Dokumen Asli
Terbatas  Dessy Rondang Monaomi
» Gedung UPT Perpustakaan
Terbatas  Dessy Rondang Monaomi
» Gedung UPT Perpustakaan
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.