Apa Itu Recall dan Mengapa Penting
Recall atau sensitivitas adalah ukuran yang digunakan untuk menilai seberapa baik suatu model atau sistem dapat mengidentifikasi semua kasus positif yang relevan dari total kasus positif yang seharusnya ditemukan. Dalam machine learning, recall didefinisikan sebagai rasio antara jumlah true positif (TP) terhadap jumlah total kasus aktual yang positif (TP + FN), di mana FN adalah false negative. Semakin tinggi recall, artinya model berhasil menangkap mayoritas instance positif. Sebaliknya, recall rendah menunjukkan adanya banyak false negative, artinya model gagal menemukan sejumlah data positif yang signifikan. Pentingnya recall tergantung pada konteks, misalnya dalam diagnosis medis atau deteksi penipuan, diapa prioritasnya adalah menangkap sebanyak mungkin kasus relevan.
Definisi Teknis dan Formula dasar
Dalam konteks ilmu data dan pembelajaran mesin, recall didefinisikan sebagai kemampuan model untuk menemukan semua sampel positik yang relevan dari kumpulan data. Formula dasarnya adalah: Recall = TP / (TP + FN). Nilai ini berkisar antara 0 hingga 1, atau 0% hingga 100% jika dinyatakan persen. Dalam konteks pencarian informasi, recall mengukur sejauhapa baik sistem pengembalian dokumen mampu mengembalikan semua dokumen relevan dari koleksi terhadap kueri tertentu. Semakin besar recall di mesin pencari, semakin banyak dokumen relevan yang berhasil diambil oleh sistem dari indeks yang tersedia.
Jenis-Jenis Recall Berdasarkan Konteks
Meskipun konsep utamanya tetap sama, cara memahami dan menerapkan recall bisa berbeda tergantung pada domain aplikasi. Berikut ini beberapa jenis recall yang sering dibahas dalam literatur teknis dan praktik lapangan:
Recall untuk Klasifikasi Biner
Dalam klasifikasi biner, recall fokus pada seberapa baik model menangkap kelas positif tertentu. Contohnya, dalam mendeteksi spam email, recall tinggi berarti sebagian besar email spam berhasil diidentifikasi dan tidak masuk ke kotak masuk pengguna. Nilai recall dihitung dari confusion matrix yang mencakup true positive, false positive, true negative, dan false negative.
Recall untuk Klasifikasi Multikelas
Pada masalah dengan lebih dari dua kelas, recall dapat dihitung untuk setiap kelas secara individual maupun dalam agregasi seperti macro-averaged atau weighted-averaged. Pendekatan ini membantu memahami performa model pada kelas yang kurang representasi atau kelas yang lebih sulit diprediksi. Misalnya, dalam klasifikasi citra hewan, recall untuk kelas langka mungkin lebih rendah dibandingkan kelas yang umum.
Recall dalam Pencarian Informasi (Information Retrieval)
Dalam konteks ini, recall mengukur proporsi dari total dokumen relevan yang berhasil diambil oleh sistem pencarian dari seluruh koleksi dokumen. Misalnya, jika ada 200 dokumen relevan untuk suatu kueri dan sistem mengembalikan 150 di antaranya, recall adalah 150/200 atau 0.75. Recall sering digunakan bersama precision untuk memahami trade-off antara komprehensivitas hasil dan akurasi peringkat.
Recall dalam Deteksi Anomali
Dalam skenario deteksi penipuan atau pemeliharaan prediktif, recall sangat krusial untuk menangkap sebanyak mungkin insiden yang mencurigakan atau potensial berbahaya. Recall tinggi di sini berarti sistem dapat mengidentifikasi mayoritas anomali yang ada, meskipun ini mungkin dengan biaya tambahan false positive yang lebih banyak.