F1 Score adalah metrik evaluasi untuk model klasifikasi yang menghitung rata-rata harmonik antara Precision (Presisi) dan Recall (Sensitivitas). Berbeda dengan akurasi biasa, F1 Score memberikan gambaran yang lebih seimbang, terutama untuk dataset yang tidak seimbang (imbalanced dataset) di mana jumlah data positif dan negatif sangat timpang.
Factory Pattern adalah pola desain kreasi (creational design pattern) yang menyediakan antarmuka untuk membuat objek di superclass, namun memungkinkan subclass mengubah jenis objek yang akan dibuat. Ini menyembunyikan logika pembuatan objek yang kompleks dari klien.
Failover adalah mode operasional cadangan di mana fungsi sistem komponen sekunder (cadangan) mengambil alih ketika komponen sistem primer gagal atau dimatikan untuk pemeliharaan. Ini menjamin ketersediaan tinggi (High Availability).
False Negative (Negatif Palsu), atau Kesalahan Tipe II (Type II Error), terjadi ketika model gagal mendeteksi keberadaan kondisi positif yang sebenarnya ada. Model memprediksi "Negatif" padahal kenyataannya "Positif". Ini seringkali dianggap lebih berbahaya daripada False Positive dalam aplikasi kritis.
False Positive (Positif Palsu), sering disebut sebagai Kesalahan Tipe I (Type I Error), terjadi ketika model machine learning salah memprediksi kelas positif untuk data yang sebenarnya negatif. Ini adalah "alarm palsu".
Fault Tolerance (Toleransi Kesalahan) adalah kemampuan sistem untuk terus beroperasi dengan benar (mungkin pada tingkat kinerja yang berkurang) jika terjadi kegagalan pada satu atau lebih komponennya.
Feature Engineering adalah seni dan ilmu mengubah data mentah menjadi fitur-fitur (variabel input) yang lebih bermakna yang dapat meningkatkan kinerja algoritma machine learning. Ini dianggap sebagai langkah paling kreatif dan berdampak tinggi dalam siklus proyek Data Science, karena algoritma canggih sekalipun tidak bisa bekerja maksimal dengan data yang buruk.
Feature Extraction adalah proses transformasi data berdimensi tinggi menjadi dimensi yang lebih rendah, namun tetap mempertahankan informasi penting. Dalam Computer Vision, ini bisa berupa mendeteksi tepi, sudut, atau tekstur dari gambar mentah.
Feature Selection adalah proses otomatis atau manual untuk memilih subset fitur yang paling relevan untuk digunakan dalam pelatihan model. Tujuannya adalah mengurangi dimensi data, mempersingkat waktu pelatihan, dan mencegah overfitting dengan membuang variabel yang tidak relevan (noise) atau redundan.
Federated Learning adalah pendekatan machine learning terdesentralisasi di mana model dilatih di banyak perangkat lokal (seperti HP pengguna) tanpa perlu mengirimkan data pribadi pengguna ke server pusat. Hanya pembaruan model (gradien/bobot) yang dikirim ke cloud untuk digabungkan, menjaga privasi data mentah tetap di perangkat pengguna.