Apa itu cognitive bias?

cognitive bias (Bias kognitif) adalah proses berpikir sistematis yang disebabkan oleh kecenderungan otak manusia untuk menyederhanakan pemrosesan informasi melalui filter pengalaman dan preferensi pribadi. Proses penyaringan ini merupakan mekanisme koping yang memungkinkan otak memprioritaskan dan memproses sejumlah besar informasi dengan cepat. Meskipun mekanisme ini efektif, keterbatasannya dapat menyebabkan kesalahan dalam berpikir.

Pada dasarnya, bias kognitif membantu manusia menemukan jalan pintas mental untuk menavigasi kehidupan sehari-hari, tetapi sering kali dapat menyebabkan interpretasi dan penilaian yang tidak rasional.

Bias kognitif sering kali berasal dari masalah yang terkait dengan ingatan, perhatian, dan kesalahan mental lainnya. Bias ini sering kali merupakan proses pengambilan keputusan yang tidak disadari, sehingga individu dapat terpengaruh tanpa sengaja menyadarinya. Proses penyaringan dan mekanisme koping yang digunakan untuk memproses sejumlah besar informasi dengan cepat disebut heuristik.

Konsep bias kognitif pertama kali diperkenalkan oleh Amos Tversky dan Daniel Kahneman pada tahun 1972. Meskipun mungkin tidak mungkin untuk sepenuhnya menghilangkan kecenderungan otak untuk mengambil jalan pintas, memahami bahwa bias ini ada dapat bermanfaat dalam pengambilan keputusan.

Jenis-jenis bias kognitif

Daftar bias kognitif yang terus berkembang telah diidentifikasi selama enam dekade terakhir dalam penelitian tentang penilaian manusia dan pengambilan keputusan dalam psikologi kognitif, psikologi sosial, dan ekonomi perilaku. Beberapa di antaranya meliputi:

Bias aktor-pengamat. Kecenderungan individu untuk mengaitkan situasi mereka sendiri dengan penyebab eksternal, sementara menghubungkan perilaku orang lain dengan penyebab internal.
Bias jangkar. Kecenderungan otak untuk terlalu bergantung pada informasi pertama yang diterima saat membuat keputusan.
Bias atensi. Kecenderungan individu untuk hanya memperhatikan satu objek atau ide, sambil mengabaikan yang lain.
Bias ketersediaan. Kecenderungan otak untuk menyimpulkan bahwa suatu kejadian yang dikenal lebih mewakili keseluruhan daripada yang sebenarnya.
Heuristik ketersediaan. Kecenderungan menggunakan informasi yang segera muncul dalam pikiran saat membuat keputusan tentang masa depan.
Efek ikut-ikutan. Kecenderungan otak untuk menyimpulkan bahwa sesuatu diinginkan karena banyak orang menginginkannya.
Titik buta bias. Kecenderungan otak untuk mengenali bias orang lain tetapi tidak mengenali biasnya sendiri.
Ilusi pengelompokan. Kecenderungan otak untuk melihat pola dalam rangkaian angka atau peristiwa yang sebenarnya acak.
Bias konfirmasi. Kecenderungan otak untuk lebih menghargai informasi baru yang mendukung ide yang sudah ada.
Efek Dunning-Kruger. Kecenderungan individu dengan pengetahuan atau kompetensi terbatas dalam suatu bidang untuk melebih-lebihkan kemampuannya sendiri.
Efek konsensus palsu. Kecenderungan individu untuk melebih-lebihkan seberapa banyak orang lain setuju dengan mereka.
Efek pembingkaian. Kecenderungan otak untuk sampai pada kesimpulan yang berbeda berdasarkan cara informasi disajikan.
Kekakuan fungsional. Kecenderungan untuk melihat objek hanya dapat digunakan dengan satu cara tertentu.
Pemikiran kelompok. Kecenderungan otak untuk menempatkan nilai lebih pada konsensus.
Efek halo. Kecenderungan kesan seseorang dalam satu aspek memengaruhi opini dalam aspek lainnya.
Bias hindsight. Kecenderungan menafsirkan peristiwa masa lalu sebagai lebih dapat diprediksi daripada yang sebenarnya.
Efek misinformasi. Kecenderungan informasi yang muncul setelah suatu peristiwa mengganggu ingatan tentang peristiwa aslinya.
Bias negatif. Kecenderungan otak untuk secara tidak sadar lebih memprioritaskan peristiwa negatif daripada yang positif.
Bias kedekatan. Kecenderungan bawah sadar untuk memberikan perlakuan istimewa kepada orang yang berada dalam jarak fisik dekat.
Bias kebaruan. Kecenderungan otak untuk lebih menghargai informasi terbaru yang diterima tentang suatu topik.
Bias melayani diri sendiri. Kecenderungan individu untuk menyalahkan faktor eksternal saat sesuatu yang buruk terjadi, tetapi mengambil pujian saat sesuatu yang baik terjadi.
Efek biaya hangus. Kecenderungan otak untuk terus berinvestasi dalam sesuatu yang jelas tidak berhasil untuk menghindari kegagalan.
Bias ketahanan hidup. Kecenderungan otak untuk lebih fokus pada hasil positif dibandingkan yang negatif.

Tanda dan dampak bias

Karena bias kognitif sering kali merupakan proses yang tidak disadari, lebih mudah bagi seseorang untuk mengenali bias pada orang lain daripada dirinya sendiri. Namun, beberapa cara untuk mengenali bias meliputi:

jika seseorang mengaitkan kesuksesan dengan dirinya sendiri, sementara menghubungkan kesuksesan orang lain dengan keberuntungan;
jika seseorang menganggap dirinya memiliki lebih banyak pengetahuan daripada yang sebenarnya tentang suatu topik;
jika seseorang terus-menerus menyalahkan faktor eksternal daripada dirinya sendiri;
jika seseorang hanya memperhatikan informasi yang mendukung opininya sendiri; dan
jika seseorang berasumsi bahwa semua orang memiliki opini yang sama dengannya.

Individu harus berusaha menghindari tanda-tanda ini karena semuanya memengaruhi cara seseorang menafsirkan dunia di sekitarnya. Bahkan jika seseorang bersikap objektif, logis, dan dapat mengevaluasi lingkungannya secara akurat, mereka tetap harus waspada terhadap pengembangan bias kognitif yang baru secara tidak sadar.

Apa dampak bias kognitif terhadap analitik data dalam pengembangan perangkat lunak?

Bias kognitif dapat memengaruhi individu dengan mengubah pandangan dunia mereka atau memengaruhi pekerjaan mereka. Misalnya, dalam bidang teknis, bias kognitif dapat berdampak pada analitik data perangkat lunak dan machine learning.

Menyadari bagaimana bias manusia dapat mengaburkan analitik adalah langkah pertama yang penting untuk mencegahnya terjadi. Meskipun alat analitik data dapat membantu para eksekutif bisnis membuat keputusan berbasis data, pada akhirnya manusia tetap menentukan data mana yang harus dianalisis. Oleh karena itu, penting bagi para manajer bisnis untuk memahami bahwa bias kognitif yang terjadi saat memilih data dapat menyebabkan alat digital yang digunakan dalam analitik prediktif dan analitik preskriptif menghasilkan hasil yang salah.

Sebagai contoh, analis data dapat menggunakan pemodelan prediktif tanpa terlebih dahulu memeriksa bias dalam data, yang dapat menghasilkan hasil yang tidak terduga. Bias ini juga dapat memengaruhi tindakan pengembang. Beberapa contoh bias kognitif yang dapat secara tidak sengaja memengaruhi algoritma adalah stereotip, efek ikut-ikutan, priming, persepsi selektif, dan bias konfirmasi.

Bias kognitif juga dapat menyebabkan bias dalam machine learning, yaitu fenomena ketika algoritma menghasilkan hasil yang secara sistematis bias karena asumsi yang dibuat dalam proses pembelajaran mesin. Bias dalam machine learning sering kali berasal dari data yang buruk atau tidak lengkap yang menghasilkan prediksi yang tidak akurat. Bias juga dapat diperkenalkan oleh individu yang merancang dan melatih sistem pembelajaran mesin, karena algoritma ini dapat mencerminkan bias kognitif yang tidak disengaja dari pengembangnya. Beberapa contoh bias yang memengaruhi pembelajaran mesin termasuk bias prasangka, bias algoritma, bias sampel, bias pengukuran, dan bias eksklusi.

Tips untuk mengatasi dan mencegah bias

Untuk mencegah bias kognitif dan jenis bias lainnya yang disebabkan olehnya, organisasi harus memeriksa data yang digunakan untuk melatih model pembelajaran mesin agar tidak kekurangan cakupan.

Ilmuwan data yang mengembangkan algoritma harus membentuk sampel data sedemikian rupa sehingga meminimalkan bias algoritmik dan bias lain dalam pembelajaran mesin, dan pengambil keputusan harus mengevaluasi kapan tepat atau tidaknya menerapkan teknologi pembelajaran mesin. Data yang berhubungan dengan manusia harus mencerminkan berbagai ras, gender, latar belakang, dan budaya yang dapat terdampak secara negatif.

Kesadaran dan tata kelola yang baik adalah dua cara utama yang dapat membantu mencegah bias dalam machine learning. Ini berarti langkah-langkah berikut harus diambil:

Data pelatihan yang tepat harus dipilih.
Sistem harus diuji dan divalidasi untuk memastikan hasilnya tidak mencerminkan bias.
Sistem harus dipantau saat menjalankan tugasnya.
Alat dan sumber daya tambahan harus digunakan, seperti What-If Tool dari Google atau toolkit open-source AI Fairness 360 dari IBM.

Organisasi dapat mengurangi bias melalui tindakan otomatis maupun manusiawi, tetapi mungkin tidak dapat menghilangkannya sepenuhnya. Namun, tidak semua bias secara inheren merugikan. Bias algoritmik, misalnya, adalah proses yang digunakan algoritma untuk menentukan cara menyortir dan mengorganisasi data. Penting untuk memastikan bahwa jenis bias tersebut tidak secara inheren merugikan dan sesuai untuk tugas yang sedang dilakukan.

cognitive bias