Kalkulator Matriks Kebingungan
Hitung Akurasi, Presisi, Recall, F1, Spesifisitas, NPV, FPR, FNR dan Matthews Correlation Coefficient dari jumlah TP/TN/FP/FN pengklasifikasi biner, dengan rumus dan peringkat kualitas ditampilkan untuk setiap metrik.
Input
Kasus yang diprediksi positif dengan benar.
Positif aktual yang terlewatkan model (diprediksi negatif).
Negatif aktual yang model tandai sebagai positif.
Kasus yang diprediksi negatif dengan benar.
Output
Your results will appear here.
| Predicted Positive | Predicted Negative | |
|---|---|---|
| No data yet | ||
| Metric | Formula | Value | Rating |
|---|---|---|---|
| No data yet | |||
Cara lain menggunakan alat ini
REST API
curl -X POST https://api.iotools.cloud/v1/tool/confusion-matrix-calculator \
-H "Authorization: Bearer YOUR_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"truePositive": "50",
"falseNegative": "10",
"falsePositive": "5",
"trueNegative": "100"
}'Ganti dengan kunci Anda sendiri dari akun Anda. Bidang alat menjadi isi permintaan — tanpa pembungkus.
Tanyakan ke agen AI
Use the IOTools `confusion-matrix-calculator` tool (Confusion Matrix Calculator) on this input:
YOUR_INPUT_HERETempelkan ini ke agen mana pun yang terhubung ke server MCP IOTools, lalu tambahkan input Anda.
Widget sematan
<iframe
src="https://iotools.cloud/embed/confusion-matrix-calculator/"
width="100%" height="520" frameborder="0" scrolling="no" loading="lazy"
title="Kalkulator Matriks Kebingungan — iotools.cloud"
sandbox="allow-scripts allow-forms allow-same-origin allow-downloads allow-popups allow-popups-to-escape-sandbox"
allow="clipboard-write"
style="width:100%;border:1px solid #e5e7eb;border-radius:12px;overflow:hidden"></iframe>
<script src="https://iotools.cloud/embed.js" async></script>Tempelkan ini di halaman Anda sendiri — gratis, tanpa kunci, cukup tautan balik.
| Biaya per panggilan API/MCP | Mulai dari 5 kredit |
|---|---|
| Butuh kredit lebih? | Lihat harga |
Juga tersedia melalui
Panduan
Apa yang dilakukan kalkulator ini?
Masukkan empat hitungan dari matriks kebingungan pengklasifikasi biner — Positif Benar, Negatif Salah, Positif Salah, dan Negatif Benar — dan dapatkan setiap metrik evaluasi standar dihitung secara instan: Akurasi, Presisi, Recall, Spesifisitas, Skor F1, Matthews Correlation Coefficient (MCC), Nilai Prediktif Negatif, Tingkat Positif Salah, Tingkat Negatif Salah, dan estimasi Akurasi Seimbang. Setiap metrik menampilkan rumusnya dan peringkat kualitas (Luar Biasa / Baik / Cukup / Buruk), sehingga Anda tidak perlu mengingat rumus mana yang mana atau menjabarkannya dengan tangan.
Cara menggunakannya
- Masukkan Positif Benar (TP) — kasus yang diprediksi positif dengan benar.
- Masukkan Negatif Salah (FN) — positif aktual yang model terlewatkan.
- Masukkan Positif Salah (FP) — negatif aktual yang model tandai sebagai positif.
- Masukkan Negatif Benar (TN) — kasus yang diprediksi negatif dengan benar.
- Baca hasilnya: pengukur kualitas keseluruhan, matriks yang ditampilkan sebagai tabel, dan setiap metrik dengan rumus dan peringkatnya.
Mengapa menggunakan MCC daripada hanya Akurasi?
Akurasi dapat menyesatkan pada kumpulan data yang tidak seimbang — pengklasifikasi yang selalu memprediksi "negatif" pada kumpulan data yang 99% negatif mencapai akurasi 99% sambil menangkap nol positif. Matthews Correlation Coefficient menggunakan keempat hitungan matriks kebingungan dalam satu ukuran seimbang, berkisar dari -1 (ketidaksepakatan total) hingga +1 (prediksi sempurna), dengan 0 berarti tidak lebih baik dari menebak acak — itulah sebabnya dianggap sebagai angka tunggal yang lebih andal untuk kelas yang tidak seimbang.
Apa perbedaan antara Presisi dan Recall?
Presisi menjawab "dari semua yang saya prediksi positif, berapa banyak yang sebenarnya positif?" (TP / (TP+FP)) — ia menghukum alarm palsu. Recall (Sensitivitas) menjawab "dari semua yang sebenarnya positif, berapa banyak yang saya tangkap?" (TP / (TP+FN)) — ia menghukum kelewatan. Keduanya saling tukar, itulah mengapa Skor F1 (rata-rata harmonik mereka) sering dilaporkan sebagai titik keseimbangan tunggal antara keduanya.
Apakah "estimasi AUC" adalah AUC asli?
Tidak sebenarnya — AUC ROC asli memerlukan skor pengklasifikasi di banyak ambang keputusan, yang satu matriks kebingungan (satu ambang) tidak dapat memberikan. "Estimasi AUC" yang ditampilkan di sini adalah Akurasi Seimbang — rata-rata Recall dan Spesifisitas — aproksimasi ambang tunggal umum, bukan pengganti untuk menghitung kurva ROC asli jika Anda memiliki skor per-sampel.
Privasi
Semua perhitungan berjalan secara lokal di browser Anda — hitungan Anda tidak pernah dikirim ke server.
Untuk mengevaluasi apakah perbedaan antara dua laju signifikan secara statistik (misalnya membandingkan tingkat konversi atau kesalahan dua model), lihat Kalkulator Signifikansi Uji A/B. Untuk merencanakan berapa banyak data yang Anda perlukan untuk mendeteksi ukuran efek tertentu sebelum mengumpulkannya, lihat Kalkulator Ukuran Sampel Uji A/B.