F1 Score adalah metrik evaluasi yang digunakan dalam klasifikasi untuk mengukur akurasi model dengan mempertimbangkan baik presisi maupun recall secara bersamaan. F1 Score adalah rata-rata harmonik dari presisi dan recall, memberikan bobot yang seimbang untuk keduanya.
Presisi (precision) adalah proporsi prediksi positif yang benar—dari semua item yang diprediksi sebagai positif, berapa banyak yang benar-benar positif. Recall (sensitivitas) adalah proporsi positif aktual yang berhasil ditemukan—dari semua item yang benar-benar positif, berapa banyak yang berhasil diprediksi dengan benar.
F1 Score sangat berguna dalam situasi di mana terdapat ketidakseimbangan kelas—misalnya, ketika satu kelas (seperti "spam") jauh lebih jarang daripada kelas lainnya. Dalam kasus seperti itu, akurasi keseluruhan bisa menyesatkan (misalnya, model yang selalu memprediksi "bukan spam" akan memiliki akurasi tinggi tetapi tidak berguna). F1 Score memberikan gambaran yang lebih baik tentang performa model pada kelas minoritas.
F1 Score berkisar dari 0 hingga 1, di mana 1 adalah sempurna (presisi dan recall sempurna) dan 0 adalah terburuk. F1 Score sering digunakan bersama dengan metrik lain seperti akurasi, presisi, recall, dan AUC-ROC untuk memberikan evaluasi yang komprehensif.
Aplikasi F1 Score meliputi: deteksi spam (menemukan spam tanpa terlalu banyak false positive), diagnosis medis (menemukan penyakit tanpa terlalu banyak false negative), pengenalan wajah, dan analisis sentimen. Memilih metrik yang tepat—apakah F1, presisi, atau recall—tergantung pada biaya relatif dari false positive vs false negative dalam aplikasi tertentu.