Bias Analisis Data ada di mana-mana dalam data. Kunci untuk memerangi bias adalah mengetahui apa yang harus diwaspadai.

Membagikan
Apakah Anda akan mengikuti GPS Anda di mana saja? Bahkan ke danau? Itu mungkin terdengar konyol, tetapi pencarian cepat di Google memunculkan lusinan kasus di mana pengemudi mengemudi ke danau dan sungai karena GPS mereka menginstruksikannya. Mengikuti instruksi GPS bertentangan dengan penilaian Anda yang lebih baik adalah salah satu contoh bias otomasi .

Bias Analisis Data

slot 777 online

Sebagai manusia, kita memiliki banyak bias, baik implisit maupun eksplisit. Bias adalah kesalahan sistematis dalam berpikir yang dipengaruhi oleh budaya dan pengalaman pribadi. Bias mendistorsi persepsi kita dan menyebabkan kita membuat keputusan yang salah. Salah satu bias yang dimiliki banyak manusia adalah bias otomatisasi. Bias Analisis Data otomasi berasal dari gagasan bahwa komputer atau mesin lebih dapat dipercaya daripada manusia karena lebih objektif. Bias otomasi adalah akar dari mengapa orang mengikuti GPS mereka ke dalam masalah, bahkan ketika informasi kontradiktif tersedia.

See also  BEBERAPA TRIK JUDI TOGEL AGAR MENANG

Komputer, data, dan algoritma sebenarnya tidak sepenuhnya objektif. Benar bahwa analisis data dapat membantu kita membuat keputusan yang lebih baik, tetapi tidak kebal terhadap bias. Manusia menciptakan teknologi dan algoritma. Akibatnya, mereka sering memiliki bias manusia yang dikodekan ke dalamnya. Jelas bahwa kita perlu memperhatikan aliran informasi lainnya (mata dan telinga kita) saat kita berkendara dengan GPS. Demikian pula, kita perlu melihat lebih banyak sumber informasi ketika kita mengevaluasi hasil atau laporan analisis data.

Bias dalam Analisis data Adalah

Jika kita ingin bertanggung jawab saat menggunakan data dan algoritme, kita perlu memahami berbagai jenis bias yang muncul di setiap tahap analisis data. Mari kita lihat lebih dekat beberapa jenis bias yang memengaruhi analisis data dan pengambilan keputusan berdasarkan data.

See also  Mostbet Az: 550 & 250 Fs-ə Qədər Böyük Bonus Əldə Edi

Sebelum kami dapat menganalisis data atau menggunakan algoritme pembelajaran mesin, kami perlu mengumpulkan data. Pengumpulan data tunduk pada bias seleksi (juga disebut bias sampel). Bias seleksi terjadi ketika subjek penelitian. ( Yaitu sampel) tidak mewakili populasi. Bias pemilihan dapat disebabkan oleh desain studi yang buruk jika sampelnya terlalu kecil atau tidak diacak. Bias seleksi juga dapat muncul ketika satu-satunya data yang tersedia dipengaruhi oleh Bias Analisis Data historis — pengaruh sistematis berdasarkan kepercayaan sosial dan budaya historis.

Sebuah artikel Reuters dari tahun 2018 menyoroti bagaimana perusahaan Amazon menghasilkan algoritme pembelajaran mesin yang mengalami bias seleksi semacam itu. Perusahaan merancang algoritme untuk membantu perekrut merekrut talenta terbaik. Model tersebut dilatih pada ribuan resume dari orang-orang yang pernah atau tidak dipekerjakan oleh Amazon. Itu mempelajari 50.000 frasa yang terkait dengan resume dan mulai mengabaikan frasa umum, seperti nama bahasa pemrograman. Namun, algoritme juga belajar menurunkan resume yang mengandung kata “wanita”. Ini termasuk resume yang mereferensikan perguruan tinggi, tim, atau komite wanita.

By Admin