Pengaruh Proporsi Data Latihan Mayoritas terhadap Keadilan Machine Learning

Machine Learning adalah bidang studi yang berfokus pada algoritma komputer yang mampu beradaptasi dan meningkatkan diri secara otomatis melalui pelatihan berulang dengan dataset pelatihan yang diberikan. Pada umumnya algoritma tersebut dianggap netral, adil, dan tidak memihak, serta merupakan sistem yang lebih objektif dan absolut dalam membuat keputusan otomatis. Tetapi, ketika algoritma tersebut memiliki bias terhadap suatu kelas tertentu, maka algoritma tersebut sudah tidak tergolong sebagai algoritma yang adil. Dalam studi ini, penulis melakukan penelitian dan percobaan untuk mencari seberapa penting keadilan algoritma Machine Learning dan apabila proporsi dataset pelatihan dapat mempengaruhi keadilan sebuah algoritma Machine Learning. Percobaan tersebut dilakukan dengan melatih beberapa model algoritma dengan dataset pelatihan yang sudah dimodifikasi agar penulis dapat melihat korelasi dari proporsi data pelatihan dengan kinerja dari algoritma Machine Learning tersebut. Melalui penelitian ini penulis menemukan bahwa untuk mengurangi potensi adanya bias dan ketidakadilan dalam proses pelatihan model Machine Learning, pengembang model tersebut tidak harus mengurangi jumlah data mayoritas yang terdapat dalam dataset pelatihan. Penulis juga mendapatkan bahwa faktor yang mempengaruhi keadilan dari sebuah model merupakan perbedaan frekuensi ditemuinya data mayoritas dan minoritas selama pelatihan model