17
Bayesian
classifier
memprediksikan
bahwa
tuple
X
kepunyaan
kelas
Ci
jika
dan
hanya jika
P(Ci|X) > P(Cj|X) for 1 = j = m; j ? i
Maka,
kita
memaksimalkan
P(Ci|X).
Kelas
Ci untuk
masing-masing
P(Ci|X)
dimaksimisasi
disebut sebagai hipotesis
posteriori
maksimum
(maximum
posteriori hypothesis)
(Lang,
2002).
Dengan
klasifikasi biner
(dua
kelas,
misalnya
positif
(p)
dan
negatif
(n)),
ada
empat
hasil
yang
mungkin.
Jika
hasil
dari
pengklasifikasi
adalah
p
dan
nilai
yang
sebenarnya
juga
p,
ini
disebut
positif
benar/
true
positive
(TP).
Namun,
jika
nilai
aktual
adalah
n,
ini
disebut
positif
palsu/
false
negative
(FP).
Ketika
nilai
prediksi adalah
n
dan
nilai
yang
sebenarnya
juga
n, ini
disebut
negatif
benar/
true
negative
(TN).
Jika
nilai
yang
sebenarnya adalah p, ini disebut
negatif
palsu/ false negative
(FN). Sebagai
contoh, dalam penelitian
ini, hal ini berarti:
•
Positif
benar/
True positive
(TP):
Sebuah
kasus
kanker
diklasifikasikan
sebagai kanker
•
Positif salah/ False positive (FP): Sebuah kasus bukan kanker diklasifikasikan
sebagai kanker
•
Negatif
benar/
True
negative
(TN):
Sebuah
kasus
bukan
kanker
diklasifikasikan
sebagai bukan kanker
•
Negatif salah/ False negative (FN): Sebuah kasus kanker diklasifikasikan
sebagai bukan kanker.
Dengan
beberapa
kasus
pengklasifikasi,
kita
dapat
menghitung
sensitivitas
dan spesifisitas
sebuah
pengklasifikasi.
Sensitivitas
adalah
jumlah
kasus
kanker
diklasifikasikan
dengan benar dibagi dengan
jumlah total kasus kanker.
 |