Bias (Machine Learning)

Bias dalam Machine Learning adalah kecenderungan model untuk mempermudah pola data secara berlebihan karena asumsi awalnya yang terlalu kaku. Bayangkan Anda berasumsi bahwa semua murid menyukai warna biru. Asumsi kaku ini adalah **Bias**. Ketika kenyataannya murid menyukai beragam warna lain, tebakan Anda akan meleset secara konsisten karena asumsi awal Anda yang terlampau kaku.

1. Analogi Target Memanah (Sistematis Meleset)

Model dengan bias tinggi diibaratkan seperti lemparan anak panah yang melenceng jauh secara konstan ke satu arah yang sama dari lingkaran pusat:

• Sistematis: Tebakan meleset ke arah yang sama terus-menerus karena asumsi model terlalu menyederhanakan masalah.
• Tidak Fleksibel: Dilatih berulang kali pun, model tetap salah di tempat yang sama karena keterbatasan kapasitas belajarnya.

2. Fenomena Gagal Belajar (Underfitting)

Di grafik sebaran data, bias tinggi memicu kondisi underfitting di mana garis keputusan model terlampau kaku dan lurus, gagal menangkap tren pola data asli yang sebenarnya melengkung:

• Terlalu Sederhana: Menggunakan garis lurus linear untuk menggambarkan tren sebaran data kuadratik melengkung.