Kapan Data Dikatakan Imbalanced dalam Model Machine Learning?

2. Kesenjangan dalam proporsi antar kelas di suatu dataset

ilustrasi identifikasi email spam (freepik.com/rawpixel.com)

Sebuah penelitian yang dilakukan oleh Pratama et.al., tahun 2021 tentang Penanganan Imbalanced Data yang diterbitkan oleh Jurnal Eksplora Informatika menjelaskan bahwa ada satu tahap yang perlu dilakukan terlebih dahulu sebelum menuju ke tahap data mining. Tahap tersebut adalah pengecekan kondisi data apakah perlu penanganan atau tidak sehingga meminimalisasi terjadinya imbalanced class.

Salah satu penyebabnya adalah kesenjangan antar kelas menjadi tidak proporsional, di mana jumlah sampel dalam satu atau lebih kelas jauh lebih sedikit dibandingkan dengan kelas lainnya. Ketidakseimbangan ini dapat menyebabkan model machine learning bias terhadap kelas mayoritas dan kurang memperhatikan kelas minoritas. Akibatnya, performa model dalam memprediksi kelas minoritas menjadi kurang optimal, yang dapat mengarah pada keputusan atau hasil akhir yang tidak akurat atau tidak seimbang.

Misalnya dalam kasus deteksi email spam, jika dataset yang digunakan untuk melatih model memiliki jumlah email spam yang sangat sedikit dibandingkan dengan email non-spam, model cenderung lebih baik dalam memprediksi email yang murni tanpa spam daripada email yang merupakan spam. Dalam situasi seperti ini, model dapat mengabaikan pola-pola yang terkait dengan email spam karena jumlahnya sedikit dalam dataset. Akibatnya, ketika diterapkan pada data baru, model mungkin gagal secara signifikan dalam mengidentifikasi email spam. Dengan demikian, perilaku ini dapat meningkatkan risiko bagi pengguna untuk menerima pesan-pesan yang tidak diinginkan atau berbahaya di kotak masuk mereka.

3. Evaluasi metrik performansi model machine learning yang menyesatkan

ilustrasi data scientist mendeteksi penyakit langka dengan mempertimbangkan jumlah false positive (freepik.com/freepik)

Pada kasus dataset yang tidak seimbang, metrik akurasi yang tinggi bisa jadi keputusan yang menyesatkan karena model cenderung memprediksi kelas yang dominan dengan sangat baik namun gagal dalam mendeteksi kelas minoritas. Hal ini berarti bahwa meskipun model tampak performanya baik secara keseluruhan, sebenarnya ia mungkin tidak memberikan prediksi yang akurat untuk kasus-kasus yang lebih jarang atau kritis.

Contohnya, dalam konteks klasifikasi deteksi penyakit langka, seperti kanker langka atau penyakit genetik yang jarang terjadi. Jika data yang digunakan untuk melatih model memiliki ketidakseimbangan data yang signifikan antara pasien yang menderita penyakit langka dengan pasien yang tidak, maka hasil metrik akurasi bisa menyesatkan. Model yang didasarkan pada metrik tersebut mungkin cenderung memprediksi bahwa pasien tidak menderita penyakit karena kebanyakan sampel berasal dari kelas mayoritas (pasien sehat), sehingga meminimalkan jumlah false positive (pasien sehat diprediksi sehat) tetapi meningkatkan false negative (pasien sehat diprediksi menderita penyakit) untuk kasus penyakit langka tersebut. 

Maka dari itu, perlu kehati-hatian dalam mengevaluasi performa model, terutama ketika menghadapi kasus di mana kelas yang diamati tidak seimbang. Peningkatan false negative (pasien sehat diprediksi menderita penyakit) dapat memiliki konsekuensi serius, terutama dalam konteks kesehatan, di mana kesalahan dalam mendeteksi kondisi penyakit dapat berdampak pada kehidupan dan kesejahteraan pasien. Oleh karena itu, penting untuk menimbang baik-baik antara mengurangi false positive dan false negative, terutama dalam situasi di mana salah satu jenis kesalahan tersebut memiliki dampak yang lebih besar dari yang lain.

4. Ketimpangan dalam visualisasi data

ilustrasi visualisasi data yang mengindikasikan terjadinya ketidakseimbangan (imbalance) (freepik.com/master1305)

Inilah alasan mengapa visualisasi data sebegitu pentingnya di dunia data. Ketimpangan dalam visualisasi data dapat menjadi ciri suatu data terindikasi imbalance. Melalui visualisasi, kita dapat dengan cepat mengidentifikasi pola distribusi yang tidak merata antara kelas-kelas data. Grafik seperti histogram, pie chart, atau scatter plot dapat memberikan gambaran visual yang jelas tentang proporsi relatif dari setiap kelas dalam dataset.

Dengan melihat visualisasi data, baik data scientist maupun data analyst dapat lebih memahami struktur data dan mengambil langkah-langkah yang tepat untuk menangani ketidakseimbangan data tersebut, seperti menggunakan teknik oversampling, undersampling, atau pembobotan kelas. Dengan demikian, visualisasi data tidak hanya membantu dalam pemahaman data secara keseluruhan, tetapi juga menjadi alat yang berguna dalam mengidentifikasi masalah ketidakseimbangan yang mungkin mempengaruhi kinerja model machine learning.

5. Kesulitan dalam memprediksi kelas minoritas

ilustrasi fraud detection (freepik.com/freepik)

Indikasi terakhir ketika data terjadi imbalance dalam menyusun model machine learning adalah kesulitan dalam memprediksi kelas minoritas dengan akurat. Ketika model menghadapi kesulitan yang konsisten dalam mengidentifikasi atau memprediksi kelas yang kurang dominan, hal ini menandakan bahwa data memiliki ketidakseimbangan yang signifikan. Meskipun model mungkin menunjukkan kinerja yang baik dalam memprediksi kelas mayoritas, ketidakmampuan untuk mengenali pola atau karakteristik yang relevan dalam kelas minoritas menunjukkan bahwa data yang digunakan tidak merepresentasikan dengan baik distribusi sebenarnya dari set data.

Sebagai hasilnya, model dapat gagal dalam menghasilkan prediksi yang akurat dan andal untuk kasus-kasus yang penting tetapi jarang terjadi. Hal ini mempengaruhi kehandalan model dalam aplikasi praktis di mana deteksi yang tepat dari kelas minoritas sering kali sangat penting. Dengan mengidentifikasi indikasi ini, langkah-langkah khusus dapat diambil untuk menangani ketidakseimbangan data, memperbaiki kinerja model, dan meningkatkan hasil prediksi secara keseluruhan.

Sebagai seorang praktisi di dunia data science, mengenali data dikatakan imbalanced dalam model machine learning amatlah penting. Nantinya, kondisi tersebut sangatlah mempengaruhi hasil analisis dan performa model machine learning. Oleh sebab itu, memahami kapan dan bagaimana data dikategorikan sebagai imbalanced memungkinkan kamu dengan sigap untuk mengambil langkah-langkah proaktif guna mengatasi dampak negatif yang mungkin timbul, seperti bias terhadap kelas mayoritas pada sekumpulan data dan kegagalan penyusunan model dalam memprediksi kelas minoritas secara akurat dan tepat. Jangan abaikan ini, kalau memang ingin menghasilkan model machine learning yang robust dan andal.

Baca Juga: 6 Perbedaan Barcode dan QR Code, Jenis Data hingga Cara Kerja