

Stride
Stride adalah parameter yang menentukan berapa jumlah pergeseran filter. Jika nilai
stride adalah 1, maka conv. filter akan bergeser sebanyak 1 pixel secara horizontal
lalu vertical. Pada ilustrasi diatas, stride yang digunakan adalah 2. Semakin kecil
stride maka akan semakin detail informasi yang kita dapatkan dari sebuah input,
namun membutuhkan komputasi yang lebih jika dibandingkan dengan stride yang
besar. Namun perlu diperhatikan bahwa dengan menggunakan stride yang kecil kita
tidak selalu akan mendapatkan performa yang bagus.
Padding
Padding atau zero padding adalah parameter menentukan jumlah pixel (berisi nilai 0)
yang akan ditambhakan di setiap sisi dari input. Hal ini digunakan dengan tujuan
untuk memanipulasi dimensi output dari conv. layer (feature map).
Dengan menggunakan padding, kita akan dapat mengukur dimensi output agar tetap
sama seperti dimensi input atau setidaknya tidak berkurang secara drastis. Sehingga
kita bisa menggunakan conv. layer yang lebih dalam sehingga lebih banyak feature
yang berhasil di-extract. Meningkatkan performa model karena conv. layer akan
fokus pada informasi yang sebenarnya yaitu yang berada diantara zero padding
tersebut. Pada ilustrasi diatas, dimensi dari input sebenarnya adalah 5x5, jika
dilakukan convolution dengan filter 3x3 dan stride sebesar 2, maka akan didaptkan
feature map dengan ukuran 2x2. Namun jika ditambahkan zero padding sebanyak 1,
maka feature map yang dihasilkan berukuran 3x3 (lebih banyak informasi yang
dihasilkan). Untuk menghitung dimensi dari feature map kita bisa gunakan rumus
sebagai berikut.

Keterangan :
W = Panjang/Tinggi Input
N = Panjang/Tinggi Filter
P = Zero Padding
S = Stride

Fungsi Aktivasi
Fungsi aktivasi berada pada tahap sebelum melakukan pooling layer dan setelah
melakukan proses konvolusi. Pada tahap ini, nilai hasil konvolusi dikenakan fungsi
aktivasi atau activation function. Terdapat beberapa fungsi aktivasi yang sering
digunakan pada convolutional network, di antaranya
tanh() atau reLU. Aktivasi reLU menjadi pilihan bagi beberapa peneliti karena
sifatnya yang lebih berfungsi dengan baik.
Fungsi yang digunakan untuk aktivasi pada reLU, fungsi reLU adalah
nilai output dari neuron bisa dinyatakan sebagai 0 jika inputnya adalah negatif. Jika
nilai input dari fungsi aktivasi adalah positif, maka output dari neuron adalah
nilai input aktivasi itu sendiri.

Pooling Layer
Polling layer biasanya berada setelah conv. layer. Pada prinsipnya pooling layer
terdiri dari sebuah filter dengan ukuran dan stride tertentu yang bergeser pada
seluruh area feature map. Pooling yang biasa digunakan adalah Max Pooling dan
Average Pooling. Tujuan dari penggunaan pooling layer adalah mengurangi dimensi
dari feature map (downsampling), sehingga mempercepat komputasi karena
parameter yang harus di update semakin sedikit dan mengatasi overfitting.
Hal terpenting dalam pembuatan model CNN adalah dengan memilih banyak jenis
lapisan pooling. Hal ini dapat menguntungkan kinerja model (Lee, Gallagher, & Tu,
2015). Lapisan pooling bekerja di setiap tumpukan feature map dan mengurangi
ukurannya. Bentuk lapisan pooling yang paling umum adalah dengan menggunakan
filter berukuran 2x2 yang diaplikasikan dengan langkah sebanyak 2 dan kemudian
beroperasi pada setiap irisan dari input. Bentuk seperti ini akan mengurangi feature
map hingga 75% dari ukuran aslinya. Berikut gambar contoh operasi Max Pooling.

Contoh Max Pooling

Lapisan pooling akan beroperasi pada setiap irisan kedalaman volume input secara
bergantian. Pada gambar di atas, lapisan pooling menggunakan salah satu operasi
maksimal yang merupakan operasi yang paling umum. Gambar 3.4. menunjukkan
operasi dengan langkah 2 dan ukuran filter 2x2. Dari ukuran input 4x4, pada masing-
masing 4 angka pada input operasi mengambil nilai maksimalnya dan membuat
ukuran output baru menjadi 2x2.

Ilustrasi Proses pada Lapisan Konvolusi

Lapisan konvolusi yang diaplikasikan untuk mendapatkan feature map. Contoh
proses konvolusi dengan input berupa citra satu channel digambarkan seperti pada
gambar berikut. Pada gambar tersebut, sebuah citra berukuran 10x10 piksel
direpresentasikan sebagai matriks. Matriks awal diproses dengan dua layer konvolusi
untuk mendapatkan feature map. Pada layer konvolusi pertama, filter yang digunakan
berukuran 3x3 dengan bobot yang telah ditentukan. Hasil dari konvolusi pertama
berupa matriks dengan ukuran 9x9.
Setelah melalui proses konvolusi, fungsi aktivasi dikenakan pada hasil konvolusi.
Fungsi aktivasi yang digunakan adalah reLu. Output dari fungsi reLu kemudian
dikenakan pooling dengan filter berukuran 2x2 dan stride sebesar dua. Sebelum
melakukan pooling, dapat digunakan zero padding sehingga matriks hasil pooling
berukuran 5x5. Matriks ini kemudian melalui tahap konvolusi kedua dengan ukuran
filter sama seperti sebelumnya, tetapi dengan bobot yang berbeda. Dalam hal ini,
ukuran tidak harus sama dengan konvolusi tahap pertama dan merupakan parameter
yang bisa dioptimalkan. Sementara bobot matriks merupakan nilai yang dicari melalui
proses pembejalaran.
Output dari proses konvolusi tahap kedua dikenakan dengan fungsi aktivasi yang
sama, yaitu reLu. Pooling yang dikenakan berukuran 2x2 dengan stride satu,
sehingga menghasilkan matriks dengan ukuran 4x4. Proses konvolusi bisa
dilanjutkan sesuai dengan matriks akhir yang diinginkan. Dalam hal ini, jika konvolusi
dihentikan sampai tahap kedua, maka matriks berukuran 4x4 tersebut menjadi input
bagi neural network. Jika filter yang digunakan sejumlah n, maka input bagi neural
network adalah nx4x4 nodes. Pada praktiknya, penggunaan fungsi aktivasi dan
pooling bisa dibalik urutannya tanpa mengubah hasil dari konvolusi. Pembalikan
ukuran ini bertujuan untuk mengurangi proses yang digunakan sehingga menjadi
lebih cepat.
 Ilustrasi Proses Konvolusi

Fully-Connected Layer (MLP)

Feature map yang dihasilkan dari feature extraction masih berbentuk
multidimensional array, sehingga harus melakukan “flatten” atau reshape feature map
mejadi sebuah vector agar bisa digunakan sebagai input dari fully-connected layer.
Lapisan Fully-connected adalah lapisan dimana semua neuron aktivitas dari lapisan
sebelumnya terhubung semua dengan neuron di lapisan selanjutnya seperti hal nya
jaringan syaraf tiruan bisa. Setiap aktivitas dari lapisan sebelumnya perlu diubah
menjadi data satu dimensi sebelum dapat dihubungkan ke semua neuron di lapisan
Fully-Connected.
Lapisan Fully-Connected biasanya digunakan pada metode Multi lapisan Perceptron
dan bertujuan untuk mengolah data sehingga bisa diklasifikasikan. Perbedaan anatar
lapisan Fully-Connected dan lapisan konvolusi biasa dalah neuron di lapisan
konvolusi terhubung hanya ke daerah tertentu pada input. Sementara lapisan Fully-
Connected memiliki neuron yang secara keseluruhan terhubung. Namun, kedua
lapisan tersebut masih mengoprasikan produk dot, sehinga fungsinya tidak begitu
berbeda.

Dropout Regularization
Dropout adalah teknik regularisasi jaringan syaraf dimana beberapa neuron akan
dipilih secara acak dan tidak dipakai selama pelatihan. Neuron-neuron ini dapat
dibilang dibuang secara acak. Hal ini berarti bahwa kontribusi neuron yang dibuang
akan diberhentikan sementara jaringan dan bobot baru juga tidak diterapkan pada
neuron pada saat melakukan backpropagation.
Dropout merupakan proses mencegah terjadinya overfitting dan juga mempercepat
proses learning. Dropout mengacu kepada menghilangkan neuron yang berupa
hidden mapun layer yang visible di dalam jaringan. Dengan menghilangkan suatu
neuron, berarti menghilangkannya sementara dari jaringan yang ada. Neuron yang
akan dihilangkan akan dipilih secara acak. Setiap neuron akan diberikan probabilitas
yang bernilai antara 0 dan 1.

Contoh Implementasi Dropout Regularization. Image by Tiara Shafira

Pada gambar diatas jaringan syaraf (a) merupakan jaringan syaraf biasa dengan 2
lapisan tersembunyi. Sedangkan pada bagian (b) jaringan syaraf sudah diaplikasikan
teknik regularisasi dropout dimana ada beberapa neuron aktivasi yang tidak dipakai
lagi. Teknik ini sangat mudah diimplementasikan pada model CNN dan akan
berdampak pada performa model dalam melatih serta mengurangi overfitting.
Pembelajaran Backpropagation
Salah satu sifat neural network yang menyerupai dengan otak manusia adalah
bahwa neural network membutuhkan proses pembelajaran. Pembelajaran dilakukan
untuk menentukan nilai bobot yang tepat untuk masing-masing input. Bobot
bertambah jika informasi yang diberikan oleh neuron yang bersangkutan
tersampaikan. Sebaliknya jika informasi tidak disampaikan maka nilai bobot berubah
secara dinamis sehingga dicapai suatu nilai yang seimbang. Apabila nilai ini telah
mampu mengindikasikan hubungan yang diharapkan antara input dan output, proses
pembelajaran bisa dihentikan.
Backpropagation merupakan algoritma pembelajaran yang terawasi dan biasanya
digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobotbobot yang
terhubung dengan neuron-neuron yang ada pada lapisan tersembunyi. Algoritma ini
menggunakan error output untuk mengubah nilai bobot-bobotnya dalam arah mundur
(backward). Untuk mendapatkan error ini, tahap perambatan maju (forward
propagation) harus dikerjakan terlebih dahulu. Pada saat perambatan maju, neuron-
neuron diaktifkan dengan menggunakan fungsi aktivasi yang dapat diturunkan,
seperti fungsi sigmoid.
Arsitektur jaringan backpropagation seperti ditunjukkan pada dibawah ini. Gambar
tersebut menunjukkan neural network yang terdiri dari tiga unit neuron pada lapisan
input(x1, x2, dan x3), dua neuron pada lapisan tersembunyi(Z1 dan Z2), dan 1 unit
neuron pada lapisan output (Y). Bobot yang menghubungkan x1, x2, dan x3 dengan
neuron pertama pada lapisan tersembunyi adalah V11, V21, dan V31 . b11 dan b12
adalah bobot bias yang menuju neuron pertama dan kedua pada lapisan
tersembunyi. Bobot yang mengubungkan Z1 dan Z2 dengan neuron pada lapisan
output adalah w1 dan w2. Bobot bias b2 menghubungkan lapisan tersembunyi
dengan lapisan output.
Ilustrasi Jaringan Backpropagation
Confusion Matrix
Salah satu metode untuk mengukur performa dari suatu model klasifikasi adalah
dengan mencari nilai precision, recall, serta nilai akurasi dari suatu model. Beberapa
istilah yang umum dipakai dalam pengukuran kinerja model klasifikasi adalah positive
tupple dan negative tupple. Positive tupple adalah tupple yang menjadi fokus
pembahasan. Sedangkan negative tupple adalah tupple selain yang sedang menjadi
fokus pembahasan.
Beberapa istilah lain yang merupakan dasar dalam pencarian nilai precision, recall,
dan akurasi nilai true positive (TP), true-negative (TN), false positive (FP), dan false
negative (FN). Istilah-istilah tersebut biasa dirangkum sebagai suatu matriks yang
disebut confusion matrix sebagaimana ditunjukkan pada berikut.

Confusion Matrix
Pada gambar tersebut ditunjukkan, nilai true positive didefinisikan sebagai positive
tupple yang diklasifikasikan dengan benar oleh model. True negative adalah negative
tupple yang diklasifikasikan dengan benar oleh model. Sementara itu, false positive
adalah negative tupple yang diklasifikasikan sebagai kelas positif oleh model. False
negative adalah positive tupple yang diklasifikasikan sebagai kelas negatif oleh
model klasifikasi. Berdasar confusion matrix pada gambar tersebut, kinerja model
klasifikasi dapat dihitung.

Akurasi
Akurasi didefinisikan sebagai persentase dari data uji yang diklasifikasikan ke kelas
yang benar. Akurasi dapat dinyatakan dalam persamaan berikut.