KLASIFIKASI: POHON KEPUTUSAN  
        - BIAS
                                         Pengantar
          •   Tujuan akhir dari proses pengolahan data, baik itu data kecil 
              maupun besar, adalah membantu bisnis membuat keputusan 
              yang lebih baik
          •   Jika dikaitkan dengan ilmu Data Science, teknik analisa data 
              memerlukan pemodelan atau pemetaan yang baik dari manusia 
              sebagai operator teknologi ini. Sayangnya, manusia memiliki 
              bias – kecenderungan untuk bergantung kepada persepsi dan 
              pengalamannya sendiri – sehingga pertimbangan pada saat 
              perancangan model yang dibutuhkan tidak banyak berdasarkan 
              kenyataan
              Confirmation Bias
     Berikut adalah tiga bias yang paling mudah 
     diidentifikasi dan krusial.
     •
     Confirmation Bias
     Confirmation bias adalah tipe bias dimana pengolahan data 
     dilakukan untuk membenarkan suatu asumsi dan tindakan 
     spekulasi dari pemegang keputusan. Sebagai contoh, asumsi 
     bahwa pergerakan harga suatu komoditas akan naik karena tren di 
     lapangan mencerminkan hal tersebut. Padahal dengan 
     menganalisis kebutuhan data pasar dari berbagai sumber, tidak 
     demikian halnya yang akan terjadi. Malah, kecenderungan untuk 
     turun yang akan terjadi.
         Confirmation Bias
   • Karena keyakinan dan pengalaman di lapangan, 
    tim data diminta untuk mencoba lagi berbagai 
    model dan data yang relevan. Dengan 
    melakukan banyak kompromi, data akhirnya 
    keluar untuk mengkonfirmasi keyakinan beliau. 
    Bias dari proses ini tentunya sangat 
    membahayakan bisnis, seorang tandem yang 
    dapat meng-counter profil decision 
    maker seperti ini sangatlah diperlukan.
                Selection Bias
     • Selection Bias
      Selection bias adalah tipe bias dimana data-data dipilih secara 
      subjektif dan tidak berdasarkan metode ilmiah. Sebagai contoh, 
      dari banyaknya data lengkap profil pelanggan kita hanya 
      memilih data alamat dan profesi. Data jenis kelamin dan tanggal 
      lahir kita tidak masukkan, karena kita percaya bahwa umur dan 
      masalah gender adalah hal sensitif. Walaupun secara etis 
      benar, tetapi dari sisi objektivitas akan sangat merugikan. 
      Survei, terutama ketika dirancang dengan jawaban yang 
      dibatasi dan cenderung mengarahkan, dapat digolongkan 
      kepada bias tipe ini.