32
Kasus
(c)
lebih
edukatif
:
jika
sistem
dengan
salah
mengatakan bahwa
orang
yang
memiliki
penyakit
D,
kemudian
kesalahan
ini
disebut
false
alarm
atau
false
positive;
dimana
jika
sistem
dengan
salah
mengatakan bahwa
orang
tersebut
tidak
memiliki
penyakit
D,
kemudian
kesalahan
ini
disebut
false
dismissal
atau
false
negative
Dalam
kasus
false
positive,
mungkin berarti bahwa orang
tersebut akan
menjalani lebih banyak
test,
atau
mengambil obat
yang tidak diperlukan.
Dalam kasus false
negative,
diagnosa
terlewatkan dan
orang
tersebut
tidak
dapat
dirawat,
mungkin
dapat
menyebabkan
kematian. Karena akibat kesalahan yang sangat
hebat, adalah
masuk akal
untuk
membuat prasangka keputusan tersebut dalam
usaha
untuk
meminimalkan false negative
sebagai
akibat
dari
peningkatan sejumlah
false
positive.
Kasus
(b)
dapat
berarti
membuang-
buang
energi
dengan
menyalakan lampu
ketika
benar-
benar
tidak
ada
gerakan
dalam
layar
atau
menghitung
mobil
di
jalan
raya
ketika
ada
satu
yang
tidak
lewat;
false
negative
dalam
kasus
(b)
juga
memiliki
konsekuensi
yang
penting.
(Referensi :
Shapiro,
Linda
G.,
and
Stockman, George
C.,
(2001),Computer
Vision,
Prentice-Hall, Inc, New Jersey, hal 96-97).
2.10 Precision Versus Recall
Dalam
aplikasi
pengambilan dokumen
atau
pengambilan
citra,
objektif
mengambil
objek
penting
class
C1 dan
tidak
terlalu
banyak
objek
yang
tidak
penting
class
C2 menurut
fitur
yang
disediakan
dalam
citra
query. Sebagai
contoh,
pengguna
mungkin tertarik dalam pengambilan citra matahari
terbenam, atau mungkin kuda- kuda.
Pertunjukkan seperti sebuah sistem dikarakteristikan oleh precision dan recall.
 |