Tugas 1.2 - Pembelajaran Mesin 2019

3/14/2019 Tugas 1.
2 - Pembelajaran Mesin 2019
Tugas 1.2 - Pembelajaran Mesin 2019

Total points 19/30
Tugas Teori SVM, ANN, PNN

Terdapat 30 Soal. Bacalah soal dengan seksama, lalu pilih semua jawaban dengan tepat.
The respondent's email address (guptasanjaya@student.telkomuniversity.ac.id) was recorded on

submission of this form.
Section score 0/0
NIM *
1301160385
Kelas *
IF-40-10 (SUO)
Section 1
Section score 2/3
https://docs.google.com/forms/d/e/1FAIpQLScr3O8mE-7rGQiUEEJZﬁD9R-OdJDFQASGGxCi2-jfFhbyLbg/viewscore?viewscore=AE0zAgBQ3Yxxl6qk10W… 1/18
3/14/2019 Tugas 1.2 - Pembelajaran Mesin 2019
[SVM] Apakah yang dimaksud dengan optimal hyperplane 1/1
dalam SVM? *
3 jawaban
Hyperplane yang dapat memisahkan unseen data dengan baik.
Hyperplane yang memiliki margin data training paling maksimal.
Hyperplane yang memiliki margin data testing paling maksimal.
Hyperplane yang memiliki margin data training paling minimal.
Tidak ada data point diantara margin yang dimiliki hyperplane tersebut.
[SVM] Kelebihan menggunakan SVM yaitu: * 0/1

2 jawaban
Memiliki kompleksitas algoritma yang kecil.
Model kernel yang digunakan tidak akan mengalami over tting.
Mimiliki search space yang unik dan minimum.
Memiliki akurasi yang baik dalam domain tertentu.
Hanya membutuhkan sedikit memori dalam perhitungannya.
[SVM] Manakah pernyataan yang benar tentang margin dalam 1/1
SVM? *
2 jawaban
Margin adalah jarak antara hyperplane dan data terdekatnya.
Margin hanya dapat dihitung menggunakan kernel polynomial.
Semakin besar kecil, semakin baik hyperplane yang terbentuk.
Semakin besar margin, semakin baik hyperplane yang terbentuk.
Margin adalah dua kali jarak antara hyperplane dan data terdekatnya.
Section 2
Section score 2/4
[ANN] Pada dasarnya proses pembelajaran yang terjadi pada 0/1
MLP adalah *
2 jawaban
Menghasilkan bobot-bobot sinaptik sekecil-kecilnya untuk mendapatkan

akurasi yang setinggi-tingginya.
Menemukan hyperplane yang diharapkan dapat menggeneralisasi data-data

lain yang belum pernah dilatihkan.
Menghasilkan bobot-bobot sinaptik yang meminimasi kesalahan sekecil-

kecilnya untuk data validasi.
Menurunkan kesalahan sekecil-kecilnya yang menghasilkan akurasi

setinggi-tingginya untuk semua data latih.
Memperbaiki arsitektur jaringan untuk mengklasi kasikan data latih dan

data uji.
[ANN] Untuk himpunan data dengan dua kelas yang tidak 0/1
seimbang, MLP dapat didesain secara sederhana dengan cara

*
2 jawaban
Mengatur batas nilai fungsi aktivasi sigmoid yang tidak seimbang untuk
setiap kelas.
Memperbanyak jumlah perceptron pada hidden layer.
Menggunakan learning rate yang dinamis.
Menggunakan lebih dari dua perceptron pada output layer.
Menggunakan fungsi aktivasi non-linier berbentuk kurva yang relatif landai.
[ANN] Arsitektur MLP Input-Hidden-Output yang optimal untuk 1/1
mengklasi kasikan himpunan seribu objek data (pola) dengan

lima atribut ke dalam sepuluh kelas adalah *
2 jawaban
MLP 5-10-10.
MLP 1000-5-10.
MLP 5-10-1000.
MLP 1000-10-5.
MLP 5-5-10.
[ANN] Kelemahan MLP adalah * 1/1

2 jawaban
Tidak selalu menghasilkan hyperplane paling optimum.
Learning rate yang optimum tidak mudah dide nisikan.
Jumlah perceptron yang optimum pada output layer sulit ditentukan.
Membutuhkan sangat banyak koneksi antar perceptron karena harus fully

connected.
Jumlah perceptron yang optimum pada input layer sulit ditentukan.
Section 3
Section score 1/2
[PNN] Parameter berikut ini yang dapat mempengaruhi akurasi 1/1

klasi kasi dengan menggunakan metode probabilistic neural
network adalah … *
3 jawaban
smoothing parameter (σ).
fungsi aktivasi.
konstanta g.
jumlah data training.
learning rate.
[PNN] Keunggulan dari metode probabilistic neural network 0/1
dibandingkan dengan multilayer perceptron adalah … *

2 jawaban
parameter yang terlibat lebih sedikit.
proses pembelajaran lebih cepat.
ketergantungan terhadap data training lebih kecil.
akurasi klasi kasi selalu lebih baik.
memori yang diperlukan untuk menyimpan model lebih sedikit.
Section 4
Section score 1/2
[SVM] Pernyataan berikut yang benar mengenai fungsi Kernel 0/1
pada SVM adalah .... *

2 jawaban
Fungsi Kernel mereduksi dimensi data.
Fungsi Kernel digunakan untuk mendapatkan vektor bobot SVM.
Fungsi Kernel digunakan untuk meminimalkan margin.
Fungsi Kernel digunakan pada data yang tidak linearly separable.
Fungsi Kernel mentransformasi data ke dimensi yang lebih tinggi.
[SVM] Berikut adalah pernyataan yang benar tentang SVM……. * 1/1

2 jawaban
SVM memaksimalkan margin antara dua kelompok data berbeda.
SVM merupakan algoritma pembelajaran terbimbing.
SVM bekerja dengan baik hanya pada data yang linearly separable.
1 model SVM dapat digunakan untuk memisahkan lebih dari dua kelompok
data berbeda.
Nilai margin pada SVM berbanding lurus dengan nilai norm pada vektor
bobot SVM.
Section 5
Section score 1/3
[ANN] Pernyataan yang benar mengenai pemilihan hyperplane 1/1
pada model perceptron dan Support Vector Machine (SVM)

adalah… *
2 jawaban
[ANN] Untuk data yang tidak linearly separable dan multikelas 0/1
(jumlah kelas lebih dari 2), pernyataan yang benar adalah… *

2 jawaban
Jawaban C dan D salah.
D. Model prediksi dapat menggunakan single layer perceptron dengan N

output neuron.
A. Model prediksi dapat mengguakan single layer perceptron dengan fungsi

prediksi softmax.
B. Model prediksi dapat menggunakan multilayer perceptron.
C. Model prediksi dapat menggunakan single layer perceptron dengan N

input neuron.
[ANN] Model single layer perceptron dapat digunakan untuk 0/1
klasi kasi data bila *

2 jawaban
C. Jumlah record data tidak banyak.
D. Jumlah kelas hanya 2.
Jawaban C dan D salah.
A. Data dapat dipisahkan secara linear (linearly separable).
B. Data memiliki 2 atribut.
Section 6
Section score 1/2
[SVM] * 1/1
2 jawaban
13
21
25
15
30
[SVM] Pernyataan manakah yang benar tentang konsep 0/1
softmargin *
2 jawaban
Batas atas dari peubah pada ruang dual sama dengan tak hingga.
Data terpisah secara linear kecuali beberapa titik berada pada posisi yang
salah.
Data tidak terpisah secara linear (non linear).
Semua data dianggap terpisah secara linier.
Batas atas dari peubah pada ruang dual berhingga.
Section 7
Section score 2/3
[SVM] Diketahui 8 (delapan) buah data yang dikelompokkan ke 1/1

dalam 2 (dua) kelas, dengan representasi pada koordinat 2
(dua) dimensi sebagai berikut. *
3 jawaban
Titik (2, 1) diklasi kasikan sebagai kelas -1
Titik (2, -1) diklasi kasikan sebagai kelas -1
Titik (2, -1) diklasi kasikan sebagai kelas +1
Titik (2, 0) diklasi kasikan sebagai kelas +1
Titik (2, 1) diklasi kasikan sebagai kelas +1
https://docs.google.com/forms/d/e/1FAIpQLScr3O8mE-7rGQiUEEJZﬁD9R-OdJDFQASGGxCi2-jfFhbyLbg/viewscore?viewscore=AE0zAgBQ3Yxxl6qk10… 10/18
[SVM] Pada kasus data yang tidak dapat dipisahkan secara 0/1
linear (non-linearly separable), pilih 3 (tiga) penanganan yang

tepat berdasarkan support vector machine (SVM): *
3 jawaban
Menggunakan kernel trick
Pelatihan menggunakan sequential minimal optimization (SMO)
Perbesar margin
Menggunakan bentuk Lagrangian
Menggunakan soft-margin support vector machine (SVM)
[SVM] Dari representasi geometris yang ditunjukkan oleh 1/1
gambar berikut, pilih 2 (dua) pernyataan yang benar: *

2 jawaban
E.
C.
B.
D.
A.
Section 8
Section score 3/3
[PNN] Proses Training pada PNN adalah * 1/1
Mencari likelihood probability yang optimal
Mencari Margin terbesar
Mencari bobot/weight dan bias yang optimal
Mencari Sigma (σ) yang optimal
Mencari Hyperplane yang optimal
[PNN] Jumlah Node/Neuron pada Hidden Layer PNN adalah * 1/1
Coba-coba
Sejumlah Fitur/Dimensi data
Sejumlah record data training
Sebanyak-banyaknya
Semua Benar
[PNN] Keuntungan PNN adalah * 1/1

2 Jawaban
Data training bisa ditambah atau dikurang tanpa memerlukan proses

training ulang yang lama
Proses training yang cepat
Membutuhkan memori yang sedikit
Lebih general dari backpropagation
Tidak membutuhkan data yang banyak
Section 9
Section score 3/3
[ANN] Pernyataan berikut yang benar mengenai Fungsi Aktivasi1/1

adalah *
3 Jawaban
Adanya Fungsi Aktivasi membuat proses pelatihan menjadi lama dan berat
Fungsi Aktivasi setiap layer boleh berbeda-beda
Fungsi Aktivasi memberikan non-linearitas kepada fungsi linier
Kemampuan MLP tanpa Fungsi Aktivasi hanya akan sama saja dengan
sebuah klasi kasi linier
Ada tidaknya Fungsi Aktivasi tidak mempengaruhi kemampuan MLP
[ANN] Dibangun sebuah jaringan saraf satu layer dengan tiga 1/1
neuron sebagai berikut *
Kelas 3
Kelas 2 dan Kelas 3
Kelas 1
Kelas 1 dan Kelas 3
Kelas 2
[ANN] Pernyataan berikut yang benar mengenai Learning rate 1/1
adalah *
Learning rate yang terlalu kecil akan membuat proses pembelajaran yang
sangat lama
Learning rate yang besar bisa membuat pembelajaran terjebak di optimum

lokal
Learning rate yang besar bisa mempercepat proses pembelarajan
Semua pernyataan benar
Learning rate yang terlalu besar bisa merusak proses pembelajaran
Section 10
Section score 1/3
[PNN] Probabilistic Neural Network (PNN) dan Naïve Bayes 1/1
sama-sama menggunakan teorema Bayes dengan fungsi

kepadatan peluang yang sama, namun keduanya berbeda
dalam hal *
2 jawaban
Implementasi pada atribut bertipe numerik
Penanganan himpunan data berukuran kecil
Perhitungan probabilitas pada atribut data
Tidak semua data di setiap kelas diperhitungkan dalam probabilitas kelas

tersebut
Perhitungan standar deviasi di setiap kelas
[PNN] Konstanta g pada PNN berguna untuk * 0/1

2 jawaban
Menghasilkan nilai probabilitas yang relatif setara pada setiap kelas
Memperkecil perbedaan nilai probabilitas akhir
Meningkatkan generalisasi pengambilan keputusan
Menghasilkan deviasi yang lebih adil bagi setiap kelas
Memberikan nilai probabilitas akhir yang lebih adil
[PNN] Probabilistic Neural Network (PNN) sangat sesuai untuk 0/1

permasalahan *
2 jawaban
Klasi kasi dua kelas untuk jutaan dokumen
Himpunan data berjumlah besar hingga milyaran record yang bertipe

numerik
Himpunan data yang relatif kecil kurang dari seribu record dengan sedikit
tur dan kelas
Klasi kasi dua kelas untuk ribuan data numerik dengan sepuluh tur
Himpunan data berjumlah besar hingga milyaran record yang bertipe

kategorial berurutan
Section 11
Section score 2/2
Dalam PNN, manakah pernyataan yang benar tentang 1/1
parameter penghalus σ1 dan σ2 untuk dua kelas C1 dan C2? *
Nilai σ1 dan σ2 harus sama
Nilai σ1 dan σ2 bukan bagian dari PNN
Konstanta g harus selalu digunakan, bila tidak maka PNN tidak dapat
menentukan kelas keputusan
Nilai σ1 dan σ2 tidak boleh sama
Nilai σ1 dan σ2 tidak boleh 0
Apakah PNN cocok digunakan untuk training data yang 1/1
berjumlah miliaran, dan alasan yang tepat? *
PNN cocok karena hyperplane dapat ditentukan secara optimal.
PNN tidak cocok karena parameter penghalus σ membuat kelas keputusan

yang dihasilkan menjadi tidak akurat.
PNN cocok karena tidak perlu melakukan langkah propagasi balik.
PNN tidak cocok karena dalam pengambilan keputusan, harus melakukan

perhitungan untuk setiap sampel di training data yang besar.
PNN tidak cocok karena menggunakan probability density function

sehingga hasilnya tidak pasti.
This form was created inside of Telkom University. - Terms of Service
Forms

Tugas 1.2 - Pembelajaran Mesin 2019

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Tugas 1.2 - Pembelajaran Mesin 2019

Diunggah oleh

Hak Cipta:

Format Tersedia

3/14/2019 Tugas 1.

2 - Pembelajaran Mesin 2019

Tugas 1.2 - Pembelajaran Mesin 2019

Tugas Teori SVM, ANN, PNN

The respondent's email address (guptasanjaya@student.telkomuniversity.ac.id) was recorded on

Section score 0/0

Section score 2/3

[SVM] Apakah yang dimaksud dengan optimal hyperplane 1/1

Hyperplane yang dapat memisahkan unseen data dengan baik.

Hyperplane yang memiliki margin data training paling maksimal.

Hyperplane yang memiliki margin data testing paling maksimal.

Hyperplane yang memiliki margin data training paling minimal.

[SVM] Kelebihan menggunakan SVM yaitu: * 0/1

Memiliki kompleksitas algoritma yang kecil.

Model kernel yang digunakan tidak akan mengalami over tting.

Mimiliki search space yang unik dan minimum.

Memiliki akurasi yang baik dalam domain tertentu.

Hanya membutuhkan sedikit memori dalam perhitungannya.

[SVM] Manakah pernyataan yang benar tentang margin dalam 1/1

Margin adalah jarak antara hyperplane dan data terdekatnya.

Margin hanya dapat dihitung menggunakan kernel polynomial.

Semakin besar kecil, semakin baik hyperplane yang terbentuk.

Semakin besar margin, semakin baik hyperplane yang terbentuk.

Section score 2/4

[ANN] Pada dasarnya proses pembelajaran yang terjadi pada 0/1

Menghasilkan bobot-bobot sinaptik sekecil-kecilnya untuk mendapatkan

Menemukan hyperplane yang diharapkan dapat menggeneralisasi data-data

Menghasilkan bobot-bobot sinaptik yang meminimasi kesalahan sekecil-

Menurunkan kesalahan sekecil-kecilnya yang menghasilkan akurasi

Memperbaiki arsitektur jaringan untuk mengklasi kasikan data latih dan

seimbang, MLP dapat didesain secara sederhana dengan cara

Memperbanyak jumlah perceptron pada hidden layer.

Menggunakan learning rate yang dinamis.

Menggunakan lebih dari dua perceptron pada output layer.

Menggunakan fungsi aktivasi non-linier berbentuk kurva yang relatif landai.

[ANN] Arsitektur MLP Input-Hidden-Output yang optimal untuk 1/1

mengklasi kasikan himpunan seribu objek data (pola) dengan

[ANN] Kelemahan MLP adalah * 1/1

Tidak selalu menghasilkan hyperplane paling optimum.

Learning rate yang optimum tidak mudah dide nisikan.

Jumlah perceptron yang optimum pada output layer sulit ditentukan.

Membutuhkan sangat banyak koneksi antar perceptron karena harus fully

Jumlah perceptron yang optimum pada input layer sulit ditentukan.

Section score 1/2

[PNN] Parameter berikut ini yang dapat mempengaruhi akurasi 1/1

smoothing parameter (σ).

jumlah data training.

[PNN] Keunggulan dari metode probabilistic neural network 0/1

dibandingkan dengan multilayer perceptron adalah … *

parameter yang terlibat lebih sedikit.

proses pembelajaran lebih cepat.

ketergantungan terhadap data training lebih kecil.

akurasi klasi kasi selalu lebih baik.

memori yang diperlukan untuk menyimpan model lebih sedikit.

Section score 1/2

[SVM] Pernyataan berikut yang benar mengenai fungsi Kernel 0/1

pada SVM adalah .... *

Fungsi Kernel mereduksi dimensi data.

Fungsi Kernel digunakan untuk mendapatkan vektor bobot SVM.

Fungsi Kernel digunakan untuk meminimalkan margin.

Fungsi Kernel digunakan pada data yang tidak linearly separable.

Fungsi Kernel mentransformasi data ke dimensi yang lebih tinggi.

[SVM] Berikut adalah pernyataan yang benar tentang SVM……. * 1/1

SVM memaksimalkan margin antara dua kelompok data berbeda.