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