Data tidak seimbang merupakan salah satu bentuk data dalam pembelajaran mesin dan kecerdasan buatan yang kategori klasifikasinya dalam observasi data memiliki jumlah instance yang berbeda-beda. Bentuk data ini menyebabkan masalah pada algoritma pembelajaran terawasi, karena algoritma tersebut cenderung mengalami kesulitan dalam memprediksi kelas minoritas secara akurat. Data yang tidak seimbang merupakan fenomena umum ketika mengumpulkan data mengenai subjek tertentu, khususnya ketika subjek yang diminati relatif jarang.
Di bidang Pembelajaran Mesin, kumpulan data yang tidak seimbang sangat merepotkan karena sebagian besar algoritme pembelajaran mesin dirancang untuk bekerja paling baik ketika jumlah kategori untuk klasifikasi kira-kira sama. Misalnya, ketika model prediktif dilatih pada data dengan observasi 10% milik kelas minoritas dan 90% milik kelas mayoritas, kasus minoritas mungkin kurang terwakili dalam model akhir. Kurangnya representasi ini menyebabkan kinerja yang buruk dalam hal akurasi atau presisi.
Teknik yang paling populer untuk menangani data yang tidak seimbang adalah Synthetic Minority Oversampling Technique (SMOTE). SMOTE bekerja dengan menghasilkan titik data baru di kelas minoritas (biasanya mendekati titik data yang sudah ada) dan meningkatkan ukuran kelas minoritas agar sesuai dengan ukuran kelas mayoritas. Teknik ini lebih berhasil daripada sekadar melakukan pengambilan sampel berlebihan secara acak pada kelas minoritas.
Selain SMOTE, ada teknik lain untuk mengatasi ketidakseimbangan. Ini termasuk: pra-pemrosesan data, augmentasi data, pembelajaran yang hemat biaya, pembelajaran meta, dan penggunaan jaringan saraf tiruan.
Pada akhirnya, tujuannya adalah untuk mencapai kumpulan data yang lebih seimbang sehingga algoritme pembelajaran yang diawasi memiliki cukup data untuk digunakan dari kelas minoritas. Hal ini dapat dilakukan dengan melakukan undersampling pada kelas mayoritas, atau dengan melakukan oversampling pada kelas minoritas. Jika digunakan dengan benar, teknik ini dapat mengurangi bias pada data dan menghasilkan kinerja prediktif yang lebih tinggi.
