Perpustakaan Digital ITB

Tradeoff antara nilai keadilan dan akurasi adalah masalah yang sering muncul dalam pengembangan model pembelajaran mesin, terutama ketika data yang digunakan mengandung bias. Model yang mengutamakan akurasi sering kali mencapai hasil yang optimal dalam hal prediksi, tetapi kerap mengorbankan keadilan. Tantangan utama dalam konteks ini adalah mencari cara untuk menghasilkan model yang tidak hanya akurat, tetapi juga adil, terutama dalam aplikasi dunia nyata seperti sistem perekrutan. Tugas Akhir ini membahas beberapa algoritma in-processing yang dirancang untuk menyeimbangkan tradeoff antara keadilan dan akurasi. Algoritma ini dikhususkan pada model selective regression, yang memanfaatkan variasi prediksi sebagai patokan tingkat keyakinan prediksi model. Metode yang dievaluasi meliputi ensemble selective regression, fairness under unawareness, dan heteroskedastic neural network with sufficiency-based regularizer. Masing-masing model dievaluasi dari metriks monotonic selective risk, akurasi, dan keadilan. Hasil penelitian menunjukkan bahwa model heteroskedastic yang digabungkan dengan sufficiency-based regularizer mampu menghasilkan performa yang sangat baik dari segi keadilan maupun akurasi. Model ini berhasil menurunkan nilai RMSE sekaligus menjaga nilai independence, separation, dan sufficiency pada batas yang ideal. Riset pada Tugas Akhir ini masih dapat dikembangkan lebih lanjut dengan pengujian pada dataset rekrutmen yang lebih banyak dengan atribut sensitif yang lebih variatif.