Ikhtisar
Data yang tidak seimbang terjadi ketika jumlah sampel dalam satu kelas jauh melebihi kelas lainnya – sebuah tantangan besar dalam penelitian biomedis. Prevalensi penyakit biasanya rendah, sehingga kumpulan data berisi lebih banyak kontrol yang sehat dibandingkan kasus; reaksi obat yang merugikan jarang terjadi; dan elemen genom fungsional jarang ditemukan di seluruh genom. Pengklasifikasi standar yang dilatih pada data yang tidak seimbang cenderung memihak pada kelas mayoritas, sehingga mencapai akurasi tinggi hanya dengan memprediksi label yang paling umum dan mengabaikan kelas minoritas sepenuhnya. Teknik khusus diperlukan untuk menghasilkan model yang mendeteksi peristiwa langka namun penting.
Metode
Pendekatan tingkat data mengubah distribusi set pelatihan. Pengambilan sampel secara acak menghapus sampel kelas mayoritas, namun berisiko membuang informasi yang berguna. Teknik Pengambilan Sampel Berlebihan Minoritas Sintetis (SMOTE) menghasilkan sampel minoritas sintetik dengan melakukan interpolasi di antara contoh minoritas yang ada. Pendekatan tingkat algoritma menyesuaikan proses pembelajaran: pembobotan kelas memberikan penalti yang lebih tinggi pada kesalahan klasifikasi minoritas dalam fungsi kerugian, dan pembelajaran sensitif biaya memasukkan biaya kesalahan klasifikasi secara langsung. Metode gabungan seperti hutan acak seimbang dan EasyEnsemble menggabungkan pengambilan sampel yang kurang dengan pengantongan. Pergerakan ambang batas menggeser batasan keputusan pasca-pelatihan untuk mendukung penarikan kembali kelompok minoritas. Evaluasi harus bergantung pada kurva presisi-recall atau akurasi yang seimbang dibandingkan akurasi secara keseluruhan, yang mana hal ini menyesatkan jika terjadi ketidakseimbangan.
Protokol Praktis
Alur kerja praktis untuk menangani data biomedis yang tidak seimbang dimulai dengan menilai distribusi kelas. Dalam kumpulan data penyakit langka, kasus mungkin hanya mencakup 5–10% sampel, sehingga menimbulkan ketidakseimbangan 90:10 atau 95:5 yang parah. Peneliti pertama-tama menetapkan garis dasar dengan melatih pengklasifikasi regresi logistik sederhana pada data mentah dan mengevaluasi dengan kurva akurasi dan presisi-recall yang seimbang, bukan akurasi keseluruhan, yang akan terlihat tinggi meskipun semua kasus terlewatkan. Untuk remediasi tingkat data, SMOTE diterapkan pada set pelatihan saja: untuk setiap sampel minoritas, k tetangga terdekatnya (default k = 5) diidentifikasi, dan sampel sintetik dihasilkan dengan melakukan interpolasi antara sampel dan tetangga yang dipilih secara acak di sepanjang vektor ruang fitur. Set pelatihan yang sekarang seimbang digunakan untuk melatih pengklasifikasi hutan acak dengan 500 pohon. Untuk solusi algoritmik, pembobotan kelas memberikan bobot yang berbanding terbalik dengan frekuensi kelas, bobot 10 untuk kelas minoritas jika mewakili 10% data. Pemindahan ambang batas diterapkan dengan memindai ambang batas keputusan dari 0,1 hingga 0,9 pada set validasi untuk memaksimalkan skor F1. Dalam contoh dunia nyata, teknik ini diterapkan untuk memprediksi reaksi obat yang merugikan dari data farmakovigilans dimana efek samping hanya terjadi pada 2% kasus. Kombinasi SMOTE dengan pembobotan kelas meningkatkan recall untuk kelas minoritas dari 12% menjadi 78% dengan tetap mempertahankan presisi 85%, memungkinkan deteksi sinyal yang efektif untuk kejadian keamanan obat yang jarang terjadi. Penerapan lainnya adalah mendeteksi gen resistensi antibiotik dalam data metagenomik, dimana faktor penentu resistensi jarang terjadi dibandingkan dengan total kandungan gen, namun secara klinis penting untuk diidentifikasi.
Aplikasi
Metode data yang tidak seimbang sangat diperlukan untuk mendeteksi subtipe kanker langka dalam penelitian biokimia kanker, mengidentifikasi penanda yang diekspresikan secara berbeda dari data microarray DNA dan ekspresi gen, menemukan gen resistensi dalam genetika bakteri, dan memprediksi patogenisitas varian langka dalam mikrobiologi klinis. Teknik-teknik ini memastikan bahwa model pembelajaran mesin tetap peka terhadap kelas minoritas, sehingga memungkinkan penemuan sinyal biologis yang benar-benar langka.
