UNIVERSITAS INDONESIA

TUGAS PEMBELAJARAN MESIN

Tugas 2

Anggota Kelompok :
Mukti Ari NPM : 1606930615
Shirley Aprilia NPM : 1606840784
Soeganda Formalidin NPM : 1606840802
Vira Yustia Nurazmi NPM : 1606840840

Program Studi Magister Matematika

Departemen Matematika
Fakultas Matematika dan Ilmu Pengetahuan Alam
Maret 2017

A. Tentukan satu jawaban yang paling tepat untuk masing-masing soal

1. Pada model regresi polinomial, parameter yang harus dioptimasi pada tahap
pemilihan model adalah
A) k-fold C) Nilai bobot
B) Nilai bias D) Orde fungsi basis
E) Jawab: D. Orde fungsi basis
F)
2. Suatu model regresi polinomial berorde 3 y ( x) dapat dipandang sebagai suatu
model regresi linear y ( z ) , dimana
A) z=x C) z=x
3

B) z= y ( x ) D) z=(x , x2 , x3 )T
E) Jawab : D. z=(x , x2 , x3 )T
F) Penjelasan :
G) Berdasarkan Power Point Fungsi Basis polinomial slide 11jika x berorde 3 ,

f ( x)=( x , x2 , x3 ) , maka model ini akan menjadi model linear untuk z yaitu

y ( z )=w0 + wT z .
H)
3. Misal y ( x )=0.5k ( x ,5) , dimana k adalah suatu fungsi kernel, y akan
bernilai 0.5 jika x bernilai
A) 0.5 C) 5
B) 1 D) Tidak bisa ditentukan
E) Jawab : D. Tidak bisa ditentukan
F) Penjelesan :
G) Fungsi kernel adalah fungsi perkalian dalam pada ruang berdimensi lebih
tinggi. Sehingga jika k ( x , z )=( x )T ( z) adalah fungsi kernel dan ( x)T
adalah pemetaan dari ruang asal ke ruang berdimensi tinggi, maka setidaknya

( x)T (a, b)
2
dimensi terkecil dari yang dua mana dua variabelnya tidak

dapat ditentukan. Jika ( x)T px berdimensi satu maka

H) y ( x )=0,5 k ( x ,5 )
T px 5 p 1
I) k ( x , 5 ) = (x) (z ) yang mana nilai p juga tidak dapat
ditentukan.
J)
4. Jika kita memiliki data pada ruang R2 dan suatu fungsi kernel
T T
k ( x , y )=x y (1+ x y ) , maka kita dapat menghitung inner product dari data
tersebut pada ruang
3 5
A) R C) R
B) R4 D) R6
E) Jawab : C. R5
F) Penyelesaian :
G) k ( x , y )=x T y (1+ x T y )
H) x , y R2
I) x=(x 1 , y 1)
J) y=(x 2 , y 2)
 K) k (x, y) xT y (1+ xT y )
2
L) xT y+ ( xT y )
x1 , y 1


M) ( x2 , y 2)
T

T
( x 1 , y 1 ) ( x 2 , y 2 ) +
x 1 x2 + y 1 y 2
N)

x1 x 2+ y1 y 2 +
O) x1 x 2+ y1 y 2 + x12 x 22 +2 x 1 x 2 y 1 y 2+ y12 y 22
2 2 2 2
P) ( x 1 , y 1 , x1 , 2 x 1 y 1 , y 1 )( x2 , y 2 , x 2 , 2 x 2 y 2 , y 2 )
x z
T

Q)
R) ( x )=( x 1 , y 1 , x12 , 2 x 1 y 1 , y 12 ) R5
S)
2
5. Misal diberikan suatu fungsi kernel k ( x , y )=( xT z ) , maka jarak antara

x=( 2,3 )T dan z=( 1,2 )T pada suatu ruang R

3
adalah
A) 2 C) 66
B) 52 D) 70
E) Jawab : C. 66
F) Penyelesaian :

G) Jarak 2 vektor: |( x )( y )| 2=k ( x , x )+ k ( y , y ) 2 k ( x , y )

T T
H) 2,3 1,2
x= y=
I) maka
3 3 2
J) k (x, x) 2 2 2 +2 2 3 2 3+

K) 16+72+81
L) 169
2 2 2
M) k ( y , y) 1 1 2+ 2 1 2 1 2+

N) 1+ 8+16
O) 25
3 2 2
P) k (x, y) 2 1 2 +2 2 1 3 2+

Q) 4 +24+36
R) 64
 2
S) Jadi, |( x )( y )| 169+25264

T) 194128
U) 66
V)
6. Pernyataan berikut adalah karakteristik dari radial basis function networks,
kecuali :
A) Masalah pembelajaran bersifat linear
B) Jumlah parameter bobot sama dengan jumlah data training
C) Fungsi basis berupa suatu fungsi kernel
D) Suatu model non parametrik
W) Jawab : B. Jumlah parameter bobot sama dengan jumlah data
training
X)
7. Misal diberikan lima data training { 2,3,4,6,7 } dan y ( x) adalah suatu radial
2
basis function networks dengan fungsi basis k ( x , p )=exp ( x p ) . Jika
data yang dipilih sebagai pusat fungsi basis p yang dipilih adalah 3 dan 6,
maka nilai y (5) adalah :
A) y (5 )=w 1 k (5, 4.5)
B) y (5 )=w 1 k ( 5, 2 ) +w2 k ( 5, 4 )+ w3 k ( 5,7 )
C) y (5 )=w 1 k ( 5, 3 ) +w 2 k ( 5, 6 )
D) y (5 )=w 1 k ( 5, 2 ) +w2 k ( 5, 3 )+ w3 k ( 5, 4 )+ w 4 k ( 5, 6 ) + w5 k ( 5,7 )
Y) Jawab : C. y (5 )=w 1 k ( 5, 3 ) +w 2 k ( 5, 6 )
Z) Penjelasan :
AA) Radial basis function networks (RBFN) adalah model linear dimana
fungsi basis berupa fungsi kernel RBF, yaitu
M M
AB) y ( x )= w j j (x )=w0 + w j k (x , x j)
j=0 j=1
AC) dimana adalah parameter bobot, k (x , x j) adalah
fungsi basis berupa RBF, xj

adalah pusat fungsi basis, dan M adalah banyaknya fungsi

basis. Sehingga, jika data yang dipilih sebagai pusat fungsi basis p yang

dipilih adalah 3 dan 6, maka nilai y (5) adalah : y (5 )=w 1 k ( 5, 3 ) +w 2 k ( 5, 6 )

AD)
8. Misal diberikan dua data dengan dimensi dua { ( 2,3 ) , ( 6,10 ) } dengan masing-
masing target adalah { 1,5 } . Jika data ini digunakan untuk membangun model
neural networks dengan 10 neuron pada lapisan tersembunyi, maka total jumlah
neuron pada model tersebut adalah :
 A) 12 C) 14
B) 13 D) 15
E) Jawab : D. 15
F) Penjelasan :
G) Ada 2 input neuron, 1 parameter bobot di hidden layer, 10 neuron di hidden
layer, 1 output parameter bobot dan 1 ouput neuron. Sehingga total ada 15
neuron.
H)
9. Diberikan neural netwoks y ( x) untuk suatu masalah regresi. Jika jumlah
neuron pada lapisan tersembunyi adalah satu, fungsi aktifasi adalah fungsi
logistik ( e 2.72 ) dan semua bobot bernilai 0.1 , maka prediksi nilai 9,
yaitu y (9) adalah
A) 0.173 C) 0.237
B) 0.189 D) 0.289
E) Jawab : A.0.173
F) Penyelesaian :

( ) )
M D
G) y k ( x ) =l w
j=1
(2)
kj h (
i=1
w(1ji ) x i+ w(1) (2 )
j 0 + wk 0

H) maka
I) y ( 9 )=l ( ( 0.1 ) h ( ( 0.1 ) ( 9 ) + ( 0.1 ) ) +( 0.1) )
J) y ( 9 )=l ( ( 0.1 ) h (1 )+ ( 0.1 ))
1 1
K) karena h ( 1 )= 1
= 1
=0.73
1+ e 1+(2.72)
L) sehingga
M) y ( 9 )=l ( ( 0.1 ) ( 0.73 ) + ( 0.1 ) )
N) l ( 0.073+ 0.1 )
O) l ( 0.173 )
P) karena y (x) untuk suatu masalah regresi l ( ak ) =ak maka diperoleh
Q) y ( 9 )=0.173
R)
10. Berikut ini adalah fungsi aktifasi yang umum digunakan pada lapisan output dari
neural network dalam menyelesaikan masalah klasifikasi, kecuali :
A) Fungsi sigmoid
B) Fungsi linear
C) Fungsi logistik
D) Fungsi hiperbolik tangen
S) Jawab : B. Fungsi linear
T) Penjelasan :
U) Untuk masalah klasifikasi, fungsi aktivasi l(.) yang biasa digunakan adalah
fungsi sigmoid, misal fungsi logistic atau fungsi hyperbolic tangen. (Power Point
Neural Networks slide 12)
 V)
11. Vektor normal yang tegak lurus pada bidang
W) 4 ( x1 3 ) +2 ( x 2+1 ) 5 ( x 37 ) =0
X) adalah
A) (3, 1,7 )T
B) ( 3,1, 7 )T
C) (4,2, 5 )T
D) ( 4, 2,5 )T
Y) Jawab : D. ( 4, 2,5 )T
Z) Penyelesaian :
AA) Untuk suatu bidang ax +by +cz +d =0
AB) Vektor ( a , b , c adalah vektor
normal w=( a , b , c)
AC) maka
AD) 4 ( x1 3 ) +2 ( x 2+1 ) 5 ( x 37 ) =0
AE) 4 x 1 +2 x2 5 x 3 +25=0
T
AF) Sehingga, 4,2,5 adalah vektor normal

AG)
12. Misal diberikan tiga data ( 1,5 )T , ( 2,4 )T , ( 3,3 )T . Jika menggunakan
3 x1 4 x 2 +6=0 sebagai pembatas pada data, maka margin dari pembatas
tersebut adalah
A) 2/5 C) 4/5
B) 3/5 D) 21/5
E) Jawab : B. 3/5
F) Penyelesaian :
G) Margin jarak terdekat antara HP dengan data pelatihan
H) x 1=(1,5)T T T
x 2=(2,4 ) x 3=(3,3)
I) HP=3 x1 4 x 2 +6=0
J) w=( 3,4 ) dan b=6
K) Margin x n ke HP, f n=1
|w|
w ( x n ) +b
T

L) |w|=
f n y ( xn )

 11
11 =
5 5
M) 3 14 5+6 =
T
32 +4 2
x 1=(1,5) |x 1 HP|=
4
4 =
5 5
N) 3 24 4 +6 =
T
2
3 +4
2

x 2=(2,4) | x2 HP|=
3
3 34 3+6 2 2 =
O) 3 +4 5
T
x 3=(3,3) |x 3 HP|=
3
P) Maka jelas x 3 adalah margin dengan nilai
5
Q)
T T T T
13. Misal diberikan data x 1=( 3,3 ) , x2 =(2,1 ) , x 3=(3,1 ) dan x 4=( 4,2 )

dengan masing- masing kelas t 1 =+1, t 2=1, t 3=1 dan t 4=+1 . Garis
berikut yang memiliki margin paling lebar adalah
A) x3.5=0
B) x+ 2.25=0
C) x0.5=0
D) x+ 1=0
R) Jawab : A. x3.5=0
S) Penyelesaian :
T) Margin maksimum dapat diformulasikan
U) max { 1
w , b w n
[ ]}
min t n ( w T ( x n ) +b )

V)
w 1,0
W) Dari pilihan didapat persamaan garis margin x b 0 , sehingga
dan untuk masing-masing xn
3,3 T 3 1+b=d
X)
x1 =
Y) t 1 =1 3+b=d
T
2,1 (2 1+b)=d
Z)
x 2=
AA) t 2 =1 2b=d
T
3,1 (3 1+b)=d
AB)
x3 =
AC) t 3 =1 3b=d
T
4,2 4 1+b=d
AD)
x 4=
 AE) t 4=1 4 +b=d
AF) Dalam pilihan b {3.5 ,0.5 , 2.5 , 1}
AG) Sehingga,
AH) Nilai d maks jika b=3,5
AI) i.e
AJ) d=3(3,5 )=6,5
AK)
14. Pada pendekatan margin lunak untuk support vector classification , letak suatu
data dapat dilihat berdasarkan nilai variabel slack n . Suatu data dikatakan
berada pada kelas yang salah, jika
A) n >1 C) n <1
B) n=1 D) n=0
E) Jawab : A. n >1
F) Penjelasan :
G) n >1 adalah data yang terletak pada sisi yang salah. (Power Point Support
Vector Machine slide 21)
H)
15. Masalah pembelajaran pada support vector classification adalah suatu masalah
optimasi berkendala dengan fungsi tujuan
N
1 2
I) minw , b C n+ w
n=1 2
2
J) Kegunaan dari bagian w adalah
A) Mengoptimasi model
B) Memastikan klasifikasi yang benar
C) Memaksimumkan margin
D) Meminimumkan margin
K) Jawab : C.Memaksimumkan margin
L)
16. Masalah pembelajaran pada support vector classification adalah suatu masalah
optimasi berkendala dengan fungsi tujuan
N
1 2
M) minw , b C n+ w
n=1 2
N
N) Kegunaan dari bagian n adalah
n=1
A) Mengoptimasi model
B) Memastikan klasifikasi yang benar
C) Memaksimumkan margin
D) Meminimumkan margin
O) Jawab :B. Memastikan klasifikasi yang benar
P) Penjelasan :
 Q) Parameter C > 0 akan mengkontrol trade-off antara
banyaknya
data pada kelas yang salah (margin menyempit) dan
kapabilitas
generalisasi (margin melebar)
R)
17. Diberikan suatu masalah optimasi berkendala berikut ini :
S) min x, y 2 y + x
T) s .t . y 2 + xy1=0
U) Jika a adalah pengali Lagrange dari fungsi
Lagrange untuk masalah optimasi berkendala di atas, maka nilai a adalah
A) 0.5 dan 0.5 C) 1 dan 1
B) 0.5 dan 1 D) 1 dan 0.25
E) Jawab : C. -1 dan 1
F) Penyelesaian :
G) min 2 y + x
x, y

2
H) y + xy1=0
I) Misal f ( x , y ) =2 y + x
J) g ( x , y )= y 2 + xy1
K) Maka
L) L ( x , y , a ) f ( x , y ) +a g(x , y)
2
M) 2 y + x +a ( y + xy1)
N) 2 y +x +ay 2 +axy a
2l 2 l 2 l
(
O) x , y, a L ( x , y , a ) = , )
2x 2 y 2a
, =0

P) 0=(1+ay , 2+2 ay+ ax , y 2 + xy1)

Q) Maka
R) 1+ay=0 dimana ay=1
S) 2+2 ay+ ax=0 2+2 (1 ) +ax=0
T) y 2+ xy1=0 ax=0
U) a 0 x=0
V) y=1 1+ a.1=0
W) a=1
X) y=1 1a=0
Y) a=1
Z) sehingga
AA) y 2+ 0 y 1=0
AB) y 2=1
AC) y= 1
AD)
AE)
18. Support vector classification merupakan metode nonparametrik karena terdapat
sebagian data yang digunakan sebagai bagian dari model, yaitu sebagai
A) Support vectors
B) Bobot
C) Bias
D) Parameter C
AF) Jawab : A. Support vectors
AG) Penjelasan :
AH) Support vectors adalah data training yang terletak didalam margin,
baik yang terklasifikasi dengan benar (n 1) atau salah ( n >1 ) . (Power
Point Support Vector Machine slide 31)
AI)
19. Parameter yang harus dioptimasi pada tahapan model selection untuk metode
support vector classification adalah
A) Parameter trade-off C
B) Fungsi kernel
C) Parameter pada suatu kernel
D) Benar Semua
AJ) Jawab : A. Parameter trade-off C
AK) Penjelasan :
AL) Fungsi kernel yang direkomendasikan adalah fungsi RBF, sehingga,
terdapat dua parameter yang harus dioptimasi pada tahap pemilihan model , yaitu
parameter C dan gamma dari fungsi RBF (Hsu,2013).
AM)
20. Pada suatu simulasi menggunakan support vector classification dengan
menggunakan 5-fold cross validation, kita akan menentukan nilai optimal dari
kandidat parameter C=[ 1,5, 10,15 ] dan gamma=[ 0.1 , 0.2, 0.3 ] . Jika kita
menggunakan metode grid-search maka akan ada proses pembelajaran sebanyak

A) 5 kali C) 12 kali
B) 7 kali D) 60 kali
E) Jawab : D. 60 kali
F) Penyelesaian :
G) Banyaknya proses pembelajaran adalah
H) 5 ( jumlah fold ) x 4 ( jumlah kandidat parameter C ) x 3 ( gamma ) =60 kali
I)