Recall Calculator

Kalkulator Recall Online untuk Menghitung Sensitivitas dan Kinerja Model Klasifikasi Secara Cepat dan Akurat.

Hitung nilai recall berdasarkan True Positive dan False Negative. Pelajari rumusnya, lihat hasil perhitungan secara langsung, dan pahami bagaimana recall digunakan untuk mengevaluasi kemampuan model dalam menemukan kasus positif.

Mulai Menghitung Lihat Rumus

Data Perhitungan

Terjadi kesalahan.

Silakan isi nilai True Positive (TP) dan False Negative (FN), lalu tekan "Hitung Recall" untuk melihat hasil.

Hasil Recall

0%
Tingkat Recall

Langkah Perhitungan

  • TP = 0
  • FN = 0
  • Positif Aktual = 0 + 0 = 0
  • Recall = TP / (TP + FN)
  • Recall = 0 / 0
  • Recall = 0
  • Recall (%) = 0%
Model berhasil mengidentifikasi X% dari seluruh kasus positif aktual.

What Is Recall?

Recall (juga dikenal sebagai Sensitivity atau True Positive Rate) adalah metrik evaluasi klasifikasi yang mengukur seberapa baik sebuah model dalam mengidentifikasi atau menemukan kasus positif aktual dari keseluruhan dataset.

Singkatnya, recall menjawab pertanyaan: "Dari semua kasus yang sebenarnya positif, berapa persen yang berhasil ditebak dengan benar oleh model?"

Rumus Recall

Recall dihitung dengan membagi jumlah True Positive (TP) dengan jumlah total kasus positif aktual, yaitu gabungan antara True Positive dan False Negative (FN).

Recall = TP / (TP + FN)

Recall (%) = TP / (TP + FN) × 100%
  • TP (True Positive): Kasus positif aktual yang berhasil diprediksi sebagai positif oleh model.
  • FN (False Negative): Kasus positif aktual yang salah diprediksi sebagai negatif oleh model.
  • TP + FN: Jumlah keseluruhan kasus positif yang ada dalam data (Kondisi Aktual).

Contoh Perhitungan Recall

Misalkan kita memiliki model pendeteksi penyakit. Terdapat 100 pasien yang benar-benar sakit. Model mendeteksi 90 pasien dengan benar, tetapi gagal mendeteksi 10 pasien lainnya.

  • TP = 90 (terdeteksi sakit)
  • FN = 10 (gagal terdeteksi)
Recall = 90 / (90 + 10) × 100%
Recall = 90 / 100 × 100%
Recall = 90%

Hasil 90% berarti model berhasil mengidentifikasi 90% dari seluruh kasus pasien yang benar-benar sakit.

Perbedaan Recall dan Precision

Meskipun sama-sesama mengukur kinerja model, recall dan precision memiliki fokus yang berbeda:

  • Recall: Berfokus pada kuantitas penemuan kasus positif. Metrik ini meminimalisir False Negative (jangan sampai ada kasus positif yang terlewat).
  • Precision: Berfokus pada kualitas prediksi positif. Metrik ini meminimalisir False Positive (seberapa akurat tebakan positif dari model). Jangan menggunakan rumus presisi jika Anda ingin mencari nilai sensitivitas.

Kegunaan Recall

Recall sangat penting digunakan ketika konsekuensi dari mengabaikan kasus positif (False Negative) berisiko tinggi. Contoh penggunaannya meliputi:

  • Sistem Medis: Mendeteksi penyakit mematikan (seperti kanker). Lebih baik salah mendiagnosis orang sehat (False Positive) daripada melewatkan pasien yang benar-benar sakit (False Negative).
  • Deteksi Penipuan (Fraud): Bank ingin mendeteksi sebanyak mungkin transaksi mencurigakan, meskipun beberapa transaksi normal tertahan.
  • Penyaringan Keamanan: Mendeteksi ancaman keamanan bandara, di mana tidak boleh ada barang berbahaya yang lolos.
  • Information Retrieval: Pada mesin pencari untuk memastikan tidak ada dokumen relevan yang terlewat.

Pertanyaan Umum (FAQ)

Apa itu Recall Calculator?
Recall Calculator adalah alat ukur online yang digunakan untuk menghitung persentase recall atau sensitivitas suatu model klasifikasi secara instan dengan memasukkan nilai True Positive dan False Negative.
Bagaimana cara menghitung recall?
Cara menghitungnya adalah dengan membagi jumlah True Positive (prediksi benar) dengan total kasus positif (True Positive + False Negative), lalu mengalikannya dengan 100 untuk mendapatkan persentase.
Apa perbedaan recall dan precision?
Recall berfokus pada seberapa banyak kasus positif aktual yang berhasil ditemukan. Sedangkan precision berfokus pada seberapa banyak prediksi positif yang benar-benar positif. Keduanya memiliki fungsi evaluasi yang berbeda.
Apa arti nilai recall 100%?
Nilai recall 100% berarti model Anda sangat sempurna dalam mendeteksi semua kasus positif tanpa ada satupun yang terlewat (False Negative = 0).
Mengapa recall tidak dapat dihitung jika TP dan FN sama dengan nol?
Jika TP dan FN bernilai 0, maka penyebut dalam rumus (TP + FN) akan menjadi 0. Dalam matematika, pembagian dengan nol tidak terdefinisi (undefined). Ini berarti dalam data pengujian Anda tidak terdapat satupun kasus positif aktual.
Kapan recall lebih penting daripada precision?
Recall lebih penting ketika biaya atau risiko dari False Negative (melewatkan sesuatu yang penting) jauh lebih tinggi daripada risiko False Positive (salah deteksi). Contoh utamanya adalah pendeteksian penyakit mematikan.
Lihat 50 Tag Terkait Recall Calculator
Recall Calculator Kalkulator Recall True Positive False Negative Sensitivity Calculator Machine Learning Evaluation Confusion Matrix Classification Metrics Metrik Evaluasi Recall vs Precision F1 Score Accuracy Sensitivitas Specificity Predictive Modeling Data Science Tools Information Retrieval Evaluasi Model AI Performance Deep Learning Threshold Recall Percentage TP and FN Positive Class Kalkulator Statistik Data Mining Pattern Recognition Recall Machine Learning Classification Threshold Error Type II Type 2 Error False Alarm Rate Recall Formula Rumus Recall Menghitung Recall Klasifikasi Biner Binary Classification Multiclass Classification Imbalanced Data Fraud Detection Evaluation Medical Diagnosis AI Recall Score Evaluasi Algoritma Recall Metric Scikit-learn Recall Model Assessment Statistical Recall Hitung Sensitivitas Recall Analytics Data Evaluation Tool