Kurva KOP dan AUC
Kurva ROC memplot seberapa baik pengklasifikasi memisahkan dua kelas di setiap ambang batas keputusan yang mungkin, dan AUC memampatkan seluruh kurva tersebut menjadi satu angka.
Ikhtisar
Together they tell you ranking quality independent of where you draw the cutoff.
Menyelam Lebih Dalam
Kurva Karakteristik Operasi Penerima (ROC) memplot Tingkat Positif Sejati (sensitivitas, pada sumbu y) terhadap Tingkat Positif Palsu (1 dikurangi spesifisitas, pada sumbu x) saat Anda menggeser ambang klasifikasi dari 1 ke bawah ke 0. Setiap ambang batas memberikan satu poin; menghubungkan mereka menelusuri kurva. Model yang mengurutkan setiap hal positif di atas setiap negatif berada di pojok kiri atas. Area Di Bawah Kurva (AUC) mengukur total area di bawah garis ini, mulai dari 0,5 (tebakan acak, diagonal) hingga 1,0 (sempurna). Interpretasi praktis: AUC sama dengan probabilitas bahwa model mendapatkan nilai positif yang dipilih secara acak lebih tinggi daripada nilai negatif yang dipilih secara acak. Istilah ini berasal dari operator radar Perang Dunia II yang membedakan sinyal dari kebisingan.
Wawasan Teknis
AUC tidak bergantung pada ambang batas karena mengintegrasikan kinerja pada semua batas, sehingga tidak terpengaruh oleh batasan keputusan yang Anda tetapkan. Secara matematis setara dengan statistik Mann-Whitney U dan tes jumlah peringkat Wilcoxon, artinya tes ini hanya bergantung pada urutan peringkat skor yang diprediksi, bukan nilai absolutnya. Hal ini membuatnya stabil dalam transformasi skor monotonik tetapi juga tidak sensitif terhadap kalibrasi: model yang berperingkat baik tetapi dikalibrasi dengan buruk masih dapat memperoleh skor AUC yang tinggi.
Dampak Strategis
Clearer decisions
Ini membantu Anda memisahkan klaim teknis yang jelas dari bahasa pemasaran.
Cost and budget
Anda dapat mengajukan pertanyaan implementasi yang lebih baik sebelum mengeluarkan uang atau waktu.
Team and workflow
Tim dengan pemahaman bersama membuat keputusan produk, kebijakan, dan pembelajaran yang lebih baik.
Masa Depan Kurva ROC dan AUC
ROC-AUC tetap menjadi metrik pelaporan default, namun para praktisi semakin sering memasangkannya dengan kurva Precision-Recall untuk data yang sangat tidak seimbang, sehingga ROC terlihat terlihat optimis. Harapkan penerapan AUC parsial yang lebih luas (berfokus pada wilayah positif palsu rendah yang penting secara operasional), analisis kurva keputusan dan sensitif terhadap biaya, dan pelaporan AUC per subgrup untuk memunculkan kesenjangan keadilan. Saat model memberikan keputusan nyata, metrik kalibrasi dan AUC akan semakin banyak dilaporkan secara berdampingan, bukan hanya AUC saja.
Implementasi Dunia Nyata
Membandingkan dua model pendeteksi penipuan pada suatu bank berdasarkan AUC-nya untuk memilih model yang memberi peringkat terbaik pada transaksi penipuan di atas transaksi sah
Mengevaluasi tes diagnostik untuk suatu penyakit (misalnya, pengklasifikasi skrining kanker) di mana ahli radiologi harus mengorbankan alarm palsu untuk menangkap lebih banyak kasus
Menyesuaikan ambang batas filter spam menggunakan kurva ROC untuk menjaga positif palsu (email sah ditandai sebagai spam) tetap rendah
Membandingkan model penilaian gagal bayar kredit di mana AUC merangkum seberapa baik model tersebut membedakan peminjam yang membayar kembali dengan peminjam yang gagal bayar
Risiko & Pagar Pembatas
Tim yang berbeda mungkin menggunakan istilah yang sama secara berbeda, jadi tentukan cakupannya sejak dini.
Tolok ukur dapat terlihat kuat sementara kinerja di dunia nyata tidak merata.
Mengabaikan kualitas data dan rencana evaluasi sering kali menimbulkan hasil yang rapuh.
Peta Jalan Implementasi
Mulailah dengan definisi bahasa sederhana tentang hasil yang Anda butuhkan.
Pilih satu metrik keberhasilan dan satu kondisi kegagalan sebelum pengujian.
Jalankan uji coba kecil dengan data yang representatif, bukan kumpulan demo yang disempurnakan.
Dokumentasikan di mana Kurva ROC dan AUC membantu dan di mana metode yang lebih sederhana lebih baik.
Terus Menjelajah
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the ROC Curves and AUC quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Next guide
Pengorbanan Bias-Varians
Pertanyaan yang sering diajukan
What is ROC Curves and AUC?
Kurva ROC memplot seberapa baik pengklasifikasi memisahkan dua kelas di setiap ambang batas keputusan yang mungkin, dan AUC memampatkan seluruh kurva tersebut menjadi satu angka. Bersama-sama mereka memberi tahu Anda peringkat kualitas terlepas dari di mana Anda menentukan batasnya.
Dua besaran apa yang diplotkan oleh kurva ROC terhadap satu sama lain?
Kurva ROC memplot True Positive Rate (sensitivitas) pada sumbu y terhadap False Positive Rate (1 - spesifisitas) pada sumbu x melintasi ambang batas.
Nilai AUC apa yang sesuai dengan pengklasifikasi yang kinerjanya tidak lebih baik daripada tebakan acak?
Pengklasifikasi acak menelusuri garis diagonal, memberikan AUC 0,5. AUC 1,0 adalah sempurna, dan 0,0 berarti setiap peringkatnya terbalik.
Mengapa AUC digambarkan sebagai 'tidak bergantung pada ambang batas'?
AUC merangkum seluruh kurva ROC, yang dihasilkan dengan menyapu setiap ambang batas, sehingga tidak bergantung pada satu titik batas yang dipilih.
Untuk kumpulan data yang sangat tidak seimbang, kurva manakah yang sering direkomendasikan di samping atau sebagai pengganti ROC karena ROC terlihat terlalu optimis?
Pada masalah yang jarang positif, banyaknya jumlah negatif sebenarnya membuat Tingkat Positif Palsu tetap rendah, sehingga meningkatkan ROC. Kurva Precision-Recall berfokus pada kelas positif dan mengungkapkan kinerja dengan lebih jujur.