Supply Team Teaching

M1
1. Visualisasi dari hasil analisis Big data dapat berupa

Tabel, plot dan grafik 3D.
2. Yang merupakan framework untuk machine learning
Apache Spark MLlib
3. Tipe nilai bgaus berupa
Numerik
4. Unit informasi tunggal disebut
Nilai
5. Sumber data yang digunakan dalam aplikasi Big data dapat berupa
Data media sosial, data financial, data asuransi kesehatan
6. Tempat penyimpanan data yang dikumpulkan di lokasi yang berbeda(basis dara
relasional) dan disimpan menggunakan skema
Data werehouse
7. Objek disebut juga
Unit, record, data points
8. Salah satu keunggulan DGX A100
Tidak membutuhkan ruang yang besar, komsumsi daya lebih sedikit, biaya lebih
murah.
9. Sekumpulan tabel dimana bentuk setiap tabel analog dengan flat file disebut
Database
10. Semakin banyak data hingga mencapai ukiuran peta byte bahkan lebih merupakan
penjelasan dari dimensi big data
Volume
11. Manakah yang benar dari pernyatan berikut
Memperkirakan puncak dari kasus COVID-19 adalah contoh Analisa prediktif
12. Model basis data yang berupa deret waktu (time series)
Temporal database
13. Dalam aksitektur big data solusi berupa rekomendasi berada pada posisi, sebagai
End result
14. Dalam ekosistem big data proses pre posesing data dapat dilakukan menggunakan
Sqoop
15. Data werehouse dibuat dengan menggunakan serangkaian langkah pemerosesan
terhadap data yang berasal dari beberapa. Berikut ini adalah yang termasuk dalam
pemerosesan data tersebut
Integrasi data, transformasi data, pembersihan data
16. Daset dibentuk dari
Sekumpulan objek yang memiliki fitur yang sama
17. Beragamnya jenis data didalam Big data yang meiliputi data terstruktur , semi struktur
bahkan data| penjelasan dari dimensi big data dalam hal
Variety
18. Contoh solusi big data kecuali
Input nilai mahasiswa
19. Komponen komputais big data di lapisan Middleware terdiri dari
SDK Layer
20. Kumpulan data yang disusun dalam tabel berformat persegi panjang yang terdiri dari
baris dan kolom disebut sebagai
Flat files
M2
1. Perbandingan traditional vs big data analytics

Mahal vs terjangkau, process centric vs information centric, hard to scale vs scales
out forever.
2. Salah satu bentuk data yang tidak terstruktur
Documen, key-value, graph.
3. Contoh implementasi dalam perusahaan
 Monsanto membayar hamper $ 1 miliar untuk the climate company yang
mengumpulkan dan mengalisis data cuaca untuk pertanian.
 Sitem manajemen inventaris cerdas pada perusahaan ford menyarankan
pesanan mingguan untuk dealer dan telah meningkatkan pendapatan
sebesar $ 100 juta/tahun.
 Protect & amp; gamble melakukan analisis sentiment media sosial real
time untuk “pulsa konsumen”.
4. Arsitektur Hadoop terdiri dari
Storage layer, resource management layer, application layer.
5. Salah satu tonggak penting dalam big data analytic dalam aspek pengadaan
infrastruktur
Dapatkan infrastruktur yang tepat yang dibutuhkan berdasarkan arsitektur
solusi anda termasuk penyimpanan data dan unit pemrosesan, platform dan
aplikasi.
6. Berikut yang harus dilakukan oleh perusahaan 1.0, kecuali:
Membuat analitik dan keputusan berbasis fakta elemen kunci dari hubungan
pelanggan, produk dan layanan, strategi dan persaingan.
7. Contoh analytic 3.0
Fokus pada anomali dan pengecualian, data volume tinggi waktu nyata dari
sensor dan mesin, analisis untuk tren, pola, prediksi, pengomtimalan, kesadaran
situasional.
8. Salah satu fakta yang menunjukan aspek velocity dari big data
Mobil modern memiliki 100 sesnor yang memantau berbagai item pada mobil.
9. Netflix adalah contoh perusahaan yang tergolong
2.0
10. Dalam computer vision, contoh penerapan machine learning adalah, kecuali
Analitik rute.
11. Manakah pernyatan yang benar tentang era analytic 3.0
Perpaduan antara analitik tradisional dengan big data.
12. Koponen Hadoop yang berfungsi sebagai data storage
HDFS
13. Komponen Hadoop yang berfungsi sebagai data processing
MapReduce
14. Manakah pernyataan yang benar tentang Hadoop
Hadoop merupakah framework untuk bekerja dengan big data
15. Perbandingan SQL vs NoSQL
Static vs dynamic, relational vs Non-reational, structured query language vs un-
structured query language.
16. Berikut ini adalah saran untuk memasuki era analytic 3.0
Mulailah dengan kemampuan yang ada untuk manajemen data dan analitik, pilih
target dan sub-target analytics 3.0, tambahkan beberapa data volume besar yang
tidak terstruktur.
17. Istilah ‘machine learning’diciptakan pada tahun <T> oleh <P>
T=1959, P= Arthur Samuel.
18. Teknologi yang dibutuhkan para era analytic 3.0
Ketergantungan yang tinggi pada machine learning.
19. Contoh aplikasi machine learning dan analitik prediktif,
 Prediksi cashflow, wabah penyakit, hsrgs dinamis
20. Contoh data tidak terstruktur,
 Data media sosial
M3
1. Jenis database NoSQL apa yang membuat dan menjalankan aplikasi yang berjalan
dengan dataset yang selalu terhubung menjadi lebih mudah dan sering digunakan untuk
jaringan media sosial
Grafik.
2. Property big data yang penting, salah satunya adalah falaut tolerance, yaitu
Kemampuan untuk terus beroperasi walaupun terjadi kegagalan pada beberapa
komponen.
3. Pernyataan yang benar mengenai MapReduce adalah
Memperoses data besar secara parallel dalam cluster commodity hardware,
implementaasi dari framework pemerosesan batch, membagi masalah besar
menjadi masalah kecil yang dapat diselesaikan dengan cepat.
4. Terdapat 2 teknologi penyimpanan big data, yaitu
On disk storage devices dan in memory storage devices.
5. Berikut ini yang bukan merupakan Hadoop operation mode adalah
Globally distributed mode.
6. Sistem penyimpanan data cluster adalah
Kumpulan server atau node digabungkan secara erat dengan spesifikasi
perangkat keras yang sama. Serta terhubung melalui jaringan dan bekerja
sebagai salah satu kesatuan.
7. Hadoop adalah platform pemrosesan big data yaitu data yang mempunyai karakteristik
kecuali
Jumlah fitur yang tertentu.
8. Hadoop adalah framework yang
Melibatkan satu atau lebih cluster computer, memungkinkan pemerosesa secara
terdistribusi terhadap data yang berukuran besar, menerapakan programming
model yang sederhana.
9. Database NoSQL menggunakan beragam model data untuk mengakses dan mengelola
data. Jenis database ini dioptimalkan secara khusus untuk aplikasi yang memerlukan…,
yang dicapai dengan mengurangi pembatasan kositensi data dari database lainnya
Volume data besar, latensi rendah dan model data fleksibel.
10. Komponen layanan inti Hadoop
MapReduce, HDFS dan YARN.
11. Property big data yang penting salah satunya adalah aviability, yaitu
Ketersediaan layanan secara terus menerus.
12. Berikut yang dimaksud dengan menganalisa data dalam konteks big data adalah
Descriptive analytics, diagnostic analytics, predictive analytics dan prescriptive
analytics.
13. Type data berikut yang dapat ditangani oleh Hadoop adalah
Tidak terstruktur, semi-terstruktur, terstruktur.
14. Property big data yang penting salah satunya adalah scalability yaitu
Kemampuan menangani penambahan beban yang diberikan tanpa penurunan
kinerja.
15. Property big data yang penting, salah satunya adalah reliability yaitu
Handal
16. Pemerosesan data terdistribusi adalah pemerosesan
Yang menerapakan divide and conquer dalam fisik terpisah, namun terhubung
bersama dalam satu cluster.
17. Hadoop adalah framework yang bekerja bersama tools lain yang beragam. Kelompok
yang umum bekerja bersama Hadoop adalah
MapReduce, MySQL and google apps.
18. YARN singkatan dari
Yet Another Resource Negotiator.
19. Bagian pekerjaan utama MapReduce adalah
Map dan reduce.
20. NoSQL database adalah singkatan dari
Not-only structured query language database.
M4
1. Tahapan pertama data preprocessing adalah,

 Data Cleaning
2. Tanggal penjualan, nama pelanggan, nama barang, jumlah penjulan merupakan contoh
dari,
 Dataset Penjualan
3. Seberapa mudah data dapat dipahami merupakan kualitas data dari,
 Interpretability
4. Statistik dasar untuk mengukur sebaran data salah satunya adalah,
 Variance
5. Studi tentang bagaimana menganalisa data dan membersihkan data merupakan salah satu
tujuan dari,
 Data Cleaning
6. Normalisasi data dilakukan pada tahap data preprocessing,
 Data transformation
7. Penanganan missing value dapat dilakukan menggunakan nilai estimasi dari probailitas
bersyarat menggunakan metode,
 Bayessian
8. Salah satu jenis data record yang diekstrak menjadi kumpulan term dan ditulis
berdasarkan frekuensi kemunculan data, termasuk pada jenis data,
 Dokumen
9. Jenis kelamin, merupakan satu atribut data type,
 Nominal
10. Karakteristik data objek merupakan representasi dari,
 Atribut
11. Nilai yang mempresentasikan urutan seperti nilai mata kuliah termasuk dalam atribut data
type,
 Ordinal
12. Data cleansing merupakan tahapan untuk membersihkan data kotor sehingga menjadi data
set yang diolah. Data kotor tersebut berupa,
 Duplicate data, Outlier, Missing value
13. Data- data yang saling berhubungan, yang biasanya ditemukan pada jaringan internet
termasuk dalam jenis data,
 Graf
14. Imputasi nilai secara otomatis saat menangani incomplete data tidak dapat dilakukan
menggunakan,
 Nilai Tertinggi
15. Cara menangani noisy data, kecuali
 Ignore
16. Data berupa image, video bahkan suara termasuk jenis data,
 Multimedia
17. Data cleaning pada data preprocessing dilakukan,
 Imputasi, smoothing dan identifikasi
18. Bagaimana menangani missing value dengan tepat,
 Imputasi nilai manual, eliminasi data object, dan dibiarkan.
19. Berikut adalah nama lain dari data objek, kecuali
 Atribut
20. Tinggi badan, berat badan, usia, dan janis kelamin merupakan contoh representasi
karakteristik dari,
 Atribut
M5
21. Pernyataan yang tepat terkait data mining and knowledge discovery,
 Mengintegrasikan teori dan heuristik
22. Regression, Decision Trees, Bayesian, Neural Networks, Naive Bayes Rules, Support
Vector machines, genetic algorithms adalah pendekatan yang digunakan untuk,
 Klasifikasi
23. Metode untuk mempresentasikan hasil yang ditemukan dengan cara yang “bagus” secara
visual,
 Visualisasi
24. Karakteristik Big data yang terus bertambah dengan cepat secara real-time dinamakan,
 Volume
25. Attributes yang berisi informasi serperti item_ID, name, brand, category, supplier,
place_made and price, merupakan salah satu contoh jenis database,
 Penjualan
26. Fungsi dari data mining adalah salah satunya dapat mengetahui pola yang sering ( atau
kumpulan item yang sering) misalnya item apa yang sering dibeli bersama di Walmart
anda, ini dikenal dengan istilah,
 Asosiasi dan Analisis Korelasi
27. Pernyataan yang tepat terkait data minig and knowledge discovery,
 Fokus pada seluruh proses penemuan pengetahuan
28. Metode untuk memprediksi kelas instace dari instance yang diberi label sebelumnya,
 Klasifikasi
29. Pernyataan yang kurang sesuai dengan metode peringkasan,
 Mengelompokan data takberlabel
30. Yang bukan metode clusterisasi,
 Decision Tree
31. Untuk menghindari set pengujian yang tumpang tindih, data dibagi menjadi k himpunan
bagian dengan ukuran yang sama kemudian setiap subset secara bergantian digunakan
untuk pengujian dan sisanya untuk pelatihan,
 K-fold cross-validation
32. Jenis tugas data mining yang melakukan prediksi kelas,
 Klasifikasi
33. Jenis tugas data mining yang memfasilitasi penerimaan / penelusuran informasi bagi
pengguna,
 Visualisasi
34. Melihat suatu objek data yang tidak sesuai dengan prilaku umum data, sering digunakan
dalam deteksi penipuan atau analisis kejadian langka,
 Analisis Outlier
35. Urutan langkah melakukan klasifikasi,
 Pisahkan data menjadi set pelatihan dan pengujian, buat model pada set pelatihan,
evaluasi pada set pengujian
36. Metode untuk mengelompokan secara “alami” dari instance yang diberi data tanpa tabel,
 Klasterisasi
37. Proses pencarian konten baru dan konten yang perlu diperbaharui dengan megiriman
crawler keseluruh konten yang ditemukan dari tautan halaman merupakan salah satu
konsep data mining pada searcch engine yang dinamakan
 Crawl
38. Metode klasifikasi pada fungsi data mining yang menggunkan nilai estimasi dari
probabilits bersyarat dinamakan metode,
 Naive Bayessian
 Interpretabillity
40. Acuan yang tidak tepat ketika melakukan pengaturan parameter,
 Data pengujian harus digunakan untuk penyetelan parameter
M6
41. Model pembelajaran yang mempelajari bagaimana sistem dapat menyimpulkan suatu
fungsi untuk mendeskripsikan struktur tersembunyi dari data yang tidak berlabel. Sistem
ini tidak memprediksi keluaran yang benar, tetapi mengeksplorasi data dan dapat menarik
ksimpulan dari kumpulan data untuk mendeskripsikan struktur tersembunyi dari data yang
tidak berlabel,
 Unsupervised learning
42. Saat anda ingin mengungkap pengelompokan yang melekat dalam data seperti
mengelompokan hewan berdasarkan beberapa karakteristik/fitur mis jumlah kaki maka
model pembelajaran yang sesuai,
 Unsupervised learning-clustering
43. Tahapan yang tepat ketika melakukan training,
 Image features-training with labeled data –learned model
44. Gambar pada representasi diatas adala pola-pola struktur yang ada pada suatu koleksi data
(knowledge) dalam bentuk,
 Pohon
45. Yang tidak digunakan pada Model Supervised learning,
 Latent Simantic analysis
46. Model pembelajaran yang menggunakan data berlabel dan tidak berlabel untuk pelatihan,
 Semi suprvised learning
47. Tahapan yang tepat ketika melakukan testing,
 Image feature – learned model – prediction
48. Pola-pola struktur yang ada pada suatu koleksi data (knowledge) dapat direpresentasi
dalam bentuk if then rules,
 Aturan
49. Yang bukan tujuan supervised learning untuk membangun model yang dapat
menghasilkan output yang benar untuk suatu data input dapat digunakan untuk,
 Klaterisasi (Clustering)
 Aturan
51. Jika variabel keluaran adalah berupa kategori misalnya apel jeruk termasuk pada machine
learning betipe,
 Supervised – classification
52. Kumpulan data yang sudah dipastikan kebenarannya dari sis label, data awal, komponen2
data yang akan dijadikan kunci,
 Training set
53. Model ini belajar dar kumpulan data berlabel dan kemudian digunakan untuk
memprediksi peristiwa di masa depan,
 Supervised learning
54. Ciri – ciri dari masing-masing sample data misalnya smartphone, ciri memiliki,
 Feature/ atribute
55. Salah satu teknik digunakan untuk mengkontrol fenomena over-fitting adalah dengan cara
menambah pinalti ke fungsi error
 Regularization
 Tabel
57. Sebuah proses yang mempersiapkan data sehingga data tersebut bisa kita extract menjadi
satu vektor,
 Feature Extraction
58. Pembelajaran yang bertujuan memprediksi output dengan akurat untuk data baru dan
output ti bernilai kontinu rill, contoh untuk prediksi kerja CPU,
 Regresi
59. Pembelajaran yang menghasilkan nilai output ti bernilai diskrit kelas,
 Klasifikasi
60. Tujuan pembelajaran unsupervised adalah membangun model yang dapat menemukan
komponen/ variable / fitur tersembunyi pada data pelatihan, yang dapat digunakan untuk
hal berikut, kecuali,
 Pengklasifikasian (Clasifcation)
M7
61. Algoritma yang paling banyak digunakan untuk task Association rules,
 Apriori
62. Algoritma yang berusaha meemukan pola tersembunyi atau pengelompokan data tanpa
perlu campur tangan manusia,
 Unsupervised Learning
63. Pendekatan reduksi dimensi lain yang memfaktorkan matriks A menjadi 3 matriks
perngkat rendah SDV dilambangkan dengan rumus A = USTV,
 Autoencoders
64. Pembelajaran mesin tanpa pengawasan menggunakan algoritma pembelajaran mesin
untuk menganalsis dan mengelompokan set data tak berlabel,
 Unspervised Learning
65. Yang bukan tugas dari pembelajaran tanpa pengawasan,
 Regression
66. Algoritma yang bukan digunakan untuk pengelompokan (clustering),
 Auto Encoder
67. Metode berbasis aturan untuk menemukan hubungan antara variabel dalam kumpulan data
tertentu, metode ini sering digunakan untuk nalisisi keranjang pasar, memungkinkan
perusahaan untuk lebih memahami hubungan antara produk yang berbeda,
 Association
68. Teknik yang mengelompokan data yang tidak berlabel berdasarkan persamaan atau
perbedaannya. Algoritma ini digunakan untuk memproses objek data mentah dan tidak
terklaifikasi menjadi grup yang diwakili,
 Clustering
69. Algoritma yang menggunakan pohon hash untuk menghitung kumpulan item, menavigasi
kumpulan data dengan cara yang pertama. Algorutma ini telah dipopulerkan melalui
analisisi keranjang pasar, yang mengarah ke mesin rekomendasi berbeda .
 Apriori
70. Pengelompokan yang sebagai pendekatan bottom up dimana titik datanya diisolasi sebagai
pengelompokan terpisah pada awalnya, dan kemudian digabungkan bersama secara
iteratif atas dasar kesamaan hingga satu cluster tercapai,
 Pendekatan Aglomeratif
71. Teknik yang digunakan ketika jumlah fitur, atau dimensi, dalam kumpulan data tertentu
terlalu tinggi. Teknik ini mengurangi jumlah input data ke ukuran yang dapat dikelola
sambil juga menjaga integritas set,
 Dimensionality reduction
analisisi keranjang pasar, yang mengarah ke mesin rekomendasi berbeda, ini termasuk
kedalam task,
 Association
73. Kemampuan untuk menemukan persamaan dan perbedaan informasi menjadikan
unsupervised learning sebagai solusi ideal tugas di bawah ini, kecuali.
 Klasifikasi buah jeruk dan apel
74. Pendekatan unsupervised learning adalah,
 Mempelajari bagaimana cara kerja pembelajaran tanpa pengawasan
75. Pengelompokan yang mengambil pendekatan top down dalam hal ini, satu cluster data
dibagi berdasarkan perbedaan antara titik data. Pengelompokan dengan cara ini tidak
umum digunakan,tetapi masih perlu diperhatikan........pemisahan titik data pada setiap
iterasi,
 Pendekatan Divisive
76. Teknik yang memanfaatkan jaringan neural untuk mengompresi data dan kemudian
membuat ulang represetsi baru dari input data asli, terdapat lapisan tersembunyi seacara
khussus bertindak sebagai penghambat......di dalam lapisan keluaran,
 Autoencoders
77. Salah satu bentuk pengelompokan yang memungkinkan titik data menjadi bagian dari
beberapa kluster dengan derajat keanggotaan terpisah ini disebut juga pengeompokan
lembut atau fuzzy k means,
 Tumpang tindih (overlapping)
78. Salah satu bentuk pengelompokan yang enetapkan bahwa suatu titik data hanya dapat ada
dalam satu cluster. Ini juga bisa disebut sebagai pengelompokan keras . Algoritm yang
digunakan salah satunya adalah k means clustering,
 Clustering Eksekutif (Specifically exlusive)
79. Jenis algoritma pengurangan dimensi yang digunakan untuk mrngurangi redundansi dan
mengompresi kumpulan data melalui ekstrasi fitur. Unuk transformasi linier.....arah
ortogonal ke komponen sebelumnya dengan varians terbanyak,
 Primcipal component analysis
80. Teknik tanpa pengawasan yang membantu menyelesaikan estimasi kepadatan atau
masalah pengelompokan lunak......teknik yang paling umum digunakan adalah GMM,
 Pendekatan Probabilistic
M8
81. Reinforcement learning tepat digunakan untuk menyelesaikan permasalahan utama dalam,
 Permainan catur
82. Berikut ini merupakan contoh permasalahan yang dapat diselesaikan dengan
reinforcement learning,
 Sistem percakapan, self driving car, bermain game,
83. Markov Decision Process dapat didefinisikan kedalam n tuple, dimana bernilai,
 5
84. Efek dari suatu aksi yang dipilih dari suatu state yang bergantung hanya pada state
tersebut saja bukan pada state2 sbelumnya dikenal dengan sifat,
 Markov
85. Pernyataan yang benar terkait reinforcement learning,

 Aksi yang dapat dipilih pada setiap state tidak unik
86. Solusi dari Markov Decision Process disebut sebagai,
 Policy
87. Fungsi reward dalam markov decision process dapat bernilai,
 Rill, bulat, asli
88. Sifat markov dalam markov decision process diperlukan langsung dalam menentukan,
 Matriks probabilitas transisi
89. Reinforcement leraning dapat diterapkan dalam permasalahan,
 Penentuan jalur terpendek, Supervised learning, navigasi robot
90. Pemilihan suatu aksi pada suatu state tertentu didalam markov decision process ditentukan
oleh,
 Policy
91. Berikut ini merupakan pernyataan yang salah terkait markov decision process,
 Total policy pada suatu stte untuk semua reward adalah 1
92. Reinforcement learning merupakan bagian dari,
 Machine learning
93. Berikut ini merupakan beberapa algoritma reinforcement learning kecuali,
 Hill climbing bagged ensemble selection (HCES-Bag)
94. Efek daru suatu pilihan aksi pada suatu state ditentukan oleh,
 Model transisi
95. Reward dalam permasalahan shortest path yang dimodelkan dengan markov decision
process ditandai dengan,
 Nilai bobot pada ruas
96. Reinforcement learning dapat diilustrasikan sebagai interaksi antara,
 Agen dengan lingkungannya
97. Berikut ini merupakan pernyataan yang kurang tepat terkait reinforcement learning RL
 RL yang diselesaikan dengan markov decision prcess memerlukan data latih dalam
menentukn probabilitas transisinya
98. Pada markov decision process, pemilihan ruas jalan dalam permasalahan shortest path
merupakan bagian dari,
 Action
99. Dalam memilihaksi pada suatu state perlu diperhatikan hal-hal berikut ini,
 Memilih aksi yang memberikan state dengan nilai tertinggi
100.Sekumpulan token yang mewakili setiap kemungkinan keadaan dari agen disebabkan
sebagai,
 State
M9
101. Untuk memperbanyak feature yang berhasil diekstrak dalam alogaritma convolutional
neural network digunakan
 Padding
102. Dalam alogaritma convolutional neural network, ReLU seringkali digunakan pada
 Hidden layer
103. Berikut ini adalah teknik yang dapat digunakan pada pooling layer dalam alogaritma
convolutional neural network
 Max pooling, average pooling, min pooling
104. Untuk menyelesaikan permasalahan klasifikasi biner menggunakan alogaritma berbasis
neural network lebih tepat digunakan fungsi aktivasi
 ReLU
105. Sebuah citra berdimensi5x5 dengan filter 3x3 dan stide sebesar 2 akna menghasilkan
feature map berdimensi
 4x4
106. Pooling layer pada alogaritma convolutional neural network terdapat pada
 Hidden layer
107. Berikut ini merupakan contoh Algoritma Deep Learning,
 alogaritma recurrent neural network, Algoritma long short term memory, alogaritma
108. Berikut ini adalah efek dari mengecilnya nilai stride dalam alogaritma convolutional
neural network,
 Informasi yang diperoleh semakin detail
109. Dimensi dari feature map dalam alogaritma convolutional neural network bergantung
pada,
 Padding, stride, dimensi filter dan input
110. Untuk mencegah terjadinya overfitting dalam alogaritma convolutional neural network
dilakukan,
 Dropout regulazion
111. Berikut ini merupakan library phyton untuk algoritma deep learning,
 Pytorch, keras, tensorflow
112. Pooling layer bertujuan untuk,
 Mengurangi dimensi feature map, mempercepat prosess komputasi, mengatasi
overfiting
113. Algoritma deep learning berbasis,
 Machine learnng, artificial intelligence, neural network
114. Berikut ini merupakan loss function dalam alogaritma berbasis neural network ,
 Cross entropy
115. Parameter dalam alogaritma convolutional neural network yang menentukan berapa
jumlah pergeseran filter disebut sebagai,
 Stride
116. Berikut ini merupakan fungsi aktivasi dalam alogaritma convolutional neural network,
 Sigmoid, ReLU, tanh
117. Algoritma deep learning dapat menyelesaikan permasalahan berikut ini,
 Deteksi objek, natural language processing, pengenalan suara
118. Tahapan feature extraction pada alogaritma convolutional neural network terdiri dari
beberapa lapisan (layer) berikut ini, kecuali,
 Fully – connected layer
119. Salah satu ukuran dari confusion matrix yang dapat digunakan dalam mengukur tingkat
keberhasilan sistem dalam mengukur tingkat keberhasilan sistem dalam menemukan
kembali sebuah informasi adalah,
 Recall
120. Hasil dari proses flatten pada alogaritma convolutional neural network menjadi masukan
dalam,
1. Semakin banyak data hingga dapat melebihi terabyte merupakan penjelasan dari dimensi
big data dalam hal,
➢ Volume
2. Data Mobile positioning data MPD berupa,
➢ Lokasi, waktu, sumber sinyal
3. Proses menganalisa tulisan untuk menentukan nada emosional penulisnya merupakan
salah satu implementasi machine learning dalam,
➢ Sentiment Analysis
4. Visualisasi pada hasil analisis big data dapat disajikan dalam bentuk,
➢ Plot, Grafik 3D, table
5. Dataset dibentuk dari,
➢ Sekumpulan objek yang memiliki fitur yang sama
6. Contok aplikasi machine learning dan analitik prediktif,
➢ Penetapan harga barang, prediksi cashflow, prediksi harga saham
7. Data wherehouse dibuat dengan menerapkan serangkaian Langkah pemrosesan terhadap
data yang berasal dari beberapa basis data. Berikut ini adalah yang termasuk dalam
pemrosesan data tersebut.
➢ Transformasi data, integrasi data, data preparation
8. Social media termasuk dalam sumber data,
➢ Digital content
9. Keuntungan menggunakan mobile positioning data MDP adalah,
➢ Automatics counting, me-record visitor outsite immigration point, continues
counting
10. Metode untuk memprediksi kelas instance yang diberi label,
➢ Klasifikasi
11. Cara yang dapat dilakukan untuk meningkatkan analisis bigdata gemone bioinformatics
adalah,
➢ Pemanfaatan cloud computing, meningkatkan kecepatan prosesor, penerapan
teknologi GPU
12. Pilihan yang dapat menciptakan hasil yang paling optimal merupakan pendekatan analitik
dari,
➢ Preskriptif
13. Beragamnya jenis data di dalam big data yang meliputi data terstruktur, semi terstruktur
dan tidak terstruktur, merupakan dimensi big data dalam hal,
➢ Variety
14. Manakah yang benar dari pernyataan berikut ini,
➢ Prediktif, memperkirakan kenaikan harga emas
15. Karakteristik big data yang cepat sekali berubah baik dari sisi variable maupun tipe data
dinamakan,
➢ Velocity
16. Contoh solusi big data, kecuali
➢ Deteksi penipuaan, mesin rekomendasi, pendeteksi spam
17. Tools Bahasa pemrograman yang dapat digunakan dalam ilmu data science adalah,
➢ SQL, Python, R
18. Data yang dikumpulkan secara aktif dari sensor, misalnya melalui penginderaan jauh dan
gambar satelit merupakan sumber big data dalam hal,
➢ Sensing data
19. Salah satu library data science yang digunakan untuk pemrosesan sinyal, gambar, dan
rumus statistik, adalah,
➢ Scipy, GPText, OpenNPL
20. Berapa banyak spark context yang dapat aktif per java virtual machine,
➢ Semua salah (hanya 1, Tidak spesifik, lebih dri 1)
21. Berikut ini yang bukan merupakan fungsi dari spark context,
➢ Untuk mengatur konfigurasi
22. Spark dapat menjalankan…tugas pada setiap partisi,
➢ Banyak
23. Toleransi kesalahan pada resillent distributed data RDD dicapai menggunakan,
➢ Direct acyclic graph
24. Berikut ini yang bukan operasi action pada resillent distributed data adalah,
➢ Map
25. Apache spark berpotensi…lebih cepat untuk menjalankan program pemrosesan batch
didalam memori jika dibandingkan dengan Mapreduce,
➢ 100 kali
26. Manajemen memori dalam spark dikerjakan oleh,
➢ Spark core
27. Apache spark pertama kali diluncurkan open source pada tahun,
➢ 2010
28. API Machine Learning yang utama untuk spark saat ini adalah APi berbasis,
➢ Dataframe
29. Komponen berikut ini yang tidak terdapat diatas spark core adalah
➢ Spark RDD
30. Pernyataan berikut ini yang salah mengenai spark dan Hadoop adalah,
➢ Keduanya merupakan mesin komputasi cluster
31. Spark ditulis dalam Bahasa pemrograman,
➢ Scala (R, Python)
32. Berikut ini adalah beberapa manfaat penggunaan spark, kecuali
➢ Otomatis dalam mengoptimalkan kode program
33. Berikut ini yang bukan merupakan karakteristik dari apache spark adalah,
➢ Hanya dapat dijalankan pada hadoop YARN
34. Modul untuk memproses data terstruktur dalam spark adalah,
➢ Spark SQL
35. Berikut ini adalah pernyataan yang salah mengenai resillent distributed data RDD,
kecuali,
➢ RDD dalam apache spark adalah suatu kumpulan objek yang tidak dapat
berubah
36. Spark SQL menerjemahkan perintah kedalam bentuk kode yang diproses oleh,
➢ Executor nodes
37. Berikut ini yang bukan operasi transformasi pada RDD adalah,
➢ Filter
38. Spark lebih cepat dibandingkan dengan mapreduce karena,
➢ Didukung oleh api Bahasa pemrograman yang berbeda-beda
39. Cluster manager yang dapat digunakan pada spark adalah,
➢ Standalone scheduler, YARN, Mesos
40. Algoritma untuk mengukur seberapa pentingnya halaman situs web,
➢ Page rank
41. Fitur spark streaming,
➢ Pemulihan cepat dari kegagalan dan kekeliruan
42. Aliran data yang berkelanjutan dalam spark streaming disebut,
➢ Dstream
43. Alogritma untuk menemukan komponen terhubung dari suatu graf,
➢ Connected components
44. Urutan edge yeng memungkinkan anda berpindah dari vertex A ke vertex B disebut,
➢ Path
45. Yang diperlukan untuk menangani data besar dalam bentuk grafik,
➢ Analisis data grafik, visualisasi data grafik, database grafik
46. Contoh penggunaan spark streaming,
➢ Netflix, deteksi penipuan, uber
47. Manakah urutan yang benar untuk menjelaskan cara kerja spark streaming
1. Input data stream
2. Batch input data
3. Hasilnya adalah batch data yang telah
4. Oleh spark streaming data dibagi menjadi kumpulan
➢ 1-4-2-3
48. Contoh use case penggunaan spark graphx,
➢ Film baru yang paling direkomendasikan orang-orang 1 minggu terakhir,
orang2 mensitasi artikel, teman toni di facebook paling banyak
49. Langkah pipa pemrosesan data grafik
1. Pembuatan grafik
2. Pengolahan pasca
3. Pra pemrosesan data
4. Analisis
➢ 3-1-4-2
50. Pernyataan yang benar tentang apache spark, kecuali,
➢ Abstraksi memori terditribusi untuk komputasi dalam memori pada kluster
51. Contoh data base grafik
➢ Noe4j
52. Untuk menampilkan pola dibalik hubungan antara entitas data,
➢ Visualisasi grafik
53. Fitur spark graphx,
➢ Kecepatan, Pustaka algoritma, fleksibilitas
54. Algoritma untuk menentukan jumlah segitiga yang mewati setiap simpul dalam graf,
➢ Triangle count
55. Framework yang dapat digunakan untuk memproses data grafik dan menjalankan analisis
prediktif pada data,
➢ Spark graphX
56. Pernyataan yang benar spark streaming,
➢ Memproses menggunakan algoritma kompleks, dapat menyerap data, daya
yang diproses dapat dikirim ke system file
57. Pernyataan yang benar tentang graph,
➢ Graph terdiri dari simpul dan sisi, semua yang ada di facebook adalah contoh,
edge menunjukan relasi
58. Apa yang menyebabkan spark streaming memiliki toleransi kesalahan,
➢ Kumpulan data input direplikasi dalam memori
59. Operasi jendela membutuhkan parameter
➢ Window length
60. CUDA yang diciptakan Nvidia adalah singkatan dari,
➢ Compute Unifed Device Architecture
61. Tiga tahap alur pemrosesan dalam eksekusi program CUDA,
➢ Langkah ke-1 : Salin input data dari CPU memory ke GPU memory, Langkah 2
: Muat program GPU dan eksekusi caching, Langkah 3 : salin hasil dari GPU
memory ke CPU memory
62. Architecture CUDA menerapkan pendekatan berupa kumpulan streaming multiprocessor
SM yang,
➢ Mengeksekusi sejumlah intruksi yang sama pda beberapa thread pada berbagai
wilayah data, sehingga dikenal dengan istilah single instruction, multiple threads
SIMT
63. Komputasi parallel adalah komputasi yang,
➢ Melibatkan banyak kalkulasi atau pemrosesan yang dilaksanakan secara
serentak simultan, dimana masalah besar dibagi dalam beberapa masalah kecil
yang kemudian diselesaikan dalam waktu yang sama.
64. Tujuan utama dari pemrograman parallel adalah untuk meningkatkan performa
komputasi, performa dalam pemrograman parallel diukur dari,
➢ Berapa banyak peningkatan kecepatan yang diperoleh dalam menggunakan
Teknik parallel.
65. CUDA C++ adalah perluasan C++ sehingga programmer dapat mendefinisikan fungsi
C++, yang Ketika dipanggil akan dieksekusi sebanyak N kali secara parallel oleh N
CUDA thread yang berbeda. Fungsi ini dikenal dengan istilah,
➢ Kernel
66. Kernel pada pemrograman CUDA agar dieksekusi paada device, dideklarasi
menggunakan
➢ _global_
67. Sistem distribusi (distributed computing) adalah Teknik komputasi parallel dimana
➢ Komputer yang digunakan secara bersamaan dalam melakukan komputasi
dilakukan oleh komputer-komputer terpisah yang terhubung
68. Perintah kernel <<N,M>>(..) menunjukan device untuk,
➢ Mempersiapkan block sebanyak N dengan thread sebanyak M ditiap block
69. Istilah thread pada GPU adalah,
➢ Satuan matrik untuk pemrosesan parallel pada GPU
70. Dua kata istilah penting yang digunakan dalam CUDA, yaitu: host, dan device. Istilah
host pada CUDA mengacu pada
➢ CPU
device pada CUDA mengacu pada,
➢ GPU
72. GPU dalam teknologi komputasi adalah singkatan dari,
➢ Graphics processing Unit
73. Pengelolaan memori pada device pada dasarnya menggunakan,
➢ cudaMalloC(), cudaMemcpy(), cudaFree()
74. Pernyataan yang benar mengenai thread block pada GPu,
➢ Thread block terdiri dari beberapa thread, dan beberapa thread block
digabung dalam satu grid
75. CUDA adalah platform komputasi parallel dengan arsitektur komputasi masuk dalam,
➢ Heterogenous karena melibatkan CPU dan GPU
76. Pernyataan yang benar mengenai pemrograman parallel pada GPU,
➢ Adalah salah satu cara untuk mempercepat pemrosesan untuk komputasi yang
besar
77. Pernyataan berikut yang benar mengenai CUda,
➢ Cuda adalah suatu platform untuk komputasi parallel, dan memanfaatkan
GPU untuk komputasi
78. CPU dari suatu unit computer adalah singkatan
➢ Central processing unit
79. Perintah kernel <<N,M>> menunjukan device untuk,
➢ Mempersiapkan block sebanyak N dengan thread sebanyak M di tiap block
80. Bahasa pemrograman phyton tergolong cepat karena,
➢ Bahasa pemrograman tingkat tinggi, dapat diinterpretasikan, dapat dikodekan
secara dinamis
81. Bahasa pemrograman pyhton tergolong lambat untuk eksekusi,
➢ Tugas yang berulang dan tergolong tinggat rendah
82. Modul kompilasi tepat waktu pada Pyhton untuk CPU adalah,
➢ Numba
83. Berikut ini adalah urutan proses yang dijalankan oleh numba,
➢ Rewrite IR, Lowering, LLVM IR, LLVM/NVVM JIT
84. Banyaknya operasi-operasi kecil yang berulang merupakan salah satu penyebab Bahasa
pemrogram python,
➢ Tergolong lambat
85. Berikut ini pernyataan yang tepat tentang python adalah,
➢ Python tergolong cepat untuk pengembangan, Python tergolong lambat untuk
eksekusi
86. Elemen dalam RRD dikelompokan kedalam beberapa partisi dan hanya dapat disimpan
pada sebuah node yang berbeda merupakan konsep RDD dalam hal,
➢ Distributed
87. Numba dapat menangani,
➢ Alokasi data dari dan ke host jika diperlukan, penyalinan data dari dan ke host
88. Komputasi pada GPU cluster dapat menggunakan,
➢ Numba, Pyspark
89. Berikut ini yang salah terkait dengan numba adalah,
➢ Semua Salah, Bersama dengan spark dapat menjalankan kode program pada spark
workers dengan GPU
90. Bahasa pemrograman Python tergolong cepat digunakan untuk,
➢ Menulis, Menguji, Mengembangkan kode program
91. Apache spark bukan merupakan,
➢ (Semua Salah) Suatu mesin untuk mengeksekusi komputasi terdistribusi pada
suatu klaster, suatu application programming interface
92. Spark diimplementasikan dalam,
➢ Scala dan java
93. Berikut ini adalah komputasi primitive yang tersedia pada spark untuk melakukan
paralelisme dan meminimumkan komunikasi antar workers
➢ Map ,Filter, Reduce
94. Berikut ini yang benar terkait dengan numba, kecuali
➢ Open source, kode dapat dibangkkitkan dengan LLVM CPU, dapat
menterjemahkan sintak Piton ke kode mesin, diimplementasikan sebagai suatu
modul
95. Modul kompilasi tepat waktu pada pyhton untuk GPU adalah,
➢ Cuda
96. Api spark memiliki dukungan yang terbatas pada Bahasa pemrograman,
➢ R
97. Permasalahan alokasi memori dalam komputasi pada GPU terdapat pada tugas yang
berskala
➢ Kecil
98. Type interface pada proses numba memerlukan
➢ Functions argument, numba IR
99. Pemrograman terdistribusi dalam python adalah,
➢ Numba atau Pyspark
Dashboard / My courses /
ATA 2021/2022 | 2-FTI | Kompuasi Big Data | TEAM TEACHING
/
Pertemuan 10: Penerapan Big Data di Sektor Perbankan (M12) /
Kuis M12: Penerapan Big Data di Sektor Perbankan
Started on Monday, 27 June 2022, 12:09 PM

State Finished
Completed on Monday, 27 June 2022, 12:21 PM
Time taken 12 mins 30 secs
Question 1 Pengumpulan dan penyaringan informasi dari sumber data:

Correct
Marked out of Select one:

1.00
a. Data Extraction
b. Data Identification
c. Data Acquisition dan Filtering 
d. Data Aggregation dan Representation
Question 2 Proses di mana data mentah dikumpulkan dan diekspresikan dalam bentuk ringkasan untuk analisis statistik.
Correct

1.00
a. Data Extraction
c. Data Aggregation dab Representation 
d. Data Acquisition dan Filtering
Question 3 Proses memilih dan mengambil data dari satu atau beberapa sumber:
Correct

1.00
a. Data Acquisition dan Filtering
b. Data Extraction 
c. Data Aggregation dan Representation
d. Data Identification
Question 4 Di antara karakteristik IBM AS-400 server:

Correct

1.00
a. Mudah beradaptasi dan fleksibel
b. Dapat menjalankan berbagai macam bahasa pemrograman
c. Dapat memiliki lebih dari 200 prosesor
d. Semua benar 
Question 5 Pencarian informasi terkait tipe data, struktur data, bentuk data, dan isi serta sumber data:
Correct

1.00
a. Data Extraction
b. Data Aggregation dan Representation
c. Data Identification 
d. Data Acquisition dan Filtering
Question 6 Big Data Analytics Lifecycle:

Correct

1.00
a. Busines Case Evaluation - Data Identification - Data Acquisition & Filtering - Data Extraction - Data Validation
& Cleansing - Data Aggregation & Representation - Data Analysis - Data Visualization - Utilization of
Analysis Results 
b. Business Case Evaluation - Data Identification - Data Extraction - Data Validation & Cleansing - Data
Aggregation & Representation - Data Analysis - Data Visualization - Utilization of Analysis Results
c. Busines Case Evaluation - Data Identification - Data Acquisition & Filtering - Data Extraction - Data Validation
& Cleansing - Data Analysis - Data Visualization - Utilization of Analysis Results
d. Busines Case Evaluation - Data Identification - Data Acquisition & Filtering - Data Extraction - Data Validation
& Cleansing - Data Aggregation & Representation - Data Analysis - Utilization of Analysis Results
Question 7 Pernyataan yang salah tentang Core Banking System:

Correct

1.00
a. Dibuat oleh vendor asing 
b. Digunakan untuk memproses loan
c. Di dalamnya tersimpan data nasabah serta semua transaksi sejak nasabah membuka rekening di bank sampai
menutupnya.
d. Umumnya diasosiasikan dengan retail banking
Question 8 Perbedaan Data Tradisional dan Big Data pada komponen Data Model:
Incorrect

1.00
a. Fixed Schema vs Schema-less
b. Known relationsip vs complex/unknown relationship
c. Semua benar 
d. Centralized vs Distributed
Question 9 Perangkat server yang digunakan sebagai Core Banking Server:

Correct

1.00
a. Semua benar
b. MySQL Server
c. IBM AS-400 
d. MS SQL Server
Question 10 Perbedaan Data Tradisional dan Big Data pada komponen Data relationship:
Correct

1.00
a. Centralized vs Distributed
b. Fixed Schema vs Schema-less
c. Known relationsip vs complex/unknown relationship 
d. Semua benar
Question 11 Teknologi Big Data dalam hal Data Visualization:

Correct

1.00
a. Kafka
b. Hadoop
c. Tableau 
d. Facebook
Question 12 Teknologi Big Data dalam hal Data Storage:

Correct

1.00
a. Tableau
b. Hadoop 
c. Facebook
d. Kafka
Question 13 Yang bukan merupakan karakteristik Big Data:

Correct

1.00
a. Kesamaan data 
b. Volume Data yang besar
c. Jenis data bervariasi
d. Kebenaran data
Question 14 Yang bukan termasuk manfaat Core Banking System:

Correct

1.00
a. Mempercepat akses untuk analisis
b. Mengurangi efisiensi karyawan 
c. Naiknya kepercayaan nasabah
d. Menghemat biaya operasional
Question 15 Perbedaan Data Tradisional dan Big Data pada komponen Arsitektur:
Correct

1.00
a. Semua benar
c. Known relationsip vs complex/unknown relationship
d. Centralized vs Distributed 
Question 16 Keuntungan Big Data di perbankan:
Correct

1.00
a. Memprediksi trend keuangan
b. Menanalisis resiko
c. Mendorong inklusivitas
d. Semua benar 
Question 17 Aplikasi Core Banking System untuk memfasilitasi nasabah agar dapat melakukan transaksi sendiri:
Correct

1.00
a. DDS (Demand Deposit System)
b. LNS (Loan System)
c. CIS (Customer Identification System) 
d. GLS (General Ledger System)
Question 18 Sumber data dalam Big Data:

Correct

1.00
a. Semua benar 
b. Komunikasi
c. Media
d. Sensor
Question 19 Tipe data dalam Big Data:

Correct

1.00
a. Semua benar 
b. Data semi terstruktur
c. Unstructured data
d. Data terstruktur
Question 20 Fungsi paling mendasar dari Core Banking:

Correct

1.00
a. Melayani seluruh nasabah untuk berbagai kebutuhan seperti funding, lending, dan deposit uang 
b. Semua salah
c. Mentransfer dana dari satu cabang ke cabang lainnya
d. Merekam semua transaksi yang terjadi dalam rekening nasabah.
◄ Materi M12: Penerapan Big Data di Kuis M12: Penerapan Big Data di Sektor
Jump to...
Sektor Perbankan Perbankan (Kelas Malam) ►
3/8/2021 Kuis M1 : Big Data Computing Overview: Attempt review
Dashboard / My courses / ATA 2020/2021 | 2-FIKTI | Komputasi Big Data | TEAM TEACHING / Pertemuan 1 : Big Data Computing Overview
/ Kuis M1 : Big Data Computing Overview
Started on Monday, 8 March 2021, 11:31 AM

State Finished
Completed on Monday, 8 March 2021, 11:33 AM
Time taken 1 min 46 secs
Grade 95.00 out of 100.00
Question 1 Beragamnya jenis data di dalam Big Data yang meliputi data terstruktur, semi terstruktur dan bahkan data tidak
Correct terstruktur, merupakan penjelasan dari dimensi Big Data dalam hal:
Mark 5.00 out of
5.00 Select one:
Velocity
Volume
Variety 
Veracity
The correct answer is: Variety
Question 2 Contoh solusi Big Data, kecuali:

Correct
Mark 5.00 out of Select one:

5.00
Mesin rekomendasi
Input Nilai Mahasiswa 
Semua benar
Deteksi Penipuan
The correct answer is: Input Nilai Mahasiswa
Question 3 Dalam arsitektur Big Data, solusi berupa rekomendasi, berada pada posisi sebagai:
Correct

5.00
Data Computing & Analysis
Data Storage Layer
Data Format
End Result 
The correct answer is: End Result
1
Online
https://v-class.gunadarma.ac.id/mod/quiz/review.php?attempt=2403724&cmid=491419 1/6
Question 4 Dalam ekosistem Big Data, proses pre-prosesing data dapat dilakukan menggunakan:
Correct

5.00
HDFS
Sqoop 
Facebook
Tableu
The correct answer is: Sqoop
Question 5 Data Warehouse dibuat dengan menerapkan serangkaian langkah pemrosesan terhadap data yang berasal dari beberapa
Incorrect basis data. Berikut ini adalah yang termasuk dalam pemrosesan data tersebut:
Mark 0.00 out of
5.00 Select one:
Pembersihan data
Semua benar
Integrasi data 
Transformasi data
The correct answer is: Semua benar
Question 6 Dataset dibentuk dari:

Correct

5.00
Semua salah
Sekumpulan fitur yang memiliki nilai yang sama
Sekumpulan fitur yang memiliki objek yang sama
Sekumpulan objek yang memiliki fitur yang sama 
The correct answer is: Sekumpulan objek yang memiliki fitur yang sama
Question 7 Komponen Komputasi Big Data di lapisan Middleware terdiri dari:

Correct

5.00
SDK Layer 
Semua benar
Resource Layer
Interface Layer
The correct answer is: SDK Layer
Question 8 Kumpulan data yang disusun dalam tabel berformat persegi panjang yang terdiri dari baris dan kolom disebut sebagai:
Correct

5.00
Semua salah
Data Warehouse
Database
Flat files 
The correct answer is: Flat files
Question 9 Manakah yang benar dari pernyataan berikut ini:

Correct

5.00
Memperkirakan puncak dari kasus positif Covid-19, adalah contoh analisis prediktif. 
Prediktif, menilai tindakan
Deskriptif, perkiraan berdasarkan data yang tersedia
Preskriptif, memodelkan perilaku masa lalu
The correct answer is: Memperkirakan puncak dari kasus positif Covid-19, adalah contoh analisis prediktif.
Question 10 Model basis data yang berupa deret waktu (time series):
Correct

5.00
Temporal database 
Text database
Semua salah
Spatial database
The correct answer is: Temporal database
Question 11 Objek disebut juga:

Correct

5.00
Semua benar 
Unit
Data points
Record
Question 12 Salah satu keunggulan DGX A100:

Correct

5.00
Konsumsi daya lebih sedikit
Semua benar 
Biaya lebih murah
Tidak membutuhkan ruang yang besar
Question 13 Sekumpulan tabel dimana bentuk setiap tabel analog dengan flat file, disebut:
Correct

5.00
Semua salah
Data Warehouse
DBMS
Database 
The correct answer is: Database
Question 14 Semakin banyak data hingga mencapai ukuran Peta Byte atau bahkan lebih, merupakan penjelasan dari dimensi Big Data
Correct dalam hal:
Mark 5.00 out of
5.00 Select one:
Variety
Volume 
Velocity
Veracity
The correct answer is: Volume
Question 15 Sumber data yang digunakan dalam aplikasi Big Data dapat berupa:
Correct

5.00
Data Asuransi Kesehatan
Data Finansial
Semua benar 
Data Media Sosial
Question 16 Tempat penyimpanan data yang dikumpulkan di lokasi berbeda (basis data relasional) dan disimpan menggunakan skema
Correct terpadu:
Mark 5.00 out of
5.00 Select one:
Data Warehouse 
Transactional database
Semua benar
Spatial Database
The correct answer is: Data Warehouse
Question 17 Tipe nilai dapat berupa:

Correct

5.00
Object
Fitur
Semua salah
Numerik 
The correct answer is: Numerik
Question 18 Unit informasi tunggal disebut:

Correct

5.00
Fitur/atribut
Dataset
Nilai 
Objek
The correct answer is: Nilai
Question 19 Visualisasi dari hasil analisis Big Data dapat berupa:

Correct

5.00
Semua benar 
Tabel
Grafik 3D
Plot
Question 20 Yang merupakan framework untuk Machine Learning:

Correct

5.00
Azure ML
Amazon ML
Apache Spark MLlib 
Semua benar
The correct answer is: Apache Spark MLlib
◄ Materi M1 : Big Data Computing Kuis M1 : Big Data Computing Overview

Jump to...
Overview (Khusus Kelas Malam) ►
3/15/2021 1 pesan baru
Dashboard / My courses / ATA 2020/2021 | 2-FIKTI | Komputasi Big Data | TEAM TEACHING
/ Pertemuan 2 : Big Data Computing, Applications and Technologies / Kuis M2 : Big Data Computing, Applications and Technologies

State Finished
Grade 100.00 out of 100.00
Question 1 Arsitektur Hadoop terdiri dari:

Correct

5.00
a. Storage layer, Processing Layer, Application Layer
b. Storage layer, Resource Management Layer, Application Layer 
c. Data layer, Processing Layer, Service Layer
d. Storage layer, Service Layer, Application Layer
The correct answer is: Storage layer, Resource Management Layer, Application Layer
Question 2 Berikut ini adalah saran untuk memasuki era Analytic 3.0:
Correct

5.00
a. Mulailah dengan kemampuan yang ada untuk manajemen data dan analitik
b. Pilih target dan sub-target analytics 3.0
c. Semua benar 
d. Tambahkan beberapa data volume besar yang tidak terstruktur
Question 3 Berikut ini yang harus dilakukan oleh perusahaan 1.0, kecuali:
Correct

5.00
a. Membuat analitik dan keputusan berbasis fakta elemen kunci dari hubungan pelanggan, produk dan layanan,
strategi, dan persaingan 
b. Temukan pelanggan terbaik, tetapkan harga terbaik kepada mereka
c. Buat penawaran yang efektif
d. Pahami biaya dan dorong kinerja yang lebih baik
The correct answer is: Membuat analitik dan keputusan berbasis fakta elemen kunci dari hubungan pelanggan, produk
dan layanan, strategi, dan persaingan
1
Online
Question 4 Contoh Analytic 3.0:

Correct

5.00
a. Semua benar 
b. Data volume tinggi waktu nyata dari sensor dan mesin
c. Fokus pada anomali dan pengecualian
d. Analisis untuk tren, pola, prediksi, pengoptimalan, kesadaran situasional
Question 5 Contoh Aplikasi Machine Learning dan Analitik Prediktif:

Correct

5.00
a. Prediksi wabah penyakit
b. Semua benar 
c. Penetapan harga dinamis
d. Prediksi Cashflow
Question 6 Contoh data tidak terstruktur:

Correct

5.00
a. Data media sosial 
b. Data transaksi penjualan
c. Data pegawai
d. Semua benar
The correct answer is: Data media sosial
Question 7 Contoh implementasi dalam perusahaan:

Correct

5.00
a. Sistem Manajemen Inventaris Cerdas pada perusahaan Ford, menyarankan pesanan mingguan untuk dealer dan
telah meningkatkan pendapatan sebesar $ 100 juta / tahun
b. Procter & Gamble melakukan Analisis sentimen media sosial real time untuk "Pulsa Konsumen"
c. Semua benar 
d. Monsanto membayar hampir $ 1 miliar untuk The Climate Company, yang mengumpulkan dan menganalisis data
cuaca untuk pertanian
Question 8 Dalam computer vision, contoh penerapan Machine Learning adalah, kecuali:
Correct

5.00
a. Analitik Rute 
b. Pengenalan wajah
c. Deteksi suhu tubuh
d. Pengenalan objek
The correct answer is: Analitik Rute
Question 9 Istilah 'Machine Learning' diciptakan pada tahun <T> oleh <P>:
Correct

5.00
a. T = 1969, P = Yann LeCun
b. T = 1959, P = Arthur Samuel 
c. T = 1989, P = Tom M. Mitchell
d. T = 1999, P = Bill Gates
The correct answer is: T = 1959, P = Arthur Samuel
Question 10 Komponen Hadoop yang berfungsi sebagai data processing:

Correct

5.00
a. YARN
b. HDFS
c. Semua benar
d. MapReduce 
The correct answer is: MapReduce
Question 11 Komponen Hadoop yang berfungsi sebagai data storage:

Correct

5.00
a. Semua benar
b. MapReduce
c. YARN
d. HDFS 
The correct answer is: HDFS
Question 12 Manakah pernyataan yang benar tentang era Analytic 3.0:

Correct

5.00
a. Data yang kompleks, besar dan tidak terstruktur
b. Perpaduan antara analitik tradisional dengan Big Data 
c. Dibutuhkan kapabilitas analitis dan komputasi baru
d. Sumber data dari internal, relatif kecil dan data terstruktur dari pelanggan
The correct answer is: Perpaduan antara analitik tradisional dengan Big Data
Question 13 Manakah pernyataan yang benar tentang Hadoop:

Correct

5.00
a. Hadoop merupakan Google File System
b. Hadoop merupakan framework untuk bekerja dengan Big Data 
c. Hadoop mulai dikembangkan pada tahun 2008
d. Semua benar
The correct answer is: Hadoop merupakan framework untuk bekerja dengan Big Data
Question 14 Netflix adalah contoh perusahaan yang tergolong:

Correct

5.00
a. 1.0
b. Semua benar
c. 2.0 
d. 3.0
The correct answer is: 2.0
Question 15 Perbandingan SQL vs NoSQL:

Correct

5.00
a. Structured Query Language vs Un-structured Query Language
b. Relational vs Non-Relational
c. Semua benar 
d. Static vs Dynamic
Question 16 Perbandingan Traditional vs Big Data Analytics:

Correct

5.00
a. Process centric vs Information centric
b. Mahal vs Terjangkau
c. Hard to scale vs Scales out forever
d. Semua benar 
Question 17 Salah satu bentuk data tidak terstruktur:

Correct

5.00
a. Document
b. Graph
c. Key-Value
d. Semua benar 
Question 18 Salah satu fakta yang menunjukkan aspek Velocity dari Big Data:
Correct

5.00
a. 27% responden dalam satu survei tidak yakin dengan banyaknya data mereka yang tidak akurat
b. Semua benar
c. Mobil modern memiliki 100 sensor yang memantau berbagai item pada mobil 
d. Pertumbuhan data tidak terstruktur mencapai 60% - 80% per tahun
The correct answer is: Mobil modern memiliki 100 sensor yang memantau berbagai item pada mobil
Question 19 Salah satu tonggak penting dalam Big Data Analytic dalam aspek pengadaan infrastruktur:
Correct

5.00
a. Analisis data untuk setiap kasus bisnis spesifik Anda dan visualisasikan dengan cara yang bermakna
b. Dapatkan infrastruktur yang tepat yang dibutuhkan berdasarkan arsitektur solusi Anda termasuk penyimpanan
data dan unit pemrosesan, platform, dan aplikasi 
c. Adaptasi dan ubah organisasi Anda menuju teknologi big data dan implementasi analitik baru
d. Kembangkan arsitektur Solusi untuk kasus bisnis Anda termasuk proses pengumpulan data, arsitektur teknologi
dan metode analitik serta visualisasi data
The correct answer is: Dapatkan infrastruktur yang tepat yang dibutuhkan berdasarkan arsitektur solusi Anda termasuk
penyimpanan data dan unit pemrosesan, platform, dan aplikasi
Question 20 Teknologi yang dibutuhkan pada era Analytic 3.0:

Correct

5.00
a. Keduanya benar
b. Berpusat pada Data Warehouse
c. Ketergantungan yang tinggi pada Machine Learning 
d. Keduanya salah
The correct answer is: Ketergantungan yang tinggi pada Machine Learning
Kuis M2 : Big Data Computing,

◄ Materi M2 : [SEGMENT 3] Hadoop &
Jump to... Applications and Technologies (khusus
Big Data - Analytics Journey
kelas Malam) ►
3/22/2021 Kuis M3 : Introduction to Hadoop: Attempt review
Dashboard / My courses / ATA 2020/2021 | 2-FIKTI | Komputasi Big Data | TEAM TEACHING / Pertemuan 3 : Introduction to Apache Hadoop
/ Kuis M3 : Introduction to Hadoop

State Finished
Question 1 Jenis database NoSQL apa yang membuat dan menjalankan aplikasi yang berjalan dengan dataset yang selalu terhubung
Correct menjadi lebih mudah dan sering digunakan untuk jaringan media sosial.
Mark 5.00 out of
5.00 Select one:
a. Primary key
b. Grafik 
c. Dokumen
d. Pencarian
The correct answer is: Grafik
Question 2 Bagian pekerjaan utama MapReduce adalah

Correct

5.00
a. map dan combine
b. combine dan partition
c. map dan reduce 
d. shuffle dan sort
The correct answer is: map dan reduce
Question 3 NoSQl database adalah singkatan dari

Correct

5.00
a. Not-only Structured Query Language database 
b. No Like Structured Query Language database
c. Numbered of Structured Query Language database
d. Numbered of sequel database
The correct answer is: Not-only Structured Query Language database
1
Online
Question 4 Database NoSQL menggunakan beragam model data untuk mengakses dan mengelola data. Jenis database ini
Incorrect dioptimalkan secara khusus untuk aplikasi yang memerlukan…., yang dicapai dengan mengurangi pembatasan konsistensi
Mark 0.00 out of data dari database lainnya.
5.00
Select one:
a. volume data besar, latensi rendah, dan model data fleksibel 
b. volume data besar, latensi rendah, dan model data fleksibel
c. volume data besar, latensi rendah, dan model data fleksibel
d. volume data besar, latensi rendah, dan model data fleksibel
The correct answer is: volume data besar, latensi rendah, dan model data fleksibel
Question 5 Type data berikut yang dapat ditangani oleh Hadoop adalah
Correct

5.00
a. Tidak terstuktur
b. Semi – terstruktur
c. Terstruktur
d. Semua benar 
Question 6 Pernyataan yang benar mengenai MapReduce, adalah:

Correct

5.00
a. memproses data besar secara parallel dalam cluster pada commodity hardware
b. semua benar 
c. implementasi dari framework pemrosesan batch
d. membagi masalah besar menjadi masalah kecil yang dapat diselesaikan dengan cepat
The correct answer is: semua benar
Question 7 Sistem penyimpanan data cluster adalah

Correct

5.00
a. Menyimpan data dengan mempartisi secara horizontal dan pecahan horizontal tersebut di simpan secara terpisah
pada node server.
b. Data disimpan dengan cara menyalin dataset dan meyimpan Salinan tersebut pada beberapa node
c. Penyimpanan dan pengaturan data pada perangkat penyimpanan harddisk atau flashdisk, dan menyediakan logical
view dari data yang disimpan dalam struktur hirakis direktori file.
d. Kumpulan server atau node digabungkan secara erat, dengan spesifikasi perangkat keras yang sama. Serta
terhubung melalui jaringan dan bekerja sebagai satu kesatuan 
The correct answer is: Kumpulan server atau node digabungkan secara erat, dengan spesifikasi perangkat keras yang
sama. Serta terhubung melalui jaringan dan bekerja sebagai satu kesatuan
Question 8 Terdapat 2 (dua) teknologi Penyimpanan Big Data, yaitu

Correct

5.00
a. Flashdisk dan harddisk
b. Reliable dan Fault tolerance
c. SQL dan No-SQL
d. On Disk Storage Devices dan In Memory Storage Devices 
The correct answer is: On Disk Storage Devices dan In Memory Storage Devices
Question 9 Berikut yang dimaksud dengan menganalisa data dalam konteks big data adalah:
Correct

5.00
a. Descriptive analytics, diagnostic analytics, predictive analytics, dan prescriptive analytics 
b. mean statistic analytics, deviation standard analytics, dan percentil analytics
c. Menentukan jumlah data dan atribut data
d. Classification analytics, regression analytics, clustering analytics, dan hadooping analytics
The correct answer is: Descriptive analytics, diagnostic analytics, predictive analytics, dan prescriptive analytics
Question 10 Berikut ini yang bukan merupakan Hadoop operation mode, adalah
Correct

5.00
a. Globally distributed mode 
b. Stand alone mode
c. Fully-Distributed mode
d. Pseudo distributed mode
The correct answer is: Globally distributed mode
Question 11 Properti Big data yang penting, salah satunya adalah scalability, yaitu:
Correct

5.00
a. Kemampuan menanganai penambahan bebab yang diberikan tanpa penurunan kinerja 
b. Ketersediaan layanan secara terus menerus
c. Handal
d. Kemampuan untuk terus beroperasi walaupun terjadi kegagalan pada beberapa komponen
The correct answer is: Kemampuan menanganai penambahan bebab yang diberikan tanpa penurunan kinerja
Question 12 Hadoop adalah framework yang

Correct

5.00
a. Melibatkan satu atau lebih cluster Komputer
b. Semua benar 
c. Menerapkan programming model yang sederhana
d. Memungkinkan pemrosesan secara terdistribusi terhadap data yang berukuran besar
Question 13 Hadoop adalah platform pemrosesan big data yaitu data yang mempunyai karakteristik kecuali:
Correct

5.00
a. Jumlah fitur yang tertentu 
b. Terakumulasi dengan cepat (high speed velocity)
c. Inconsistent dan uncertaint
d. Volume besar, struktur data yang beragam (variety), dan nilai data yang diperlukan (useful value)
The correct answer is: Jumlah fitur yang tertentu
Question 14 Properti Big data yang penting, salah satunya adalah reliability, yaitu:
Correct

5.00
a. Kemampuan untuk terus beroperasi walaupun terjadi kegagalan pada beberapa komponen
b. Kemampuan menanganai penambahan bebab yang diberikan tanpa penurunan kinerja
c. Handal 
d. Ketersediaan layanan secara terus menerus
The correct answer is: Handal
Question 15 Properti Big data yang penting, salah satunya adalah fault tolerance, yaitu:
Correct

5.00
a. Kemampuan untuk terus beroperasi walaupun terjadi kegagalan pada beberapa komponen 
c. Handal
The correct answer is: Kemampuan untuk terus beroperasi walaupun terjadi kegagalan pada beberapa komponen
Question 16 YARN singkatan dari

Correct

5.00
a. Yahoo’s another resource name
b. Yet another resource negotiator 
c. Yet another resource need
d. Yahoo’s archived Resource names
The correct answer is: Yet another resource negotiator
Question 17 Hadoop adalah framework yang bekerja bersama tools lain yang beragam. Kelompok yang umum bekerja bersama
Correct Hadoop adalah
Mark 5.00 out of
5.00 Select one:
a. MapReduce, Hummer and Iguana
b. MapReduce, Heron and Trumpet
c. MapReduce, Hive and Hbase 
d. MapReduce, MySQL and Google Apps
The correct answer is: MapReduce, Hive and Hbase
Question 18 Komponen layanan inti Hadoop adalah

Correct

5.00
a. Speed, consistency, dan volume
b. MapReduce, HDFS, dan YARN 
c. SQL, NoSQL, Cluster
d. ClickStream, Sensor, dan Sentiment
The correct answer is: MapReduce, HDFS, dan YARN
Question 19 Pemrosesan data terdistribusi adalah pemrosesan

Correct

5.00
a. yang membagi pemrosesan dalam beberapa batch dan dilakukan secara offline
b. yang menerapkan divide and conquer dalam fisik terpisah, namun terhunung Bersama dalam satu cluster 
c. yang melibatkan pelaksanaan sub-tugas secara bersamaan secara kolektif membentuk tugas yang besar melalui
beberapa processor
d. yang menggunakan pendekatan pendekatan interaktif tanpa penundaan
The correct answer is: yang menerapkan divide and conquer dalam fisik terpisah, namun terhunung Bersama dalam satu
cluster
Question 20 Properti Big data yang penting, salah satunya adalah aviability, yaitu:
Correct

5.00
b. Handal
c. Ketersediaan layanan secara terus menerus 
d. Kemampuan menanganai penambahan bebab yang diberikan tanpa penurunan kinerja
The correct answer is: Ketersediaan layanan secara terus menerus
Kuis M3 : Introduction to Hadoop (khusus

◄ Materi M3 : Introduction to Hadoop Jump to...
kelas MALAM)) ►
Dashboard / My courses / ATA 2020/2021 | 2-FIKTI | Komputasi Big Data | TEAM TEACHING / Pertemuan 4 : Data Preprocessing
/ Kuis M4 : Data Preprocessing

State Finished
Grade 100.00 out of 100.00
Question 1 Bagaimana menangani missing value dengan tepat?

Correct

5.00
A,B,dan C benar 
Imputasi nilai manual
Dibiarkan
Eliminasi data object
Question 2 Berikut adalah nama lain dari data objek, kecuali

Correct

5.00
Atribut 
Record
Instance
Sample
Question 3 Cara menangani noisy data, kecuali

Correct

5.00
Regression
Combined Computer
Ignore 
Clustering
Question 4 Data berupa image, video bahkan suara termasuk jenis data
Correct

5.00
Record
Ordered
Graf
Multimedia 
1
Online
Question 5 data cleaning pada data preprocessing dilakukan..

Correct

5.00
Identifikasi dan integrasi dari multiple database
Imputasi, smoothing dan identifikasi 
Normalisasi dan diskritasi data
Dimensionality reduction dan data compression
Question 6 Data Cleansing merupakan tahapan untuk membersihkan data kotor sehingga menjadi dataset yang siap diolah. Data
Correct kotor tersebut berupa
Mark 5.00 out of
5.00 Select one:
missing value
duplicate data
outlier
A,B,C benar 
Question 7 Data-data yang saling berhubungan, yang biasanya ditemukan pada jaringan internet termasuk dalam jenis data
Correct

5.00
Multimedia
Graf 
Record
Ordered
Question 8 Imputasi nilai secara otomatis saat menangani incomplete data tidak dapat dilakukan menggunakan
Correct

5.00
interpolasi
Nilai tertinggi 
Rata-rata
Median
Question 9 Jenis kelamin, merupakan salah satu atribut data type…

Correct

5.00
Numerik
Ordinal
Nominal 
Rasio
Question 10 Karakteristik data objek merupakan representasi dari

Correct

5.00
Dataset
Data objek
Data sample
Atribut 
Question 11 Nilai yang merepresentasikan urutan seperti nilai mata kuliah termasuk dalam atribut data type..
Correct

5.00
Rasio
Ordinal 
Numerik
Nominal
Question 12 Normalisasi data dilakukan pada tahap data preprocessing ..

Correct

5.00
data transformation 
data Integration
data cleaning
data reduction
Question 13 Penanganan missing value dapat dilakukan menggunakan nilai estimasi dari probabilitas bersyarat menggunakan metode
Correct

5.00
Eliminasi
Mean
Bayessian 
Regresi
Question 14 Salah satu jenis data record yang diekstrak menjadi kumpulan term dan ditulis berdasarkan frekuensi kemunculan data,
Correct termasuk pada jenis data
Mark 5.00 out of
5.00 Select one:
Dokumen 
Matriks
Sosial network
Transaksi
Question 15 Seberapa mudah data dapat dipahami merupakan kualitas data dari..
Correct

5.00
Interpretability 
Believability
Completeness
Consistency
Question 16 Statistik dasar untuk mengukur sebaran data salah satunya adalah
Correct

5.00
Variance 
Median
Mean
Modus
Question 17 Studi tentang bagaimana menganalisis data dan membersihkan data merupakan salah satu tujuan dari
Correct

5.00
Data testing
Data cleansing 
Data validation
Data training
Question 18 Tahapan pertama data preprocessing adalah

Correct

5.00
data Integration
data transformation
data reduction
data cleaning 
Question 19 Tanggal penjualan, nama pelanggan, nama barang, jumlah penjualan merupakan contoh dari
Correct

5.00
Atribut penjualan
Dataset penjualan 
Data sample penjualan
Data objek penjualan
Question 20 Tinggi badan, berat badan, usia, dan jenis kelamin merupakan contoh representasi karakteristik dari
Correct

5.00
Data sample
Atribut
Dataset
Data objek 
◄ Materi M4 : Data Preprocessing Kuis M4 : Data Preprocessing (khusus

Jump to...
(update 29/03/2021) kelas MALAM)) ►
Dashboard / My courses / ATA 2020/2021 | 2-FIKTI | Komputasi Big Data | TEAM TEACHING / Pertemuan 5 : Introduction to Data Mining
/ Kuis M5 : Introduction Data Mining
Started on Monday, 5 April 2021, 11:57 AM

State Finished
Completed on Monday, 5 April 2021, 12:20 PM
Question 1 Metode untuk mempresentasikan hasil yang ditemukan dengan cara yang "bagus" secara visual
Correct

5.00
a. Asosiasi
b. Visualisasi 
c. Klasterisasi
d. Klasifikasi
Question 2 Untuk menghindari set pengujian yang tumpang tindih, data dibagi menjadi k himpunan bagian dengan ukuran yang
Correct sama kemudiansetiap subset secara bergantian digunakan untuk pengujian dan sisanya untuk pelatihan
Marked out of
5.00 Select one:
a. k-fold cross-validation 
b. Model Sorted list
c. Commulative PCT Hits
d. Direct Marketing Paradigm
Question 3 Metode untuk mengelompokkan secara "alami" dari instance yang diberi data tanpa label
Correct

5.00
a. Asosiasi
b. Klasterisasi 
c. Klasifikasi
d. Visualisasi
Question 4 Pernyataan yang kurang sesuai dengan metode peringkasan

Correct

5.00
a. Menjelaskan fitur dari grup yang dipilih
b. Mengelompokkan data tak berlabel 
c. Menggunakan bahasa dan grafik alami
d. Biasanya dalam Kombinasi dengan deteksi Deviasi atau metode lain
1
Online
Question 5 Acuan yang tidak tepat ketika melakukan pengaturan parameter

Correct

5.00
a. Data pengujian harus digunakan untuk penyetelan parameter 
b. Data pengujian tidak dapat digunakan untuk penyetelan parameter
c. Data pengujian tidak digunakan dengan cara apa pun untuk membuat pengklasifikasi
d. Skema pembelajaran beroperasi dalam dua tahap yaitu membangun struktur dasar dan mengoptimalkan
pengaturan parameter
Question 6 Jenis tugas data mining yang menfasilitasi penerimaan / penelusuran informasi bagi pengguna
Correct

5.00
a. Asosiasi
b. Klasterisasi
c. Klasifikasi
d. Visualisasi 
Question 7 Karakteristik Big Data yang terus bertambah dengan cepat secara real-time dinamakan
Correct

5.00
a. Volume 
b. variety
c. Velocity
d. Value
Question 8 Fungsi dari data mining adalah salah satunya dapat mengetahui pola yang sering (atau kumpulan item yang sering)
Correct misalnya item apa yang sering dibeli bersama di Walmart Anda. Ini dikenal dengan istilah
Marked out of
5.00 Select one:
a. Klasterisasi
b. Outlier Analysis
c. Klasifikasi
d. Asosiasi dan Analisis Korelasi 
Question 9 Proses pencarian konten baru dan konten yang perlu diperbaharui dengan mengirimkan crawler ke seluruh konten yang
Correct ditemukan dari tautan halaman merupakan Salah satu konsep data mining pada Search Engine yang dinamakan
Marked out of
5.00 Select one:
a. Index
b. Crawl 
c. Rank
d. Searching
Question 10 Metode untuk memprediksi kelas instance dari instance yang diberi label sebelumnya
Correct

5.00
a. Visualisasi
b. Klasterisasi
c. Asosiasi
d. Klasifikasi 
Question 11 Melihat suatu objek data yang tidak sesuai dengan perilaku umum data, sering digunakan dalam deteksi penipuan atau
Correct analisis kejadian langka
Marked out of
5.00 Select one:
a. Analisis Outlier 
b. Klasifikasi
c. Klasterisasi
d. Asosiasi dan Analisis Korelasi
Correct

5.00
a. Consistency
b. Believability
c. Completeness
d. Interpretability 
Question 13 Regression, Decision Trees, Bayesian, Neural Networks, Naïve Bayes Rules, Support Vector Machines, Genetic Algorithms
Correct adalah pendekatan yang digunakan untuk
Marked out of
5.00 Select one:
a. Asosiasi
b. Klasifikasi 
c. Visualisasi
d. Klasterisasi
Question 14 Urutan langkah melakukan klasifikasi

Correct

5.00
a. Buat model pada set pelatihan, Evaluasi pada set pengujian (Latih ulang?), Pisahkan data menjadi set pelatihan dan
pengujian
b. Pisahkan data menjadi set pelatihan dan pengujian, Buat model pada set pelatihan, Evaluasi pada set pengujian

c. Buat model pada set pelatihan, pilih secara acak jumlah instance kelas minoritas yang diinginkan, Evaluasi pada set
pengujian
d. Evaluasi pada set pengujian, Buat model pada set pelatihan, Pisahkan data menjadi set pelatihan dan pengujian
Question 15 Pernyataan yang tepat terkait data mining and knowledge discovery
Correct

5.00
a. lebih heuristik
b. lebih fokus pada pengujian hipotesis
c. lebih teori
d. mengintegrasikan teori dan heuristik 
Question 16 Jenis tugas data mining yang melakukan prediksi kelas

Correct

5.00
a. Klasterisasi
b. Visualisasi
c. Klasifikasi 
d. Asosiasi
Correct

5.00
a. lebih fokus pada pengujian hipotesis
b. fokus pada seluruh proses penemuan pengetahuan 
c. fokus pada peningkatan kinerja agen pembelajaran
d. melihat pembelajaran real-time dan robotika
Question 18 Attributes yang berisi informasi seperti item_ID, name, brand, category, supplier, place_made and price, merupakaan salah
Correct satu contoh jenis database
Marked out of
5.00 Select one:
a. Social media
b. Penjualan 
c. Penyewaan
d. Marketing
Question 19 Metode klasifikasi pada fungsi data mining yang menggunakan nilai estimasi dari probabilitas bersyarat dinamakan
Correct metode
Marked out of
5.00 Select one:
a. Naive Bayessian 
b. Mean
c. Regresi
d. Eliminasi
Question 20 Yang bukan Metode clusterisasi

Correct

5.00
a. Exclusive vs. overlapping
b. Decision Tree 
c. Deterministic vs. probabilistic
d. Hierarchical vs. flat
Kuis M5 : Introduction Data Mining

◄ Video M5 : Introduction Data Mining Jump to...
(KHUSUS KELAS MALAM)) ►
/ Pertemuan 6 : Introduction to Machine Learning (Supervised) / Kuis M6 : Introduction to Machine Learning (Supervised)
Started on Monday, 12 April 2021, 12:46 PM

State Finished
Question 1 Model Pembelajaran yang mempelajari bagaimana sistem dapat menyimpulkan suatu fungsi untuk mendeskripsikan
Correct struktur tersembunyi dari data yang tidak berlabel. Sistem ini tidak memprediksi keluaran yang benar, tetapi
Marked out of mengeksplorasi data dan dapat menarik kesimpulan dari kumpulan data untuk mendeskripsikan struktur tersembunyi dari
5.00 data yang tidak berlabel.
Select one:
a. Reinfocement Learning
b. Supervised Learning
c. Semi Supervised Learning
d. Unsupervised Learning 
Question 2 Tahapan yang tepat ketika melakukan testing

Correct

5.00
a. Image Features - Training With Labeled Data – Prediction
b. Image Features - Learned Model - Prediction 
c. Image Features - Training With Labeled Data - Learned Model
d. Image Features - Training With Unlabel Data -Learned Model - Prediction
Question 3 Jika variabel keluaran adalah berupa kategori misalnya “apel”, “jeruk” termasuk pada machine learning bertipe
Correct

5.00
a. Unsupervised
b. Supervised -Regresion
c. Reinfocement
d. Supervised – Classification 
Question 4
Correct
Marked out of
5.00
Gambar pada representasi di atas adalah Pola-pola struktur yang ada pada suatu koleksi data (knowledge) dalam bentuk
Select one:
a. Pohon
b. Aturan 
c. Tabel
d. Instance
1
Online
Question 5 Saat Anda ingin mengungkap pengelompokan yang melekat dalam data, seperti mengelompokkan hewan berdasarkan
Correct beberapa karakteristik / fitur, mis. jumlah kaki maka model pembelajaran yang sesuai
Marked out of
5.00 Select one:
b. Supervised Learning - Regression
c. Supervised Learning - Classification
d. Unsupervised Learning - Clustering 
Question 6 Pola-pola struktur yang ada pada suatu koleksi data (knowledge) dapat direpresentasi dalam bentuk if then rules :
Correct

5.00
a. Tabel
b. Instance
c. Pohon
d. Aturan 
Question 7 Model pembelajaran yang menggunakan data berlabel dan tidak berlabel untuk pelatihan.
Correct

5.00
a. Semi Supervised Learning 
b. Unsupervised Learning
c. Supervised Learning
d. Reinfocement Learning
Question 8 Pembelajaran yang bertujuan memprediksi output dengan akurat untuk data baru dan output ti bernilai kontinu (riil),
Correct contoh untuk Prediksi kinerja CPU
Marked out of
5.00 Select one:
a. Klasifikasi
b. Klasterisasi
c. Generalisasi
d. Regressi 
Question 9 Tahapan yang tepat ketika melakukan training

Correct

5.00
b. Image Features - Training With UnLabeled Data - Prediction
c. Image Features - Training With Labeled Data - Learned Model 
d. Image Features - Learned Model - Prediction
Question 10 Salah satu teknik yang digunakan untuk mengkontrol fenomena over-fitting adalah dengan cara menambah finalti ke
Correct fungsi error.
Marked out of
5.00 Select one:
a. regularization 
b. generalization
c. model selection
d. prediction
Question 11 Tujuan pembelajaran unsupervised adalah membagun model yang dapat menemukan komponen / variabel / fitur
Correct tersembunyi pada data pelatihan, yang dapat digunakan untuk hal berikut, kecuali
Marked out of
5.00 Select one:
a. Reduksi dimensi (dimension reduction)
b. Pengklasifikasian (classification) 
c. Pengelompokan (clustering)
d. Rekomendasi
Question 12
Correct
Marked out of
5.00
Select one:
a. Aturan
b. Instance
c. Pohon
d. Tabel 
Question 13 Model ini belajar dari kumpulan data berlabel dan kemudian digunakan untuk memprediksi peristiwa di masa depan.
Correct

5.00
a. Semi Supervised Learning
b. Reinfocement Learning
c. Unsupervised Learning
d. Supervised Learning 
Question 14 Pembelajaran yang menghasilkan Nilai output ti bernilai diskrit (kelas)

Correct

5.00
a. Generalisasi
b. Klasterisasi
c. Regressi
d. Klasifikasi 
Question 15 Yang bukan tujuan supervised learning untuk membangun model yang dapat menghasilkan output yang benar untuk
Correct suatu data input dapat digunakan untuk
Marked out of
5.00 Select one:
a. Pengklasifikasian (classification)
b. Ranking
c. Klasterisasi (clustering) 
d. Regresi (regression)
Question 16 Yang tidak digunakan pada Model Supervised Learning

Correct

5.00
a. Neural Networks
b. Linear Model
c. Latent Semantic Analysis 
d. Support Vector Machine
Question 17
Correct
Marked out of
5.00
Select one:
a. Aturan
b. Pohon 
c. Tabel
d. Instance
Question 18 Kumpulan data yg sudah dipastikan kebenarannya, dr sisi label, data awal, komponen2 data yg akan dijadikan kunci,
Correct

5.00
a. Feature Extraction
b. Instance
c. Feature/ atribut
d. Training Set 
Question 19 Sebuah proses yg mempersiapkan data sehingga data tsb bisa kita extract cirinya menjadi suatu vektor
Correct

5.00
a. Training Set
b. Instance
c. Feature Extraction 
d. Feature/ atribut
Question 20 Ciri-ciri dari masing-masing sample data misalnya Smartphone. ciri: memiliki ...
Correct
Marked out of
5.00 Select one:
a. Training Set
b. Feature/ atribut 
c. Instance
d. Feature Extraction
Kuis M6 : Introduction to Machine

◄ Materi M6 : Introduction to Machine
Jump to... Learning (Supervised) (KHUSUS KELAS
Learning-Supervised
MALAM)) ►
4/19/2021 Kuis M7 : Unsupervised Learning: Attempt review
/ Pertemuan 7 : Introduction to Machine Learning (Unsupervised) / Kuis M7 : Unsupervised Learning
Started on Monday, 19 April 2021, 11:40 AM 1

State Finished Online
Completed on Monday, 19 April 2021, 11:45 AM
Question 1 Pengelompokan yang sebagai "pendekatan bottom-up". Di mana titik datanya diisolasi sebagai pengelompokan terpisah
Correct pada awalnya, dan kemudian digabungkan bersama secara iteratif atas dasar kesamaan hingga satu cluster tercapai.
Marked out of
5.00 Select one:
a. Pendekatan Overlapping
b. Pendekatan Aglomeratif 
c. Pendekatan Divisive
d. Pendekatan Probabilistic
Question 2 Teknik yang digunakan ketika jumlah fitur, atau dimensi, dalam kumpulan data tertentu terlalu tinggi. Teknik ini
Correct mengurangi jumlah input data ke ukuran yang dapat dikelola sambil juga menjaga integritas set data sebanyak mungkin,
Marked out of biasanya digunakan dalam tahap data praproses
5.00
Select one:
a. Dimensionality reduction 
b. Association
c. clustering
d. Regression
Question 3 Algoritme yang menggunakan pohon hash untuk menghitung kumpulan item, menavigasi kumpulan data dengan cara
Incorrect yang pertama. Algoritma ini telah dipopulerkan melalui analisis keranjang pasar, yang mengarah ke mesin rekomendasi
Marked out of yang berbeda untuk platform musik dan pengecer online.Misalnya, jika saya memutar radio Black Sabbath di Spotify,
5.00 dimulai dengan lagu mereka "Anggrek", salah satu lagu lain di saluran ini kemungkinan besar adalah lagu Led Zeppelin,
seperti "Over the Hills dan Far Away." Ini didasarkan pada kebiasaan mendengarkan saya sebelumnya serta kebiasaan
orang lain.
Select one:
a. Eclat
b. Apriori 
c. Apriori
d. FP-Growth
Correct yang pertama. Algoritma ini telah dipopulerkan melalui analisis keranjang pasar, yang mengarah ke mesin rekomendasi
orang lain. Ini termasuk task
Select one:
a. Dimensionality reduction
b. Regression
c. clustering
d. Association 
Question 5 Algoritme yang berusaha menemukan pola tersembunyi atau pengelompokan data tanpa perlu campur tangan manusia.
Correct

5.00
a. Supervised Learning
b. Deep Learning
c. Unsupervised Learning 
d. Semi Supervised Learning
Question 6 Metode berbasis aturan untuk menemukan hubungan antara variabel dalam kumpulan data tertentu. Metode ini sering
Correct digunakan untuk analisis keranjang pasar, memungkinkan perusahaan untuk lebih memahami hubungan antara produk
Marked out of yang berbeda. Memahami kebiasaan konsumsi pelanggan memungkinkan bisnis untuk mengembangkan strategi
5.00 penjualan silang dan mesin rekomendasi yang lebih baik.
Select one:
a. Association 
b. clustering
c. Regression
d. Dimensionality reduction
Question 7 Jenis algoritme pengurangan dimensi yang digunakan untuk mengurangi redundansi dan mengompresi kumpulan data
Correct melalui ekstraksi fitur. Metode ini menggunakan transformasi linier untuk membuat representasi data baru, menghasilkan
Marked out of sekumpulan "komponen utama". Komponen utama pertama adalah arah yang memaksimalkan varians dari dataset.
5.00 Sementara komponen utama kedua juga menemukan varians maksimum dalam data, itu sama sekali tidak berkorelasi
dengan komponen utama pertama, menghasilkan arah yang tegak lurus, atau ortogonal, ke komponen pertama. Proses
ini berulang berdasarkan jumlah dimensi, dimana komponen utama berikutnya adalah arah ortogonal ke komponen
sebelumnya dengan varians terbanyak.
Select one:
a. Singular value decomposition
b. FP-Growth
c. Autoencoders
d. Principal component analysis 
Question 8 Pendekatan reduksi dimensi lain yang memfaktorkan matriks, A, menjadi tiga matriks peringkat rendah. SVD
Correct dilambangkan dengan rumus, A = USVT, di mana U dan V adalah matriks ortogonal. S adalah matriks diagonal, dan nilai S
Marked out of dianggap sebagai nilai tunggal matriks A. Principal component analysis
5.00
Select one:
b. FP-Growth
c. Autoencoders 
Question 9 Pengelompokan yang mengambil pendekatan "top-down". Dalam hal ini, satu cluster data dibagi berdasarkan perbedaan
Correct antara titik data. Pengelompokan dengan cara ini tidak umum digunakan, tetapi masih perlu diperhatikan dalam konteks
Marked out of pengelompokan hierarkis. Proses pengelompokan ini biasanya divisualisasikan menggunakan dendrogram, diagram mirip
5.00 pohon yang mendokumentasikan penggabungan atau pemisahan titik data pada setiap iterasi.
Select one:
a. Pendekatan Aglomeratif
b. Pendekatan Probabilistic
c. Pendekatan Overlapping
d. Pendekatan Divisive 
Question 10 Algoritma yang paling banyak digunakan untuk task Association rules
Correct

5.00
a. FP-Growth
b. Apriori
c. Apriori 
d. Eclat
Question 11 Salah satu bentuk pengelompokan yang memungkinkan titik data menjadi bagian dari beberapa kluster dengan derajat
Correct keanggotaan terpisah. Ini disebut juga Pengelompokan "lembut" atau fuzzy k-means
Marked out of
5.00 Select one:
a. Memecah belah (Divisive)
b. Clustering Eksklusif (specifically exclusive)
c. Tumpang tindih (overlapping) 
d. Hierarkis ( hierarchical)
Question 12 Yang bukan tugas dari pembelajaran tanpa pengawasan

Correct

5.00
a. Association
b. Dimensionality reduction
c. Regression 
d. clustering
Question 13 Salah satu bentuk pengelompokan yang menetapkan bahwa suatu titik data hanya dapat ada dalam satu cluster. Ini juga
Correct bisa disebut sebagai pengelompokan "keras". Algoritma yang digunakan salah satunya adalah K-means clustering
Marked out of
5.00 Select one:
b. Clustering Eksklusif (specifically exclusive) 
c. Hierarkis ( hierarchical)
d. Tumpang tindih (overlapping)
Question 14 Pendekatan Unsupervised Learning adalah

Correct

5.00
a. Mempelajari bagaimana cara kerja pembelajaran dengan pengawasan
b. Mempelajari bagaimana cara kerja pembelajaran tanpa pengawasan dan dengan pengawasan
c. Mempelajari bagaimana cara kerja pembelajaran tanpa pengawasan 
d. Mempelajari bagaimana cara kerja pembelajaran yang mendalam
Question 15 Teknik tanpa pengawasan yang membantu menyelesaikan estimasi kepadatan atau masalah pengelompokan "lunak".
Correct Dalam hal ini, titik data dikelompokkan berdasarkan kemungkinannya termasuk dalam distribusi tertentu. Teknik yang
Marked out of paling umum digunakan adalah Gaussian Mixture Model (GMM)
5.00
Select one:
a. Pendekatan Probabilistic 
b. Pendekatan Aglomeratif
d. Pendekatan Divisive
Question 16 Pembelajaran mesin tanpa pengawasan, menggunakan algoritme pembelajaran mesin untuk menganalisis dan
Correct mengelompokkan set data tak berlabel
Marked out of
5.00 Select one:
b. Deep Learning
Question 17 Kemampuannya untuk menemukan persamaan dan perbedaan informasi menjadikannya unsupervised learning sebagai
Correct solusi ideal tugas tugas di bawah ini, kecuali
Marked out of
5.00 Select one:
a. strategi penjualan silang
b. Klasifikasi buah jeruk dan buah apel 
c. Analisis data eksplorasi
d. Segmentasi pelanggan
Question 18 Algoritme yang bukan digunakan untuk pengelompokan (Clustering)

Correct

5.00
a. Clustering ekslusif (specifically exclusive)
b. Tumpang tindih (overlapping)
d. Auto Encoder 
Question 19 Teknik yang mengelompokkan data yang tidak berlabel berdasarkan persamaan atau perbedaannya. Algoritma ini
Correct digunakan untuk memproses objek data mentah dan tidak terklasifikasi menjadi grup yang diwakili oleh struktur atau
Marked out of pola dalam informasi.
5.00
Select one:
a. Clustering 
c. Regression
d. Association
Question 20 Teknik yang memanfaatkan jaringan neural untuk mengompresi data dan kemudian membuat ulang representasi baru
Correct dari input data asli. Terdapat lapisan tersembunyi secara khusus bertindak sebagai penghambat untuk memampatkan
Marked out of lapisan masukan sebelum merekonstruksi di dalam lapisan keluaran.
5.00
Select one:
b. Principal component analysis
c. Autoencoders 
d. FP-Growth
Kuis M7 : Unsupervised Learning

◄ Materi M7 : Unsupervised Learning Jump to...
(KHUSUS KELAS MALAM) ►
4/26/2021 Kuis M8 : Reinforcement: Attempt review
/ Pertemuan 8 : Introduction to Machine Learning (Reinforcement) / Kuis M8 : Reinforcement

State Finished
Question 1 Reinforcement learning tepat digunakan untuk menyelesaikan permasalahan utama dalam:
Correct

5.00
a. Segmentasi pelanggan
b. Permainan catur 
c. Peramalan cuaca
d. Pengenalan objek
Question 2 Berikut ini merupakan contoh permasalahan yang dapat diselesaikan dengan reinforcement learning:
Correct

5.00
a. Sistem percakapan
b. Self-driving car
c. Semua benar 
d. Bermain Game
Question 3 Markov Decision Process dapat didefinisikan kedalam n-tuple, dimana bernilai:
Correct

5.00
a. 4
b. 3
c. 6
d. 5 
Question 4 Efek dari suatu aksi yang dipilih dari suatu state yang bergantung hanya pada state tersebut saja bukan pada state-state
Correct sebelumnya dikenal sebagai sifat:
Marked out of
5.00 Select one:
a. Markov 
b. Bellman
c. Transisi
d. Stokastik
1
Online
Question 5 Pernyataan yang benar terkait reinforcement learning:

Correct

5.00
a. Semua benar
b. Untuk aksi yang bersifat stokastik harus memenuhi sifat Markov
c. Input yang diterima oleh agen berupa state, action dan reward
d. Aksi yang dapat dipilih pada setiap state tidak unik 
Question 6 Solusi dari Markov Decision Process disebut sebagai:

Correct

5.00
a. Policy 
b. Reward
c. Model
d. Action
Question 7 Fungsi reward dalam Markov Decision Process dapat bernilai bilangan:
Correct

5.00
a. Semua benar 
b. Riil
c. Bulat
d. Asli
Question 8 Sifat Markov dalam Markov Decision Process diperlukan langsung dalam menentukan:
Correct

5.00
a. Fungsi reward
b. Aksi yang dipilih
c. Fungsi nilai state-action
d. Matriks probabilitas transisi 
Question 9 Reinforcement learning dapat diterapkan dalam permasalahan:

Correct

5.00
a. Penentuan jalur terpendek
b. Supervised learning
c. Semua benar 
d. Navigasi robot
Question 10 Pemilihan suatu aksi pada suatu state tertentu didalam Markov Decision Process ditentukan oleh:
Correct

5.00
a. Model
b. Reward
c. Value
d. Policy 
Question 11 Berikut ini merupakan pernyataan yang salah terkait Markov Decision Process:
Correct

5.00
a. Fungsi nilai state-action dapat dinyatakan dalam persamaan ekspektasi Bellman
b. Elemen matriks probabilitas transisi bernilai antara 0 dan 1
c. Fungsi reward dapat dinyatakan sebagai suatu fungsi ekspektasi
d. Total policy pada suatu state untuk semua reward adalah 1 
Question 12 Reinforcement learning merupakan bagian dari:

Correct

5.00
a. Dynamic Programming
b. Markov Decision Process
c. Semua benar
d. Machine learning 
Question 13 Berikut ini merupakan beberapa algoritma reinforcement learning, kecuali:

Correct

5.00
a. Hill-Climbing Bagged Ensemble Selection (HCES-Bag) 
b. State-Action-Reward-State-Action (SARSA)
c. Deep Deterministic Policy Gradient (DDPG)
d. Q-learning
Question 14 Efek dari suatu pilihan aksi pada suatu state ditentukan oleh:
Correct

5.00
a. Semua salah
b. Model transisi 
c. Policy
d. Fungsi reward
Question 15 Reward dalam permasalahan shortest path yang dimodelkan dengan Markov Decision Process ditandai dengan:
Correct

5.00
a. Total nilai bobot simpul dan ruas
b. Nilai bobot pada simpul
c. Nilai bobot pada ruas 
d. Semua salah
Question 16 Reinforcement learning dapat diilustrasikan sebagai interaksi antara:

Correct

5.00
a. Semua benar
b. Reward dengan state berikutnya
c. Agen dengan lingkungannya 
d. State dengan aksi yang dipilih
Question 17 Berikut ini merupakan pernyataan yang kurang tepat terkait reinforcement learning (RL):
Correct

5.00
a. RL dapat digunakan pada robotik untuk otomasi industri
b. RL yang diselesaikan dengan Markov Decision Process memerlukan data latih dalam menentukan probabilitas
transisinya 
c. RL dapat digunakan dalam menciptakan sistem pelatihan untuk siswa yang bersifat kustom
d. RL memerlukan lingkungan untuk berinteraksi secara repetitif
Question 18 Pada Markov Decision Process, pemilihan ruas jalan dalam permasalahan shortest path merupakan bagian dari:
Correct

5.00
a. Value
b. Reward
c. State
d. Action 
Question 19 Dalam memilih aksi pada suatu state perlu diperhatikan hal-hal berikut ini:
Correct

5.00
a. Nilai state-action pada suatu waktu berlaku untuk sembarang policy
b. Memilih aksi yang memberikan state dengan nilai tertinggi 
c. Semua benar
d. Memaksimumkan reward pada masa mendatang
Question 20 Sekumpulan token yang mewakili setiap kemungkinan keadaan dari agen disebut sebagai:
Correct

5.00
a. State 
b. Action
c. Semua salah
d. Reward
Kuis M8 : Reinforcement (KHUSUS KELAS

◄ Materi M8 : Reinforcement Learning Jump to...
MALAM) ►
M10 Team Teaching
1. Salah satu library data science yang digunakan untuk pemrosesan sinyal, gambar, dan rumus
statistik adalah.. Semua Benar
2. Beragamnya jenis data di dalam Big Data yang meliputi data terstruktur, semi terstruktur
dan tidak terstruktur, merupakan dimensi Big Data dalam hal: Variety
dari.. Preskriptif
4. Sumber data yang digunakan dalam aplikasi Big Data dapat berupa: Semua Benar
5. Keuntungan menggunakan Mobile Positioning data (MPD) adalah… Semua Benar
6. Metode untuk memprediksi kelas instance dari instance yang diberi label sebelumnya…
Klasifikasi
7. Visualisasi pada hasil analisis Big Data dapat disajikan dalam bentuk.. Semua Benar
gambar satelit merupakan sumber big data dalam hal…. Sensing data
9. Contoh solusi Big Data, kecuali: Semua Benar
10. Contoh Aplikasi Machine Learning dan Analitik Prediktif: Semua Benar
Big Data dalam hal: Volume
12. Karakteristik Big Data yang cepat sekali berubah baik dari sisi variabel maupun tipe data
dinamakan… Velocity
13. Data Warehouse dibuat dengan menerapkan serangkaian langkah pemrosesan terhadap
pemrosesan data tersebut: Semua Benar
14. Manakah yang benar dari pernyataan berikut ini: Deskriptif, perkiraan berdasarkan data
yang tersedia
15. Data Mobile Positioning data (MPD) berupa… Semua Benar
16. Dataset dibentuk dari: Sekumpulan fitur yang memiliki objek yang sama
17. Tools Bahasa Pemograman yang dapat digunakan dalam ilmu data science adalah… Semua
Benar
18. Social Media termasuk dalam sumber data..Digital Content
19. Cara yang dapat dilakukan untuk meningkatkan analisis bigdata genome bioinformatics
adalah.. Semua Benar
20. Proses menganalisis tulisan untuk menentukan nada emosional penulisnya merupakan salah
satu implementasi machine learning dalam… Principal Component Analysis
Team Teaching Big Data M9
1. Berikut ini adalah efek dari mengecilnya nilai stride dalam Algoritma Convolutional Neural Network
Informasi yang diperoleh semakin detail
2. Hasil dari proses flatten pada Algoritma Convolutional Neural Network menjadi masukan dalam
Fully-connected layer
3. Pooling layer bertujuan untuk
Mengurangi dimensi feature map
4. Berikut ini merupakan loss function dalam algoritma berbasis Neural Network
Cross entropy
5. Algoritma Deep Learning berbasis
Semua benar (Neural network, Machine learning, Artificial Intelligence)
6. Berikut ini adalah teknik yang dapat digunakan pada pooling layer dalam Algoritma Convolutional
Neural Network
Semua benar (Average pooling, Min pooling, Max pooling)
7. Dalam Algoritma Convolutional Neural Network, ReLU seringkali digunakan pada
Hidden layer
8. Sebuah citra berdimensi 5x5 dengan filter 3x3 dan stride sebesar 2 akan menghasilkan feature map
berdimensi
4x4
9. Pooling layer pada Algoritma Convolutional Neural Network terdapat pada
Hidden layer
10. Berikut ini merupakan fungsi aktivasi dalam Algoritma Convolutional Neural Network
Semua benar (Sigmoid, Tanh, ReLU)
11. Tahapan feature extraction pada Algoritma Convolutional Neural Network terdiri dari beberapa
lapisan (layer) berikut ini, kecuali
12. Untuk memperbanyak feature yang berhasil diekstrak dalam Algoritma Convolutional Neural
Network digunakan
Padding
13. Berikut ini merupakan contoh Algoritma Deep Learning

Semua benar
Algoritma Recurrent Neural Network
Algoritma Long Short Term Memory
Algoritma Convolutional Neural Network
14. Algoritma Deep Learning dapat menyelesaikan permasalahan berikut ini
Semua benar (Deteksi objek, Natural Language Processing, Pengenalan suara)
15. Untuk menyelesaikan permasalahan klasifikasi biner menggunakan algoritma berbasis Neural
Network lebih tepat digunakan fungsi aktivasi
ReLU
16. Salah satu ukuran dari confusion matrix yang dapat digunakan dalam mengukur tingkat keberhasilan
sistem dalam menemukan kembali sebuah informasi adalah
Recall
17. Untuk mencegah terjadinya overfitting dalam Algoritma Convolutional Neural Network dilakukan
Dropout regularization
18. Dimensi dari feature map dalam Algoritma Convolutional Neural Network bergantung pada
Semua benar
Stride
Dimensi filter dan input
Padding
19. Parameter dalam Algoritma Convolutional Neural Network yang menentukan berapa jumlah
pergeseran filter disebut sebagai
Stride
20. Berikut ini merupakan library Python untuk Algoritma Deep Learning
Semua benar (Tensorflow, Keras, PyTorch)

1. Berikut ini yang bukan merupakan karakteristik dari Apache Spark adalah
Tidak dilengkapi dengan sistem file bawaan
2. Berapa banyak Spark Context yang dapat aktif per Java Virtual Machine
Hanya 1
3. Berikut ini yang bukan merupakan fungsi dari Spark Context adalah
Untuk mengatur konfigurasi
4. Toleransi kesalahan pada Resilient Distributed Data (RDD) dicapai menggunkan
Kemampuan alami dari RDD untuk tidak dapat diubah
5. Berikut ini adalah beberapa manfaat penggunaan Spark, kecuali
Otomatis dalam mengoptimalkan kode program
6. Berikut ini yang bukan operasi transformasi pada Resilient Distributed Data adalah
Flatmap
7. Apache Spark pertama kali diluncurkan open-source pada tahun
2010
8. Berikut ini yang bukan operasi action pada Resilient Distributed Data adalah
Top()
9. Berikut ini adalah pernyataan yang salah mengenai Resilient Distributed Data (RDD), kecuali
RDD merupakan basis data
10. Spark ditulis dalam bahasa pemrograman
Scala
11. Modul untuk memproses data terstruktur dalam Spark adalah
Spark SQL
12. Manajemen memori dalam Spark dikerjakan oleh
Spark Core
13. Cluster manager yang dapat digunakan pada Spark adalah
Semua benar (Hadoop YARN, Mesos cluster, Standalone scheduler)
14. Spark lebih cepat dibandingkan dengan MapReduce karena
Direct Acylic Graph mengeksekusi mesin dan komputasi didalam memori

15. Api Machine Learning yang utama untuk Spark saat ini adalah API berbasis
DataFrame
16. Apache Spark berpotensi … lebih cepat untuk menjalankan program pemrosesan batch didalam
memori jika dibandingkan dengan MapReduce
100 kali
17. Komponen berikut ini yang tidak terdapat diatas Spark Core adalah
Semua salah (Spark SQL, Spark MLib, Spark RDD)
18. Spark SQL menerjemahkan perintah kedalam bentuk kode yang diproses oleh
Semua salah (Cluster manager, Driver nodes, Executor nodes)
19. Pernyataan berikut ini yang salah mengenai Spark dan Hadoop adalah
Keduanya merupakan mesin komputasi cluster
20. Spark dapat menjalankan … tugas pada setiap partisi
Satu
1. Algoritma untuk menentukan jumlah segitia yang melewati setiap simpul dalam graf
Triangle Count
2. Urutan edge yang memungkinkan Anda berpindah dari vertex A ke vertex B disebut
Path
3. Algoritma untuk mengukur seberapa pentingnya halaman situs web
Page Rank
4. Untuk menampilkan pola di balik hubungan antara entitas data
Visualisasi Grafik
5. Manakah urutan yang benar untuk menjelaskan cara kerja Spark Streaming:
1. Input data stream diterima oleh Spark Streaming,
2. Batch input data / RDD tersebut diproses oleh Spark Engine menggunakan operasi RDD.,
3. Hasilnya adalah batch data yang telah diproses didorong keluar ke sistem eksternal,
4. Oleh Spark Streaming data dibagi menjadi kumpulan / batch input data (diperlakukan sebagai RDD).
1-4-2-3
6. Fitur Spark Streaming
Pemulihan cepat dari kegagalan dan kekeliruan
7. Langkah pipa pemrosesan data grafik :
1. Pembuatan grafik,
2. Pengolahan pasca,
3. Pra-pemrosesan data (yang mencakup pemuatan, transformasi, dan pemfilteran),
4. Analisis
3-1-4-2
8. Algoritma untuk menemukan komponen terhubung dari suatu graf
Connected Components
9. Contoh database grafik
Neo4j
10. Contoh penggunaan Spark Streaming
Netflix
11. Operasi Jendela membutuhkan parameter
window length
12. Framework yang dapat digunakan untuk memproses data grafik dan menjalankan analisis prediktif
pada data
Spark GraphX
13. Contoh use case penggunaan Spark GraphX
Semua Benar (Film baru yang paling direkomendasikan orang-orang 1 minggu terakhir, Orang-orang
yang sama-sama mensitasi suatu artikel, Teman toni di facebook yang paling banyak pengikutnya)
14. Pernyataan yang benar tentang Graph
Semua benar (Graph terdiri dari simpul dan sisi, Semua yang ada di Facebook adalah contoh
penggunaan struktur data graph, Edge menunjukan relasi antar simpul)
15. Fitur Spark GraphX
Semua benar (Kecepatan, Pustaka Algoritma, Fleksibilitas)
16. Apa yang menyebabkan Spark Streaming memiliki toleransi kesalahan?
Kumpulan data input direplikasi dalam memori
17. Yang diperlukan untuk menangani data besar dalam bentuk grafik
Semua benar (Analisis Data Grafikm Visualisasi data grafik, Database grafik)
18. Aliran data yang berkelanjutan dalam Spark Streaming disebut
DStream
19. Pernyataan yang benar tentang Apache Spark, kecuali
Abstraksi memori terdistribusi untuk komputasi dalam memori pada klaster besar yang toleran terhadap
kesalahan
20. Pernyataan yang benar Spark Streaming
Semua benar (Memproses menggunakan algoritma kompleks dengan fungsi seperti map, reduce, join,
window, Dapat menyerap data dari berbagai sumber, Data yang diproses dapat dikirim ke sistem file,
database, dan live dashboard)
1. CUDA yang diciptakan oleh NVIDIA adalah singkatan dari
Compute Unified Device Architecture
2. Tiga tahap alur pemrosesan dalam eksekusi program CUDA
Langkah ke-1 Salin input data dari CPU memory ke GPU memory
Langkah-2 Muat program GPU dan eksekusi, caching (simpan) data pada chip untuk kinerja
Langkah-3 Salin hasil dari GPU memory ke CPU memory
3. Arsitektur CUDA menerapkan pendekatan berupa kumpulan streaming multiprocessors (SM) yang
Mengeksekusi sejumlah instruksi yang sama pada beberapa thread pada berbagai wilayah data,
sehingga dikenal dengan istilah single instruction, multiple threads (SIMT)
4. Komputasi paralel adalah komputasi yang
Melibatkan banyak unit computer untuk memecahkan masalah yang berbeda-beda untuk masing-
masing unit computer, namun dalam waktu yang sama
5. Tujuan utama dari pemrograman paralel adalah untuk meningkatkan performa komputasi. Performa
dalam pemrograman paralel diukur dari
Berapa banyak peningkatan kecepatan (speed up) yang diperoleh dalam menggunakan tehnik paralel
6. CUDA C++ adalah perluasan C++ sehingga programmer dapat mendefinisikan fungsi C++ yang ketika
dipanggil, akan dieksekusi sebanyak N kali secara paralel dan N CUDA thread yang berbeda. Fungsi ini
dikenal dengan istilah
Kernel
7. Kernel pada pemrograman CUDA agar dieksekusi pada device, dideklarasi menggunakan
__global__
8. Sistem terdistribusi (distributed computing) adalah teknik komputasi paralel dimana
Komputer yang digunakan secara bersamaan dalam melakukan komputasi dilakukan oleh computer-
komputer terpisah yang terhubung dalam suatu jaringan komputer
9. Perintah kernel < <N, M> >(…) menunjukkan device untuk
Mempersiapkan block sebanyak N dengan thread sebanyak M di tiap block
10. Istilah thread pada GPU adalah
Satuan pemrosesan sekuensial yang dikumpulkan dalam satu grup yang disebut sebagai thread block
11. Dua kata istilah penting yang digunakan dalam CUDA, yaitu: host dan device. Istilah host pada CUDA
mengacu pada
CPU
12. Dua kata istilah penting yang digunakan dalam CUDA, yaitu: host dan device. Istilah device pada
CUDA mengacu
GPU
13. GPU dalam teknologi komputasi adalah singkatan dari
Graphics Processing Unit
14. Pengelolaan memori pada device pada dasarnya menggunakan
CudaMalloc(), cudaMemcpy(), cudaFree()
15. Pernyataan yang benar mengenai thread block pada GPU
Beberapa block dihimpun dalam satu thread, yang kemudian beberapa thread dihimpun dalam satu
kesatuan grid
16. CUDA adalah platform komputasi paralel dengan arsitektur komputasi masuk dalam
Heterogenous computing, karena melibatkan CPU dan GPU
17. Pernyataan yang benar mengenai pemrograman paralel pada GPU
Semua pernyataan benar
18. Pernyataan berikut yang beanr mengenai CUDA
CUDA adalah suatu platform untuk komputasi paralel, dan memanfaatkan GPU untuk komputasi
19. CPU dari suatu unit computer adalah singkatan dari
Central Processing Unit

1. Bahasa pemrograman Python tergolong cepat dikarenakan
Semua benar
Bahasa pemrograman tingkat tinggi
Dapat diinterpretasikan
Dapat dikodekan secara dinamis
2. Bahasa pemrograman Python tergolong lambat untuk eksekusi
Tugas yang berulang dan tergolong tingkat rendah
3. Modul kompilasi tepat waktu pada Python untuk CPU adalah
Semua benar (Numba, PySpark, CUDA)
4. Berikut ini adalah urutan proses yang dijalankan oleh Numba
Rewrite IR, Lowering, LLVM IR, LLVM/NVVM JIT
5. Banyaknya operasi-operasi kecil yang berulang merupakan salah satu penyebab bahasa pemrograman
Python
Tergolong lambat
6. Berikut ini yang pernyataan yang tepat tentang Python adalah
Semua jawaban benar
Python tergolong cepat untuk pengembangan
Python tergolong lambat untuk eksekusi kode program
7. Elemen dalam RDD dikelompokkan kedalam beberapa partisi dan hanya dapat disimpan pada sebuah
node yang berbeda merupakan konsep RDD dalam hal
Distributed
8. Numba dapat menangani
Semua jawaban benar (Penyalinan data dari dan ke host jika diperlukan, Alokasi data dari dan ke host
jika diperlukan)
9. Komputasi pada GPU cluster dapat menggunakan
Semua jawaban benar (Numba, PySpark)
10. Berikut ini yang salah terkait dengan Numba adalah
Semua salah
11. Bahasa pemrograman Python tergolong cepat digunakan untuk

Semua benar (Mengembangkan kode program, menguji kode program, menulis kode program)
12. Apache Spark bukan merupakan
Semua jawaban salah
13. Spark diimplementasikan dalam
Semua jawaban benar (Scala dan Java)
14. Berikut ini adalah komputasi primitive yang tersedia pada Spark untuk melakukan parelelisme dan
meminimumkan komunikasi antar workers
Semua benar (Map, Filter, Reduce)
15. Berikut ini yang benar terkait dengan Numba, kecuali
Open-source
16. Modul kompilasi tepat waktu pada Python untuk GPU adalah
Semua benar (PySpark, Numba, CUDA)
17. API Spark memiliki dukungan yang terbatas pada bahasa pemrograman
18. Permasalahan alokasi memori dalam komputasi pada GPU terdapat pada tugas yang berskala
Kecil
19. Type inference pada proses Numba memerlukan
Semua jawaban benar (Functions Arguments, Numba IR)
20. Pemrograman terdistribusi dalam Python adalah
Semua benar (CUDA, Numba, PySpark)

4/4/22, 11:44 AM 1 pesan baru
ATA 2021/2022 | 2-FTI | Kompuasi Big Data | TEAM TEACHING /
Pertemuan 5: Implementasi Big Data pada Fintech
/
Kuis M5: Implementasi BigData pada Fintech

State Finished
Marks 6.00/20.00
Question 1 Berikut ini merupakan karakteristik dari Big Data, kecuali:

Correct

1.00
a. Semua salah 
b. Veracity
c. Volume
d. Variety
The correct answer is: Semua salah
Question 2 Server logs merupakan salah satu contoh jenis data:

Correct

1.00
a. Tidak Terstruktur
b. Semi Terstruktur 
c. Terstruktur
d. Semua Pilihan Salah
The correct answer is: Semi Terstruktur
Question 3 Pembayaran Kartu prakerja merupakan salah satu proyek yang dikerjakan oleh Link Aja bersama dengan:
Correct

1.00
a. Pemerintah 
b. BPJS
c. Bank Indonesia
d. Semua salah
The correct answer is: Pemerintah
1
Online
4/4/22, 11:44 AM 1 pesan baru
Question 4 Dalam ekosistem teknologi Data Engineering Link Aja! Apache Airflow berfungsi sebagai:
Incorrect

1.00
a. Data Sources Gathering
b. Streaming Infrastructure
c. Monitoring 
d. Batching Infratructure
The correct answer is: Batching Infratructure
Question 5 Kafka dikembangkan pertama kali oleh:

Correct

1.00
a. Linkedin 
b. Yahoo
c. Facebook
d. Google
The correct answer is: Linkedin
Question 6 Berikut ini yang bukan contoh data terstruktur adalah:

Incorrect

1.00
a. Nama pelanggan
b. Nomor KTP 
c. Email
d. Nomor telepon
The correct answer is: Email
Question 7 Berikut ini yang merupakan arsitektur Big Data adalah:

Incorrect

1.00
a. Arsitektur Beta dan Kappa
b. Arsitektur Lambda dan Kappa
c. Arsitektur Alfa dan Lambda 
d. Arsitektur Alfa dan Beta
The correct answer is: Arsitektur Lambda dan Kappa
1
Online
4/4/22, 11:44 AM 1 pesan baru
Question 8 Berikut ini merupakan komponen-kompone produksi dalam implementasi big data, kecuali:
Correct

1.00
a. MongoDB 
b. Presto
c. Spark
d. Kafka
The correct answer is: MongoDB
Question 9 Data terstrutur disimpan kedalam bentuk:

Incorrect

1.00
a. Gambar
b. Abstrak
c. Semua benar 
d. Baris dan kolom
The correct answer is: Baris dan kolom
Question 10 Peran Data Engineer seringkali juga disebut sebagai:

Incorrect

1.00
a. Statistician 
b. Data Architect
c. Business Analyst
d. Data Manager
The correct answer is: Data Architect
Question 11 Menjadi platform teknologi keuangan nasional terdepan dan terpercaya merupakan ... dari Link Aja!:
Incorrect

1.00
a. Misi
b. Visi
c. SLogan
d. Tujuan 
The correct answer is: Visi
1
Online
4/4/22, 11:44 AM 1 pesan baru
Question 12 Berikut ini urutan proses yang dilakukan dalam Arsitektur Kappa adalah:
Incorrect

1.00
a. Data Sources, Streaming/Real-Time Ingestion, Streaming/Real-Time Processing, Analytical Data Store, Analytics
& Reporting
b. Data Sources, Analytical Data Store, Streaming/Real-Time Ingestion, Streaming/Real-Time Processing, Analytics
& Reporting 
c. Data Sources, Streaming/Real-Time Processing, Streaming/Real-Time Ingestion, Analytical Data Store, Analytics
& Reporting
d. Data Sources, Streaming/Real-Time Ingestion, Analytical Data Store, Streaming/Real-Time Processing, Analytics
& Reporting
The correct answer is: Data Sources, Streaming/Real-Time Ingestion, Streaming/Real-Time Processing, Analytical Data
Store, Analytics & Reporting
Question 13 Salah satu aktivitas yang dilakukan oleh Link Aja! dalam mengadopsi alat-alat bantu untuk pengelolaan data adalah:
Incorrect

1.00
a. Memprioritaskan data yang memiliki tingkat kepentingan tinggi dan bernilai
b. Meningkatkan proses perbaikan kualitas data 
c. Memaksimumkan pemanfaatan platform Google Cloud
d. Mengoptimalkan jumlah kelompok pengguna yang dapat mengakses
The correct answer is: Memaksimumkan pemanfaatan platform Google Cloud
Question 14 Berikut ini yang bukan termasuk kedalam peran Tim Data di Link Aja! adalah:
Correct

1.00
a. Data Analyst
b. Data Intelligent 
c. Data Scientist
d. Data Engineer
The correct answer is: Data Intelligent
Question 15 Berikut ini adalah teknologi yang digunakan oleh Link Aja! pada bagian Persistence Layer, kecuali:
Incorrect

1.00
a. Google Big Query 
b. Grafana
c. PostgreSQL
d. Google Cloud Storage
The correct answer is: Grafana
1
Online
4/4/22, 11:44 AM 1 pesan baru
Question 16 Salah satu teknologi yang dapat digunakan pada bagian Serving Layer dalam Arsitektur lambda adalah:
Incorrect

1.00
a. Spark 
b. Flume
c. HDFS
d. Hive
The correct answer is: Hive
Question 17 Cloudera merilis Kudu pada tahun:

Incorrect

1.00
a. 2008
b. 2015
c. 2016
d. 2020 
The correct answer is: 2015
Question 18 Nathan Marz adalah orang yang pertama kali mengembangkan:

Incorrect

1.00
a. Storm
b. Beam
c. Hadoop 
d. Hive
The correct answer is: Storm
Question 19 Ukuran kualitas citra merupakan salah satu luaran yang dihasilkan oleh AI/ML Scientist Link Aja! pada proyek:
Incorrect

1.00
a. Natural Language processing
b. Pembuatan Platform AI/ML 
c. Otomasi Produksi AI/ML
d. eKYC Improvement
The correct answer is: eKYC Improvement
Question 20 Salah satu karakteristik data tidak terstruktur adalah:

Incorrect

1.00
a. Berbasis teks
b. Model data dapat ditentukan sebelumnya 
c. Terkelola secara fleksibel
d. Sulit untuk dicari 1

Online
4/4/22, 11:44 AM 1 pesan baru
◄ Materi M5: Implementasi Big Data Kuis M5: Implementasi BigData pada
Jump to...
pada Fintech Fintech (Khusus KELAS MALAM) ►
1
Online
4/11/22, 8:00 PM Kuis M6: BigData di PPATK: Attempt review
ATA 2021/2022 | 2-FIKTI | Kompuasi Big Data | TEAM TEACHING /
Pertemuan 6: Big Data di PPATK
/
Kuis M6: BigData di PPATK

State Finished
Grade 100.00 out of 100.00
Question 1 Splitting data set dalam pemodelan mesin learning untuk menganalisa data transaksi keuangan adalah
Correct

5.00
a. menampilkan grafik box plot dalam tiap dimensi
b. membagi data set menjadi dua bagian, yaitu data training dan data test 
c. me-log kan regresi model klasifikasi
d. melakukan perankongan dalam rangka mengeliminasi fitur yang kurang berpengaruh
The correct answer is: membagi data set menjadi dua bagian, yaitu data training dan data test
Question 2 Agen Kecerdasan Artifisial menerima dan bertindak berdasrkan lingkungan (environment) menggunakan
Correct

5.00
a. Perceiver
b. Sensor
c. Sensor maupun Actuator 
d. Actuator
The correct answer is: Sensor maupun Actuator
Question 3 Berikut ini yang merupakan tahapan data engineering dalam big data analytics adalah
Correct

5.00
a. data architecure, data acquisition, data cleaning, dan cloud computation 
b. penentuan volume data, velocity data, dan varietas data
c. data exploration, data mining, data visualization
d. deep learning, machine learning, AI
The correct answer is: data architecure, data acquisition, data cleaning, dan cloud computation
Question 4 Agent AI yang terbaik adalah ____________

Correct

5.00
a. yang memerlukan input untuk memecahkan masalah
b. yang dapat memecahkan masalah tanpa intervensi manusia 
c. yang memerlukan contoh masalah, basis pengetahuan, dan memerlukan input, untuk memecahkan masalah
d. yang memerlukan contoh masalah dan basis pengetahuannya dalam memecahkan masalah
The correct answer is: yang dapat memecahkan masalah tanpa intervensi manusia
Question 5 Pusat Pelaporan dan Analisis Transaksi Keuangan (PPATK) merupakan lembaga sentral (focal point) yang
Correct mengkoordinasikan pelaksanaan upaya pencegahan dan pemberantasan tindak pidana pencucian uang di Indonesia.
Mark 5.00 out of PPATK dalam tugasnya menerapkan AI (Artificial Intelligence)
5.00
Select one:
a. di bidang: Kepegawaian, Kepatuhan Pelaporan, Analisis Transaksi, Pelaporan, Sentimen Analisis, dan Keamanan
Data 
b. di bidang: Analisis Transaksi
c. hanya di bidang Keamanan data.
d. di semua bidang yang tidak melibatkan Sentimen Analisis
The correct answer is: di bidang: Kepegawaian, Kepatuhan Pelaporan, Analisis Transaksi, Pelaporan, Sentimen Analisis, dan
Keamanan Data
Question 6 Salah satu agen intelligence yang bertugas saat mengumpulkan data melalui sumber Web seperti HTML dokumen,
Correct gambar, file teksadalah:
Mark 5.00 out of
5.00 Select one:
a. Chat Box
b. Compiler
c. web crawler 
d. parser
The correct answer is: web crawler
Question 7 Berikut sistem intelligent yang dapat difungsikan pada bidang Pelaporan pada Pusat Pelaporan dan Analisis Transaksi
Correct Keuangan (PPATK) adalah
Mark 5.00 out of
5.00 Select one:
a. dapat keduanya, chat Box untuk layanan bantuan dan evaluasi laporan 
b. chat Box untuk layanan bantuan
c. bukan keduanya, baik chat box maupun evaluasi laporan.
d. evaluasi laporan
The correct answer is: dapat keduanya, chat Box untuk layanan bantuan dan evaluasi laporan
Question 8 Jika dalam memodelkan klasifikasi transaksi keuangan, diperoleh nilai akurasi untuk model logistic regression adalah 0,62,
Correct model K-NN adalah 0,91, dan model random forest adalah 0,98, maka berarti:
Mark 5.00 out of
5.00 Select one:
a. random forest memprediksi transaksi wajar paling banyak dibandingkan model K-NN dan logistic regression, yaitu
sebesar 98%
b. transaksi wajar diprediksi sebesar 62% menurut logistic regression
c. logistic regression lebih akurat dibanding k-NN dan random forest
d. random forest lebih akurat dibanding k-NN dan logistic regression 
The correct answer is: random forest lebih akurat dibanding k-NN dan logistic regression
Question 9 Proses rekursif yang meranking fitur berdasarkan tingkat pentingnya terhadap proses prediksi, salah satunya adalah
Correct

5.00
a. Splitting data set ke data train dan data uji
b. Recursive Feature Elimination 
c. random forest clssifier
d. logistic regression model
The correct answer is: Recursive Feature Elimination
Question 10 Salah sata tahapan big data analytics adalah data mining, yang memperkerjakan machine learning, yaitu melakukan
Correct

5.00
a. penentuan volume data, velocity data, dan varietas data
b. Data engineering, data exploration, data visualization
c. data architecure, data acquisition, data cleaning, dan cloud computation
d. estimasi atau prediksi, atau mengklasifikasi, atau meng-cluter, atau menentukan asosiasi 
The correct answer is: estimasi atau prediksi, atau mengklasifikasi, atau meng-cluter, atau menentukan asosiasi
Question 11 Berikut teknik Kecerdasan Artifisial yang membuat komputer dapat memahamai asosiasi dan relasi antara object dan
Correct kejadian adalah
Mark 5.00 out of
5.00 Select one:
a. Cognitive Science
b. Relative Symbolism
c. Heuristic Processing
d. Pattern Matching 
The correct answer is: Pattern Matching
Question 12 Bagian dari sistem Kecerdasan Artifisial yang mengolah pengetahuan adalah
Correct

5.00
a. Hadoop
b. Validator
c. Machine Learning 
d. Data historis
The correct answer is: Machine Learning
Question 13 Akurasi model klasifikasi adalah

Correct

5.00
a. nilai true positive dibagi nilai true negative
b. jumlah nilai true positive dan true negative dibagi total data 
c. nilai true positive dibagi total data
d. nilai true negatif dibagi total data
The correct answer is: jumlah nilai true positive dan true negative dibagi total data
Question 14 Pada saat memodelkan mesin learning dalam menganalisa data transaksi keuangan, melakukan perankingan adalah
Correct tahapan pada
Mark 5.00 out of
5.00 Select one:
a. data engineering
b. data exploration 
c. prediction modelling
d. data visualization
The correct answer is: data exploration
Question 15 Membuat grafik box plot adalah salah satu tahapan dalam implementasi mesin learning, yaitu tahap
Correct

5.00
a. verifikasi model
b. eksplorasi data 
c. modelling
d. validasi model
The correct answer is: eksplorasi data
Question 16 Maksud pernyataan "Pemodelan Machine Learning untuk memprediksi data transaksi keuangan merupakan transaksi
Correct wajar atau mencurigakan", adalah
Mark 5.00 out of
5.00 Select one:
a. memvalidasi data historis agar data baru menjadi data transaksi wajar
b. menentukan statistik data historis, untuk input data baru dalam meprediksinya apakah data tersebut berada pada
nilai transaksi wajar atau transaksi mencurigakan
c. memverifikaso data historis agar tidak ada transaksi yang mencurigakan
d. membangun model terbaik, berdasarkan data historis, untuk input data baru dalam meprediksinya apakah data
tersebut suatu transaksi wajar atau transaksi mencurigakan 
The correct answer is: membangun model terbaik, berdasarkan data historis, untuk input data baru dalam meprediksinya
apakah data tersebut suatu transaksi wajar atau transaksi mencurigakan
Mark 5.00 out of PPATK dalam tugasnya menerapkan AI (Artificial Intelligence). Pernyataan berikut yang benar mengenai AI adalah
5.00
Select one:
a. cabang ilmu dari machine learning
b. Cabang ilmu dari komputasi big data
c. cabang dari ilmu komputer yang menenkankan pada pengembangan mesin cerdas (intelligence), berpikir dan
bekerja seperti manusia 
d. cabang ilmu dari data mining
The correct answer is: cabang dari ilmu komputer yang menenkankan pada pengembangan mesin cerdas (intelligence),
berpikir dan bekerja seperti manusia
Question 18 Big data analytics, termasuk didalamnya urutan tahapan berikut:

Correct

5.00
a. Data engineering, data exploration, data mining, data visualization 
b. data architecure, data acquisition, data cleaning, dan cloud computation
c. deep learning, machine learning, AI
d. penentuan volume data, velocity data, dan varietas data
The correct answer is: Data engineering, data exploration, data mining, data visualization
Question 19 Berikut yang merupakan algoritma yang dapat digunakan untuk model klasifikasi transaksi keuangan adalah
Correct

5.00
a. data splitting menjadi data training dan data testing
b. confussion matrix, true possitivity
c. Logistic regression, K-NN, Random Forest 
d. C#, Java, Python, R, Ruby, Scala, SQL
The correct answer is: Logistic regression, K-NN, Random Forest
Question 20 Machine LAerning dapat digolongkan dalam

Correct

5.00
a. 3 tipe: Supervised Learning, Unsupervised Learning, dan Reinforcement Learning 
b. dua tipe, yaitu: Unsupervised Learning dan Reinforcement Learning
c. satu tipe, yaitu: Deep Learning
d. 4 tipe, yaitu: Supervised Learning, Unsupervised Learning, Reinforcement Learning, dan Deep Learning
The correct answer is: 3 tipe: Supervised Learning, Unsupervised Learning, dan Reinforcement Learning
Kuis M6: BigData di PPATK (Kelas

◄ Materi M6: BigData di PPATK Jump to...
MALAM) ►
/

State Finished
Correct

1.00
b. Data Extraction

Correct

1.00
a. Umumnya diasosiasikan dengan retail banking
b. Di dalamnya tersimpan data nasabah serta semua transaksi sejak nasabah membuka rekening di bank sampai
menutupnya.
c. Dibuat oleh vendor asing 
d. Digunakan untuk memproses loan
Correct

1.00
d. Data Extraction 

Correct

1.00
b. Merekam semua transaksi yang terjadi dalam rekening nasabah.
d. Semua salah
Correct

1.00
a. Known relationsip vs complex/unknown relationship
b. Fixed Schema vs Schema-less 
c. Centralized vs Distributed
d. Semua benar

Correct

1.00
a. Facebook
b. Kafka
c. Hadoop
d. Tableau 
Correct

1.00
a. CIS (Customer Identification System) 
c. DDS (Demand Deposit System)

Correct

1.00
b. Busines Case Evaluation - Data Identification - Data Acquisition & Filtering - Data Extraction - Data Validation
d. Business Case Evaluation - Data Identification - Data Extraction - Data Validation & Cleansing - Data

Correct

1.00
a. Sensor
b. Komunikasi
c. Semua benar 
d. Media
Correct

1.00
a. Semua benar 
d. Data terstruktur
Correct

1.00
c. Semua benar

Correct

1.00
a. Kebenaran data
d. Kesamaan data 

Correct

1.00
a. Semua benar 
b. Mendorong inklusivitas
c. Memprediksi trend keuangan
d. Menanalisis resiko
Correct

1.00
b. Data Identification 
d. Data Extraction

Correct

1.00
a. Naiknya kepercayaan nasabah
b. Menghemat biaya operasional
c. Mengurangi efisiensi karyawan 
d. Mempercepat akses untuk analisis

Correct

1.00
a. Dapat memiliki lebih dari 200 prosesor
b. Semua benar 
c. Mudah beradaptasi dan fleksibel
d. Dapat menjalankan berbagai macam bahasa pemrograman

Correct

1.00
a. Tableau
b. Facebook
c. Kafka
d. Hadoop 

Correct

1.00
a. Data Aggregation dan Representation
c. Data Extraction
d. Data Acquisition dan Filtering 
Correct

1.00
c. Semua benar
d. Known relationsip vs complex/unknown relationship 

Correct

1.00
a. Semua benar
b. MS SQL Server
c. MySQL Server
d. IBM AS-400 
Jump to...
Started on Monday, 20 June 2022, 11:42 AM
State Finished
Question 1
Correct
Marked out of 5.00
Flag question
Question text
Pengelompokan yang mengambil pendekatan "top-down". Dalam hal ini, satu cluster data
umum digunakan, tetapi masih perlu diperhatikan dalam konteks pengelompokan hierarkis.
Proses pengelompokan ini biasanya divisualisasikan menggunakan dendrogram, diagram
mirip pohon yang mendokumentasikan penggabungan atau pemisahan titik data pada
setiap iterasi.
Select one:
a. Pendekatan Probabilistic
d. Pendekatan Overlapping
Question 2
Correct
Marked out of 5.00
Flag question
Question text
Kemampuannya untuk menemukan persamaan dan perbedaan informasi menjadikannya

unsupervised learning sebagai solusi ideal tugas tugas di bawah ini, kecuali
Select one:
a. Klasifikasi buah jeruk dan buah apel
b. Segmentasi pelanggan
c. strategi penjualan silang
d. Analisis data eksplorasi
Question 3
Incorrect
Marked out of 5.00
Flag question
Question text
Algoritme yang menggunakan pohon hash untuk menghitung kumpulan item, menavigasi
kumpulan data dengan cara yang pertama. Algoritma ini telah dipopulerkan melalui analisis
keranjang pasar, yang mengarah ke mesin rekomendasi yang berbeda untuk platform musik
dan pengecer online.Misalnya, jika saya memutar radio Black Sabbath di Spotify, dimulai
dengan lagu mereka "Anggrek", salah satu lagu lain di saluran ini kemungkinan besar
adalah lagu Led Zeppelin, seperti "Over the Hills dan Far Away." Ini didasarkan pada
kebiasaan mendengarkan saya sebelumnya serta kebiasaan orang lain.
Select one:
a. Eclat
b. FP-Growth
c. Apriori
d. Apriori
Question 4
Correct
Marked out of 5.00
Flag question
Question text
Pendekatan reduksi dimensi lain yang memfaktorkan matriks, A, menjadi tiga matriks
peringkat rendah. SVD dilambangkan dengan rumus, A = USVT, di mana U dan V adalah
matriks ortogonal. S adalah matriks diagonal, dan nilai S dianggap sebagai nilai tunggal
matriks A. Principal component analysis
Select one:
a. FP-Growth
b. Autoencoders
c. Singular value decomposition
Question 5
Correct
Marked out of 5.00
Flag question
Question text
Algoritme yang berusaha menemukan pola tersembunyi atau pengelompokan data tanpa
perlu campur tangan manusia.
Select one:
b. Deep Learning
d. Unsupervised Learning
Question 6
Correct
Marked out of 5.00
Flag question
Question text
Pengelompokan yang sebagai "pendekatan bottom-up". Di mana titik datanya diisolasi

sebagai pengelompokan terpisah pada awalnya, dan kemudian digabungkan bersama
secara iteratif atas dasar kesamaan hingga satu cluster tercapai.
Select one:
a. Pendekatan Divisive
c. Pendekatan Aglomeratif
Question 7
Correct
Marked out of 5.00
Flag question
Question text
Metode berbasis aturan untuk menemukan hubungan antara variabel dalam kumpulan data
tertentu. Metode ini sering digunakan untuk analisis keranjang pasar, memungkinkan
perusahaan untuk lebih memahami hubungan antara produk yang berbeda. Memahami
kebiasaan konsumsi pelanggan memungkinkan bisnis untuk mengembangkan strategi
penjualan silang dan mesin rekomendasi yang lebih baik.
Select one:
a. clustering
c. Regression
d. Association
Question 8
Correct
Marked out of 5.00
Flag question
Question text
Jenis algoritme pengurangan dimensi yang digunakan untuk mengurangi redundansi dan
mengompresi kumpulan data melalui ekstraksi fitur. Metode ini menggunakan transformasi
linier untuk membuat representasi data baru, menghasilkan sekumpulan "komponen
utama". Komponen utama pertama adalah arah yang memaksimalkan varians dari dataset.
Sementara komponen utama kedua juga menemukan varians maksimum dalam data, itu
sama sekali tidak berkorelasi dengan komponen utama pertama, menghasilkan arah yang
tegak lurus, atau ortogonal, ke komponen pertama. Proses ini berulang berdasarkan jumlah
dimensi, dimana komponen utama berikutnya adalah arah ortogonal ke komponen
Select one:
a. Principal component analysis
b. FP-Growth
d. Autoencoders
Question 9
Correct
Marked out of 5.00
Flag question
Question text
Pembelajaran mesin tanpa pengawasan, menggunakan algoritme pembelajaran mesin

untuk menganalisis dan mengelompokkan set data tak berlabel
Select one:
a. Deep Learning
b. Semi Supervised Learning
Question 10
Correct
Marked out of 5.00
Flag question
Question text
Teknik yang mengelompokkan data yang tidak berlabel berdasarkan persamaan atau
terklasifikasi menjadi grup yang diwakili oleh struktur atau pola dalam informasi.
Select one:
a. Association
b. Clustering
c. Regression
Question 11
Correct
Marked out of 5.00
Flag question
Question text
Salah satu bentuk pengelompokan yang memungkinkan titik data menjadi bagian dari
beberapa kluster dengan derajat keanggotaan terpisah. Ini disebut juga Pengelompokan
"lembut" atau fuzzy k-means
Select one:
a. Tumpang tindih (overlapping)
c. Memecah belah (Divisive)
Question 12
Correct
Marked out of 5.00
Flag question
Question text
kebiasaan mendengarkan saya sebelumnya serta kebiasaan orang lain. Ini termasuk task
Select one:
a. Regression
b. clustering
c. Dimensionality reduction
d. Association
Question 13
Correct
Marked out of 5.00
Flag question
Question text
Teknik tanpa pengawasan yang membantu menyelesaikan estimasi kepadatan atau masalah
pengelompokan "lunak". Dalam hal ini, titik data dikelompokkan berdasarkan
kemungkinannya termasuk dalam distribusi tertentu. Teknik yang paling umum digunakan
adalah Gaussian Mixture Model (GMM)
Select one:
Question 14
Correct
Marked out of 5.00
Flag question
Question text
Teknik yang digunakan ketika jumlah fitur, atau dimensi, dalam kumpulan data tertentu
terlalu tinggi. Teknik ini mengurangi jumlah input data ke ukuran yang dapat dikelola sambil
juga menjaga integritas set data sebanyak mungkin, biasanya digunakan dalam tahap data
praproses
Select one:
a. Regression
b. clustering
c. Association
Question 15
Correct
Marked out of 5.00
Flag question
Question text
Algoritma yang paling banyak digunakan untuk task Association rules

Select one:
a. FP-Growth
b. Eclat
c. Apriori
d. Apriori
Question 16
Correct
Marked out of 5.00
Flag question
Question text
Algoritme yang bukan digunakan untuk pengelompokan (Clustering)
Select one:
a. Hierarkis ( hierarchical)
b. Clustering ekslusif (specifically exclusive)
c. Tumpang tindih (overlapping)
d. Auto Encoder
Question 17
Correct
Marked out of 5.00
Flag question
Question text
Salah satu bentuk pengelompokan yang menetapkan bahwa suatu titik data hanya dapat
ada dalam satu cluster. Ini juga bisa disebut sebagai pengelompokan "keras". Algoritma
yang digunakan salah satunya adalah K-means clustering
Select one:
d. Clustering Eksklusif (specifically exclusive)
Question 18
Correct
Marked out of 5.00
Flag question
Question text
Teknik yang memanfaatkan jaringan neural untuk mengompresi data dan kemudian
membuat ulang representasi baru dari input data asli. Terdapat lapisan tersembunyi secara
khusus bertindak sebagai penghambat untuk memampatkan lapisan masukan sebelum
merekonstruksi di dalam lapisan keluaran.
Select one:
a. FP-Growth
b. Singular value decomposition
c. Principal component analysis
d. Autoencoders
Question 19
Correct
Marked out of 5.00
Flag question
Question text
Pendekatan Unsupervised Learning adalah

Select one:
a. Mempelajari bagaimana cara kerja pembelajaran yang mendalam
b. Mempelajari bagaimana cara kerja pembelajaran tanpa pengawasan
c. Mempelajari bagaimana cara kerja pembelajaran tanpa pengawasan dan dengan
pengawasan
d. Mempelajari bagaimana cara kerja pembelajaran dengan pengawasan
Question 20
Correct
Marked out of 5.00
Flag question
Question text
Yang bukan tugas dari pembelajaran tanpa pengawasan
Select one:
b. Association
c. clustering
d. Regression
M1

Apache Spark MLlib
Numerik
Nilai
Data werehouse
murah.
Database
Volume
Temporal database
End result
Sqoop
Variety
SDK Layer
Flat files
M2

out forever.
infrastruktur
aplikasi.
situasional.
2.0
Analitik rute.
HDFS
MapReduce
tidak terstruktur.
M3
Grafik.
komponen.
kecuali
analytics.
kinerja.
Handal
Map dan reduce.
M4

 Data Cleaning
dari,
 Variance
tujuan dari,
 Data Cleaning
 Bayessian
 Dokumen
 Nominal
 Atribut
type,
 Ordinal
 Graf
menggunakan,
 Nilai Tertinggi
 Ignore
 Multimedia
 Atribut
karakteristik dari,
 Atribut
M5
 Klasifikasi
visual,
 Visualisasi
 Volume
 Penjualan
 Klasifikasi
 Decision Tree
 Klasifikasi
pengguna,
 Visualisasi
 Klasterisasi
 Crawl
 Naive Bayessian
M6
tidak berlabel,
 Pohon
 Aturan
 Aturan
learning betipe,
 Training set
 Regularization
 Tabel
satu vektor,
 Regresi
 Klasifikasi
M7
 Apriori
 Autoencoders
 Regression
 Auto Encoder
 Association
 Clustering
 Apriori
kedalam task,
 Association
iterasi,
 Autoencoders
M8
 Permainan catur
 5
 Markov

 Policy
oleh,
 Policy
 Model transisi
 Action
sebagai,
 State
M9
 Padding
 Hidden layer
 ReLU
 4x4
 Hidden layer
neural network,
pada,
dilakukan,
overfiting
 Cross entropy
 Stride
 Recall
dalam,
big data dalam hal,
➢ Volume
➢ Digital content
counting
➢ Klasifikasi
adalah,
teknologi GPU
dari,
➢ Preskriptif
➢ Variety
dinamakan,
➢ Velocity
➢ SQL, Python, R
➢ Sensing data
➢ Banyak
➢ Map
➢ 100 kali
➢ Spark core
➢ 2010
➢ Dataframe
➢ Spark RDD
➢ Spark SQL
kecuali,
berubah
➢ Executor nodes
➢ Filter
➢ Page rank
➢ Dstream
➢ Path
2. Batch input data
➢ 1-4-2-3
1. Pembuatan grafik
2. Pengolahan pasca
4. Analisis
➢ 3-1-4-2
➢ Noe4j
➢ Triangle count
➢ Spark graphX
➢ Window length
SM yang,
SIMT
Teknik parallel.
➢ Kernel
menggunakan
➢ _global_
➢ CPU
➢ GPU
besar
GPU untuk komputasi
secara dinamis
➢ Numba
pemrogram python,
eksekusi
➢ Distributed
➢ Numba, Pyspark
workers dengan GPU
➢ Scala dan java
modul
➢ Cuda
➢ R
berskala
➢ Kecil

State Finished
Mark 5.00 out of
5.00 Select one:
Velocity
Volume
Variety 
Veracity

Correct

5.00
Mesin rekomendasi
Semua benar
Deteksi Penipuan
Correct

5.00
Data Storage Layer
Data Format
End Result 
1
Online
Correct

5.00
HDFS
Sqoop 
Facebook
Tableu
Mark 0.00 out of
5.00 Select one:
Pembersihan data
Semua benar
Integrasi data 
Transformasi data

Correct

5.00
Semua salah

Correct

5.00
SDK Layer 
Semua benar
Resource Layer
Interface Layer
Correct

5.00
Semua salah
Data Warehouse
Database
Flat files 

Correct

5.00
Correct

5.00
Text database
Semua salah
Spatial database

Correct

5.00
Semua benar 
Unit
Data points
Record

Correct

5.00
Semua benar 
Biaya lebih murah
Correct

5.00
Semua salah
Data Warehouse
DBMS
Database 
Correct dalam hal:
Mark 5.00 out of
5.00 Select one:
Variety
Volume 
Velocity
Veracity
Correct

5.00
Data Finansial
Semua benar 
Data Media Sosial
Correct terpadu:
Mark 5.00 out of
5.00 Select one:
Data Warehouse 
Semua benar
Spatial Database

Correct

5.00
Object
Fitur
Semua salah
Numerik 

Correct

5.00
Fitur/atribut
Dataset
Nilai 
Objek

Correct

5.00
Semua benar 
Tabel
Grafik 3D
Plot

Correct

5.00
Azure ML
Amazon ML
Semua benar

Jump to...

State Finished
Grade 100.00 out of 100.00

Correct

5.00
Correct

5.00
c. Semua benar 
Correct

5.00
1
Online

Correct

5.00
a. Semua benar 

Correct

5.00
b. Semua benar 

Correct

5.00
c. Data pegawai
d. Semua benar

Correct

5.00
c. Semua benar 
Correct

5.00
b. Pengenalan wajah
d. Pengenalan objek
Correct

5.00

Correct

5.00
a. YARN
b. HDFS
c. Semua benar
d. MapReduce 

Correct

5.00
a. Semua benar
b. MapReduce
c. YARN
d. HDFS 

Correct

5.00

Correct

5.00
d. Semua benar

Correct

5.00
a. 1.0
b. Semua benar
c. 2.0 
d. 3.0

Correct

5.00
c. Semua benar 

Correct

5.00
d. Semua benar 

Correct

5.00
a. Document
b. Graph
c. Key-Value
d. Semua benar 
Correct

5.00
b. Semua benar
Correct

5.00

Correct

5.00
a. Keduanya benar
d. Keduanya salah

kelas Malam) ►

State Finished
Mark 5.00 out of
5.00 Select one:
a. Primary key
b. Grafik 
c. Dokumen
d. Pencarian

Correct

5.00
a. map dan combine
d. shuffle dan sort

Correct

5.00
1
Online
5.00
Select one:
Correct

5.00
a. Tidak terstuktur
c. Terstruktur
d. Semua benar 

Correct

5.00
b. semua benar 

Correct

5.00
pada node server.

Correct

5.00
c. SQL dan No-SQL
Correct

5.00
Correct

5.00
b. Stand alone mode
Correct

5.00
c. Handal

Correct

5.00
b. Semua benar 
Correct

5.00
Correct

5.00
c. Handal 
Correct

5.00
c. Handal

Correct

5.00
Mark 5.00 out of
5.00 Select one:

Correct

5.00

Correct

5.00
beberapa processor
cluster
Correct

5.00
b. Handal

kelas MALAM)) ►

State Finished
Grade 100.00 out of 100.00

Correct

5.00
A,B,dan C benar 
Dibiarkan

Correct

5.00
Atribut 
Record
Instance
Sample

Correct

5.00
Regression
Combined Computer
Ignore 
Clustering
Correct

5.00
Record
Ordered
Graf
Multimedia 
1
Online

Correct

5.00
Mark 5.00 out of
5.00 Select one:
missing value
duplicate data
outlier
A,B,C benar 
Correct

5.00
Multimedia
Graf 
Record
Ordered
Correct

5.00
interpolasi
Nilai tertinggi 
Rata-rata
Median

Correct

5.00
Numerik
Ordinal
Nominal 
Rasio

Correct

5.00
Dataset
Data objek
Data sample
Atribut 
Correct

5.00
Rasio
Ordinal 
Numerik
Nominal

Correct

5.00
data Integration
data cleaning
data reduction
Correct

5.00
Eliminasi
Mean
Bayessian 
Regresi
Mark 5.00 out of
5.00 Select one:
Dokumen 
Matriks
Sosial network
Transaksi
Correct

5.00
Believability
Completeness
Consistency
Correct

5.00
Variance 
Median
Mean
Modus
Correct

5.00
Data testing
Data cleansing 
Data validation
Data training

Correct

5.00
data Integration
data transformation
data reduction
data cleaning 
Correct

5.00
Atribut penjualan
Correct

5.00
Data sample
Atribut
Dataset
Data objek 

Jump to...

State Finished
Correct

5.00
a. Asosiasi
b. Visualisasi 
c. Klasterisasi
d. Klasifikasi
Marked out of
5.00 Select one:
Correct

5.00
a. Asosiasi
b. Klasterisasi 
c. Klasifikasi
d. Visualisasi

Correct

5.00
1
Online

Correct

5.00
Correct

5.00
a. Asosiasi
b. Klasterisasi
c. Klasifikasi
d. Visualisasi 
Correct

5.00
a. Volume 
b. variety
c. Velocity
d. Value
Marked out of
5.00 Select one:
a. Klasterisasi
b. Outlier Analysis
c. Klasifikasi
Marked out of
5.00 Select one:
a. Index
b. Crawl 
c. Rank
d. Searching
Correct

5.00
a. Visualisasi
b. Klasterisasi
c. Asosiasi
d. Klasifikasi 
Marked out of
5.00 Select one:
b. Klasifikasi
c. Klasterisasi
Correct

5.00
a. Consistency
b. Believability
c. Completeness
Marked out of
5.00 Select one:
a. Asosiasi
b. Klasifikasi 
c. Visualisasi
d. Klasterisasi

Correct

5.00
pengujian

pengujian
Correct

5.00
a. lebih heuristik
c. lebih teori

Correct

5.00
a. Klasterisasi
b. Visualisasi
c. Klasifikasi 
d. Asosiasi
Correct

5.00
Marked out of
5.00 Select one:
a. Social media
b. Penjualan 
c. Penyewaan
d. Marketing
Correct metode
Marked out of
5.00 Select one:
b. Mean
c. Regresi
d. Eliminasi

Correct

5.00


State Finished
Select one:

Correct

5.00
Correct

5.00
a. Unsupervised
c. Reinfocement
Question 4
Correct
Marked out of
5.00
Select one:
a. Pohon
b. Aturan 
c. Tabel
d. Instance
1
Online
Marked out of
5.00 Select one:
Correct

5.00
a. Tabel
b. Instance
c. Pohon
d. Aturan 
Correct

5.00
Marked out of
5.00 Select one:
a. Klasifikasi
b. Klasterisasi
c. Generalisasi
d. Regressi 

Correct

5.00
Marked out of
5.00 Select one:
b. generalization
c. model selection
d. prediction
Marked out of
5.00 Select one:
d. Rekomendasi
Question 12
Correct
Marked out of
5.00
Select one:
a. Aturan
b. Instance
c. Pohon
d. Tabel 
Correct

5.00

Correct

5.00
a. Generalisasi
b. Klasterisasi
c. Regressi
d. Klasifikasi 
Marked out of
5.00 Select one:
b. Ranking

Correct

5.00
a. Neural Networks
b. Linear Model
Question 17
Correct
Marked out of
5.00
Select one:
a. Aturan
b. Pohon 
c. Tabel
d. Instance
Correct

5.00
b. Instance
c. Feature/ atribut
d. Training Set 
Correct

5.00
a. Training Set
b. Instance
d. Feature/ atribut
Correct
Marked out of
5.00 Select one:
a. Training Set
c. Instance

Learning-Supervised
MALAM)) ►

Marked out of
5.00 Select one:
5.00
Select one:
b. Association
c. clustering
d. Regression
orang lain.
Select one:
a. Eclat
b. Apriori 
c. Apriori
d. FP-Growth
Select one:
b. Regression
c. clustering
d. Association 
Correct

5.00
b. Deep Learning
Select one:
a. Association 
b. clustering
c. Regression
Select one:
b. FP-Growth
c. Autoencoders
5.00
Select one:
b. FP-Growth
c. Autoencoders 
Select one:
Correct

5.00
a. FP-Growth
b. Apriori
c. Apriori 
d. Eclat
Marked out of
5.00 Select one:

Correct

5.00
a. Association
c. Regression 
d. clustering
Marked out of
5.00 Select one:

Correct

5.00
5.00
Select one:
Marked out of
5.00 Select one:
b. Deep Learning
Marked out of
5.00 Select one:

Correct

5.00
d. Auto Encoder 
5.00
Select one:
a. Clustering 
c. Regression
d. Association
5.00
Select one:
c. Autoencoders 
d. FP-Growth


State Finished
Correct

5.00
c. Peramalan cuaca
d. Pengenalan objek
Correct

5.00
b. Self-driving car
c. Semua benar 
d. Bermain Game
Correct

5.00
a. 4
b. 3
c. 6
d. 5 
Marked out of
5.00 Select one:
a. Markov 
b. Bellman
c. Transisi
d. Stokastik
1
Online

Correct

5.00
a. Semua benar

Correct

5.00
a. Policy 
b. Reward
c. Model
d. Action
Correct

5.00
a. Semua benar 
b. Riil
c. Bulat
d. Asli
Correct

5.00
a. Fungsi reward

Correct

5.00
c. Semua benar 
d. Navigasi robot
Correct

5.00
a. Model
b. Reward
c. Value
d. Policy 
Correct

5.00

Correct

5.00
c. Semua benar

Correct

5.00
d. Q-learning
Correct

5.00
a. Semua salah
c. Policy
d. Fungsi reward
Correct

5.00
d. Semua salah

Correct

5.00
a. Semua benar
Correct

5.00
transisinya 
Correct

5.00
a. Value
b. Reward
c. State
d. Action 
Correct

5.00
c. Semua benar
Correct

5.00
a. State 
b. Action
c. Semua salah
d. Reward

MALAM) ►
M10 Team Teaching
dari.. Preskriptif
Klasifikasi
yang tersedia
Benar
Cross entropy
Neural Network
Hidden layer
berdimensi
4x4
Hidden layer
Network digunakan
Padding

Semua benar
ReLU
Recall
Semua benar
Stride
Padding
Stride

Hanya 1
Flatmap
2010
Top()
Scala
Spark SQL
Spark Core

DataFrame
100 kali
Satu
Triangle Count
Path
Page Rank
Visualisasi Grafik
1-4-2-3
4. Analisis
3-1-4-2
Neo4j
Netflix
window length
pada data
Spark GraphX
DStream
kesalahan
Kernel
__global__
mengacu pada
CPU
CUDA mengacu
GPU
kesatuan grid

Semua benar
Python
Tergolong lambat
Semua jawaban benar
Distributed
jika diperlukan)
Semua salah

Semua jawaban salah
Open-source
Kecil

4/4/22, 11:44 AM 1 pesan baru
/

State Finished
Marks 6.00/20.00

Correct

1.00
a. Semua salah 
b. Veracity
c. Volume
d. Variety

Correct

1.00
a. Tidak Terstruktur
b. Semi Terstruktur 
c. Terstruktur
d. Semua Pilihan Salah
Correct

1.00
a. Pemerintah 
b. BPJS
c. Bank Indonesia
d. Semua salah
1
Online
4/4/22, 11:44 AM 1 pesan baru
Incorrect

1.00
a. Data Sources Gathering
b. Streaming Infrastructure
c. Monitoring 
d. Batching Infratructure

Correct

1.00
a. Linkedin 
b. Yahoo
c. Facebook
d. Google

Incorrect

1.00
a. Nama pelanggan
b. Nomor KTP 
c. Email
d. Nomor telepon

Incorrect

1.00
a. Arsitektur Beta dan Kappa
c. Arsitektur Alfa dan Lambda 
d. Arsitektur Alfa dan Beta
1
Online
4/4/22, 11:44 AM 1 pesan baru
Correct

1.00
a. MongoDB 
b. Presto
c. Spark
d. Kafka

Incorrect

1.00
a. Gambar
b. Abstrak
c. Semua benar 
d. Baris dan kolom

Incorrect

1.00
a. Statistician 
b. Data Architect
c. Business Analyst
d. Data Manager
Incorrect

1.00
a. Misi
b. Visi
c. SLogan
d. Tujuan 
1
Online
4/4/22, 11:44 AM 1 pesan baru
Incorrect

1.00
a. Data Sources, Streaming/Real-Time Ingestion, Streaming/Real-Time Processing, Analytical Data Store, Analytics
& Reporting
b. Data Sources, Analytical Data Store, Streaming/Real-Time Ingestion, Streaming/Real-Time Processing, Analytics
& Reporting 
& Reporting
d. Data Sources, Streaming/Real-Time Ingestion, Analytical Data Store, Streaming/Real-Time Processing, Analytics
& Reporting
Incorrect

1.00
a. Memprioritaskan data yang memiliki tingkat kepentingan tinggi dan bernilai
b. Meningkatkan proses perbaikan kualitas data 
c. Memaksimumkan pemanfaatan platform Google Cloud
d. Mengoptimalkan jumlah kelompok pengguna yang dapat mengakses
Correct

1.00
a. Data Analyst
b. Data Intelligent 
c. Data Scientist
d. Data Engineer
Incorrect

1.00
a. Google Big Query 
b. Grafana
c. PostgreSQL
d. Google Cloud Storage
1
Online
4/4/22, 11:44 AM 1 pesan baru
Incorrect

1.00
a. Spark 
b. Flume
c. HDFS
d. Hive

Incorrect

1.00
a. 2008
b. 2015
c. 2016
d. 2020 

Incorrect

1.00
a. Storm
b. Beam
c. Hadoop 
d. Hive
Incorrect

1.00
a. Natural Language processing
b. Pembuatan Platform AI/ML 
c. Otomasi Produksi AI/ML
d. eKYC Improvement

Incorrect

1.00
a. Berbasis teks
b. Model data dapat ditentukan sebelumnya 
c. Terkelola secara fleksibel
d. Sulit untuk dicari 1

Online
4/4/22, 11:44 AM 1 pesan baru
Jump to...
1
Online
ATA 2021/2022 | 2-FIKTI | Kompuasi Big Data | TEAM TEACHING /
Pertemuan 6: Big Data di PPATK
/
Kuis M6: BigData di PPATK

State Finished
Grade 100.00 out of 100.00
Question 1 Splitting data set dalam pemodelan mesin learning untuk menganalisa data transaksi keuangan adalah
Correct

5.00
a. menampilkan grafik box plot dalam tiap dimensi
b. membagi data set menjadi dua bagian, yaitu data training dan data test 
c. me-log kan regresi model klasifikasi
d. melakukan perankongan dalam rangka mengeliminasi fitur yang kurang berpengaruh
The correct answer is: membagi data set menjadi dua bagian, yaitu data training dan data test
Question 2 Agen Kecerdasan Artifisial menerima dan bertindak berdasrkan lingkungan (environment) menggunakan
Correct

5.00
a. Perceiver
b. Sensor
c. Sensor maupun Actuator 
d. Actuator
The correct answer is: Sensor maupun Actuator
Question 3 Berikut ini yang merupakan tahapan data engineering dalam big data analytics adalah
Correct

5.00
a. data architecure, data acquisition, data cleaning, dan cloud computation 
b. penentuan volume data, velocity data, dan varietas data
c. data exploration, data mining, data visualization
d. deep learning, machine learning, AI
The correct answer is: data architecure, data acquisition, data cleaning, dan cloud computation
Question 4 Agent AI yang terbaik adalah ____________

Correct

5.00
a. yang memerlukan input untuk memecahkan masalah
b. yang dapat memecahkan masalah tanpa intervensi manusia 
c. yang memerlukan contoh masalah, basis pengetahuan, dan memerlukan input, untuk memecahkan masalah
d. yang memerlukan contoh masalah dan basis pengetahuannya dalam memecahkan masalah
The correct answer is: yang dapat memecahkan masalah tanpa intervensi manusia
Mark 5.00 out of PPATK dalam tugasnya menerapkan AI (Artificial Intelligence)
5.00
Select one:
a. di bidang: Kepegawaian, Kepatuhan Pelaporan, Analisis Transaksi, Pelaporan, Sentimen Analisis, dan Keamanan
Data 
b. di bidang: Analisis Transaksi
c. hanya di bidang Keamanan data.
d. di semua bidang yang tidak melibatkan Sentimen Analisis
The correct answer is: di bidang: Kepegawaian, Kepatuhan Pelaporan, Analisis Transaksi, Pelaporan, Sentimen Analisis, dan
Keamanan Data
Question 6 Salah satu agen intelligence yang bertugas saat mengumpulkan data melalui sumber Web seperti HTML dokumen,
Correct gambar, file teksadalah:
Mark 5.00 out of
5.00 Select one:
a. Chat Box
b. Compiler
c. web crawler 
d. parser
The correct answer is: web crawler
Question 7 Berikut sistem intelligent yang dapat difungsikan pada bidang Pelaporan pada Pusat Pelaporan dan Analisis Transaksi
Correct Keuangan (PPATK) adalah
Mark 5.00 out of
5.00 Select one:
a. dapat keduanya, chat Box untuk layanan bantuan dan evaluasi laporan 
b. chat Box untuk layanan bantuan
c. bukan keduanya, baik chat box maupun evaluasi laporan.
d. evaluasi laporan
The correct answer is: dapat keduanya, chat Box untuk layanan bantuan dan evaluasi laporan
Question 8 Jika dalam memodelkan klasifikasi transaksi keuangan, diperoleh nilai akurasi untuk model logistic regression adalah 0,62,
Correct model K-NN adalah 0,91, dan model random forest adalah 0,98, maka berarti:
Mark 5.00 out of
5.00 Select one:
a. random forest memprediksi transaksi wajar paling banyak dibandingkan model K-NN dan logistic regression, yaitu
sebesar 98%
b. transaksi wajar diprediksi sebesar 62% menurut logistic regression
c. logistic regression lebih akurat dibanding k-NN dan random forest
d. random forest lebih akurat dibanding k-NN dan logistic regression 
The correct answer is: random forest lebih akurat dibanding k-NN dan logistic regression
Question 9 Proses rekursif yang meranking fitur berdasarkan tingkat pentingnya terhadap proses prediksi, salah satunya adalah
Correct

5.00
a. Splitting data set ke data train dan data uji
b. Recursive Feature Elimination 
c. random forest clssifier
d. logistic regression model
The correct answer is: Recursive Feature Elimination
Question 10 Salah sata tahapan big data analytics adalah data mining, yang memperkerjakan machine learning, yaitu melakukan
Correct

5.00
a. penentuan volume data, velocity data, dan varietas data
b. Data engineering, data exploration, data visualization
c. data architecure, data acquisition, data cleaning, dan cloud computation
d. estimasi atau prediksi, atau mengklasifikasi, atau meng-cluter, atau menentukan asosiasi 
The correct answer is: estimasi atau prediksi, atau mengklasifikasi, atau meng-cluter, atau menentukan asosiasi
Question 11 Berikut teknik Kecerdasan Artifisial yang membuat komputer dapat memahamai asosiasi dan relasi antara object dan
Correct kejadian adalah
Mark 5.00 out of
5.00 Select one:
a. Cognitive Science
b. Relative Symbolism
c. Heuristic Processing
d. Pattern Matching 
The correct answer is: Pattern Matching
Question 12 Bagian dari sistem Kecerdasan Artifisial yang mengolah pengetahuan adalah
Correct

5.00
a. Hadoop
b. Validator
c. Machine Learning 
d. Data historis
The correct answer is: Machine Learning
Question 13 Akurasi model klasifikasi adalah

Correct

5.00
a. nilai true positive dibagi nilai true negative
b. jumlah nilai true positive dan true negative dibagi total data 
c. nilai true positive dibagi total data
d. nilai true negatif dibagi total data
The correct answer is: jumlah nilai true positive dan true negative dibagi total data
Question 14 Pada saat memodelkan mesin learning dalam menganalisa data transaksi keuangan, melakukan perankingan adalah
Correct tahapan pada
Mark 5.00 out of
5.00 Select one:
a. data engineering
b. data exploration 
c. prediction modelling
d. data visualization
The correct answer is: data exploration
Question 15 Membuat grafik box plot adalah salah satu tahapan dalam implementasi mesin learning, yaitu tahap
Correct

5.00
a. verifikasi model
b. eksplorasi data 
c. modelling
d. validasi model
The correct answer is: eksplorasi data
Question 16 Maksud pernyataan "Pemodelan Machine Learning untuk memprediksi data transaksi keuangan merupakan transaksi
Correct wajar atau mencurigakan", adalah
Mark 5.00 out of
5.00 Select one:
a. memvalidasi data historis agar data baru menjadi data transaksi wajar
b. menentukan statistik data historis, untuk input data baru dalam meprediksinya apakah data tersebut berada pada
nilai transaksi wajar atau transaksi mencurigakan
c. memverifikaso data historis agar tidak ada transaksi yang mencurigakan
d. membangun model terbaik, berdasarkan data historis, untuk input data baru dalam meprediksinya apakah data
tersebut suatu transaksi wajar atau transaksi mencurigakan 
The correct answer is: membangun model terbaik, berdasarkan data historis, untuk input data baru dalam meprediksinya
apakah data tersebut suatu transaksi wajar atau transaksi mencurigakan
Mark 5.00 out of PPATK dalam tugasnya menerapkan AI (Artificial Intelligence). Pernyataan berikut yang benar mengenai AI adalah
5.00
Select one:
a. cabang ilmu dari machine learning
b. Cabang ilmu dari komputasi big data
c. cabang dari ilmu komputer yang menenkankan pada pengembangan mesin cerdas (intelligence), berpikir dan
bekerja seperti manusia 
d. cabang ilmu dari data mining
The correct answer is: cabang dari ilmu komputer yang menenkankan pada pengembangan mesin cerdas (intelligence),
berpikir dan bekerja seperti manusia
Question 18 Big data analytics, termasuk didalamnya urutan tahapan berikut:

Correct

5.00
a. Data engineering, data exploration, data mining, data visualization 
b. data architecure, data acquisition, data cleaning, dan cloud computation
c. deep learning, machine learning, AI
d. penentuan volume data, velocity data, dan varietas data
The correct answer is: Data engineering, data exploration, data mining, data visualization
Question 19 Berikut yang merupakan algoritma yang dapat digunakan untuk model klasifikasi transaksi keuangan adalah
Correct

5.00
a. data splitting menjadi data training dan data testing
b. confussion matrix, true possitivity
c. Logistic regression, K-NN, Random Forest 
d. C#, Java, Python, R, Ruby, Scala, SQL
The correct answer is: Logistic regression, K-NN, Random Forest
Question 20 Machine LAerning dapat digolongkan dalam

Correct

5.00
a. 3 tipe: Supervised Learning, Unsupervised Learning, dan Reinforcement Learning 
b. dua tipe, yaitu: Unsupervised Learning dan Reinforcement Learning
c. satu tipe, yaitu: Deep Learning
d. 4 tipe, yaitu: Supervised Learning, Unsupervised Learning, Reinforcement Learning, dan Deep Learning
The correct answer is: 3 tipe: Supervised Learning, Unsupervised Learning, dan Reinforcement Learning
Kuis M6: BigData di PPATK (Kelas

◄ Materi M6: BigData di PPATK Jump to...
MALAM) ►
M5
1. Berikut ini adalah teknologi yang digunakan oleh Link Aja! pada bagian Persistence Layer,
kecuali:
• Grafana
2. Salah satu teknologi yang dapat digunakan pada bagian Serving Layer dalam Arsitektur
lambda adalah:
• Hive
3. Peran Data Engineer seringkali juga disebut sebagai:
• Data Architect
4. Berikut ini urutan proses yang dilakukan dalam Arsitektur Kappa adalah:
• Data Sources, Streaming/Real-Time Ingestion, Streaming/Real-Time Processing,
Analytical Data Store, Analytics & Reporting
5. Data terstrutur disimpan kedalam bentuk:
• Baris dan kolom
6. Menjadi platform teknologi keuangan nasional terdepan dan terpercaya merupakan ... dari
Link Aja!:
• Visi
7. Ukuran kualitas citra merupakan salah satu luaran yang dihasilkan oleh AI/ML Scientist Link
Aja! pada proyek:
• eKYC Improvement
8. Berikut ini yang bukan termasuk kedalam peran Tim Data di Link Aja! adalah:
• Data Intelligent
9. Berikut ini yang bukan contoh data terstruktur adalah:
• Email
10. Salah satu karakteristik data tidak terstruktur adalah:
• -
11. Berikut ini merupakan komponen-kompone produksi dalam implementasi big data, kecuali:
• MongoDB
12. Salah satu aktivitas yang dilakukan oleh Link Aja! dalam mengadopsi alat-alat bantu untuk
pengelolaan data adalah:
• Memaksimumkan pemanfaatan platform Google Cloud
13. Nathan Marz adalah orang yang pertama kali mengembangkan:
• Storm
14. Kafka dikembangkan pertama kali oleh:
• LinkedIn
15. Dalam ekosistem teknologi Data Engineering Link Aja! Apache Airflow berfungsi sebagai:
• Batching Infratructure
16. Cloudera merilis Kudu pada tahun:
• 2015
17. Berikut ini yang merupakan arsitektur Big Data adalah:
• Arsitektur Lambda dan Kappa
18. Server logs merupakan salah satu contoh jenis data:
• Semi Terstruktur
19. Berikut ini merupakan karakteristik dari Big Data, kecuali:
• Semua salah
20. Pembayaran Kartu prakerja merupakan salah satu proyek yang dikerjakan oleh Link Aja
bersama dengan:
• Pemerintah
M1

Apache Spark MLlib
Numerik
Nilai
Data werehouse
murah.
Database
Volume
Temporal database
End result
Sqoop
Variety
SDK Layer
Flat files
M2

out forever.
infrastruktur
aplikasi.
situasional.
2.0
Analitik rute.
HDFS
MapReduce
tidak terstruktur.
M3
Grafik.
komponen.
kecuali
analytics.
kinerja.
Handal
Map dan reduce.
M4

 Data Cleaning
dari,
 Variance
tujuan dari,
 Data Cleaning
 Bayessian
 Dokumen
 Nominal
 Atribut
type,
 Ordinal
 Graf
menggunakan,
 Nilai Tertinggi
 Ignore
 Multimedia
 Atribut
karakteristik dari,
 Atribut
M5
 Klasifikasi
visual,
 Visualisasi
 Volume
 Penjualan
 Klasifikasi
 Decision Tree
 Klasifikasi
pengguna,
 Visualisasi
 Klasterisasi
 Crawl
 Naive Bayessian
M6
tidak berlabel,
 Pohon
 Aturan
 Aturan
learning betipe,
 Training set
 Regularization
 Tabel
satu vektor,
 Regresi
 Klasifikasi
M7
 Apriori
 Autoencoders
 Regression
 Auto Encoder
 Association
 Clustering
 Apriori
kedalam task,
 Association
iterasi,
 Autoencoders
M8
 Permainan catur
 5
 Markov

 Policy
oleh,
 Policy
 Model transisi
 Action
sebagai,
 State
M9
 Padding
 Hidden layer
 ReLU
 4x4
 Hidden layer
neural network,
pada,
dilakukan,
overfiting
 Cross entropy
 Stride
 Recall
dalam,
big data dalam hal,
➢ Volume
➢ Digital content
counting
➢ Klasifikasi
adalah,
teknologi GPU
dari,
➢ Preskriptif
➢ Variety
dinamakan,
➢ Velocity
➢ SQL, Python, R
➢ Sensing data
➢ Banyak
➢ Map
➢ 100 kali
➢ Spark core
➢ 2010
➢ Dataframe
➢ Spark RDD
➢ Spark SQL
kecuali,
berubah
➢ Executor nodes
➢ Filter
➢ Page rank
➢ Dstream
➢ Path
2. Batch input data
➢ 1-4-2-3
1. Pembuatan grafik
2. Pengolahan pasca
4. Analisis
➢ 3-1-4-2
➢ Noe4j
➢ Triangle count
➢ Spark graphX
➢ Window length
SM yang,
SIMT
Teknik parallel.
➢ Kernel
menggunakan
➢ _global_
➢ CPU
➢ GPU
besar
GPU untuk komputasi
secara dinamis
➢ Numba
pemrogram python,
eksekusi
➢ Distributed
➢ Numba, Pyspark
workers dengan GPU
➢ Scala dan java
modul
➢ Cuda
➢ R
berskala
➢ Kecil
Pertemuan 1: Big Data Computing Overview
/
Kuis M1: Big Data Computing Overview
Answer saved dalam hal:
Marked out of
1.00 Select one:
a. Volume
b. Velocity
c. Veracity
d. Variety
Clear my choice
◄ Video M1 : Big Data Computing Kuis M1: Big Data Computing Overview
Jump to...
Overview [Khusus Kelas MALAM] ►
1
Online
1
Online
/
Answer saved

1.00
a. Database
b. DBMS
c. Semua salah
d. Data Warehouse
Clear my choice
Jump to...
1
Online
1
Online
/
Answer saved

1.00
a. End Result
b. Data Format
c. Data Computing & Analysis
d. Data Storage Layer
Clear my choice
Jump to...
1
Online
1
Online
/
Answer saved basis data. Berikut ini adalah yang termasuk dalam pemrosesan data tersebut:
Marked out of
1.00 Select one:
a. Pembersihan data
b. Transformasi data
c. Semua benar
d. Integrasi data
Clear my choice
Jump to...
1
Online
1
Online
/

Answer saved

1.00
a. Fitur
b. Numerik
c. Object
d. Semua salah
Clear my choice
Jump to...
/
Answer saved

1.00
a. Data Asuransi Kesehatan
b. Data Finansial
c. Semua benar
d. Data Media Sosial
Clear my choice
Jump to...
1
Online
1
Online
/

Answer saved

1.00
a. Semua benar
b. Mesin rekomendasi
c. Deteksi Penipuan
d. Input Nilai Mahasiswa
Clear my choice
Jump to...
1
Online
1
Online
/

Answer saved

1.00
a. Nilai
b. Objek
c. Fitur/atribut
d. Dataset
Clear my choice
Jump to...
1
Online
1
Online
/
Answer saved terpadu:
Marked out of
1.00 Select one:
a. Spatial Database
b. Semua benar
c. Transactional database
d. Data Warehouse
Clear my choice
Jump to...
1
Online
1
Online
/

Answer saved

1.00
a. Record
b. Unit
c. Semua benar
d. Data points
Clear my choice
Jump to...
1
Online
1
Online
/
Answer saved

1.00
a. HDFS
b. Tableu
c. Facebook
d. Sqoop
Clear my choice
Jump to...
1
Online
1
Online
/

Answer saved

1.00
a. SDK Layer
b. Interface Layer
c. Resource Layer
d. Semua benar
Clear my choice
Jump to...
1
Online
1
Online
/
Answer saved

1.00
a. Database
b. Data Warehouse
c. Flat files
d. Semua salah
Clear my choice
Jump to...
1
Online
1
Online
/

Answer saved

1.00
a. Semua salah
b. Sekumpulan fitur yang memiliki nilai yang sama
c. Sekumpulan objek yang memiliki fitur yang sama
d. Sekumpulan fitur yang memiliki objek yang sama
Clear my choice
Jump to...
1
Online
1
Online
/

Answer saved

1.00
a. Preskriptif, memodelkan perilaku masa lalu
b. Deskriptif, perkiraan berdasarkan data yang tersedia
c. Prediktif, menilai tindakan
d. Memperkirakan puncak dari kasus positif Covid-19, adalah contoh analisis prediktif.
Clear my choice
Jump to...
1
Online
1
Online
/
Answer saved terstruktur, merupakan penjelasan dari dimensi Big Data dalam hal:
Marked out of
1.00 Select one:
a. Velocity
b. Volume
c. Variety
d. Veracity
Clear my choice
Jump to...
1
Online
1
Online
/
Answer saved

1.00
a. Text database
b. Spatial database
c. Temporal database
d. Semua salah
Clear my choice
Jump to...
1
Online
1
Online
/

Answer saved

1.00
a. Grafik 3D
b. Tabel
c. Semua benar
d. Plot
Clear my choice
Jump to...
1
Online
1
Online
/

Answer saved

1.00
a. Semua benar
b. Azure ML
c. Apache Spark MLlib
d. Amazon ML
Clear my choice
Jump to...
1
Online
1
Online
/

Answer saved

1.00
a. Biaya lebih murah
b. Semua benar
c. Konsumsi daya lebih sedikit
d. Tidak membutuhkan ruang yang besar
Clear my choice
Jump to...
1
Online
1
Online
/
Pertemuan 2 : Big Data Computing, Applications and Technologies
/
Kuis M2 [KELAS PAGI] : Big Data Computing, Applications and Technologies

Answer saved

5.00
a. Storage layer, Resource Management Layer, Application Layer
b. Data layer, Processing Layer, Service Layer
c. Storage layer, Processing Layer, Application Layer
Clear my choice
Kuis M2 [KELAS MALAM]: Big Data

◄ Video M2 : Big Data Computing,
Jump to... Computing, Applications and
Application and Technologies
Technologies ►
1
Online
1
Online
/
/
Answer saved

5.00
a. Semua benar
b. Mulailah dengan kemampuan yang ada untuk manajemen data dan analitik
c. Tambahkan beberapa data volume besar yang tidak terstruktur
d. Pilih target dan sub-target analytics 3.0
Clear my choice

Technologies ►
1
Online
1
Online
/
/
Answer saved

5.00
a. Buat penawaran yang efektif
b. Pahami biaya dan dorong kinerja yang lebih baik
c. Membuat analitik dan keputusan berbasis fakta elemen kunci dari hubungan pelanggan, produk dan layanan,
strategi, dan persaingan
d. Temukan pelanggan terbaik, tetapkan harga terbaik kepada mereka
Clear my choice

Technologies ►
1
Online
1
Online
/
/

Answer saved

5.00
a. Fokus pada anomali dan pengecualian
b. Semua benar
c. Data volume tinggi waktu nyata dari sensor dan mesin
Clear my choice

Technologies ►
1
Online
1
Online
/
/

Answer saved

5.00
a. Semua benar
b. Penetapan harga dinamis
c. Prediksi wabah penyakit
Clear my choice

Technologies ►
1
Online
1
Online
/
/

Answer saved

5.00
a. Data media sosial
b. Semua benar
c. Data transaksi penjualan
d. Data pegawai
Clear my choice

Technologies ►
1
Online
1
Online
/
/

Answer saved

5.00
b. Monsanto membayar hampir $ 1 miliar untuk The Climate Company, yang mengumpulkan dan menganalisis data
c. Semua benar
d. Procter & Gamble melakukan Analisis sentimen media sosial real time untuk "Pulsa Konsumen"
Clear my choice

Technologies ►
1
Online
1
Online
/
/
Answer saved

5.00
a. Pengenalan objek
b. Analitik Rute
c. Pengenalan wajah
d. Deteksi suhu tubuh
Clear my choice

Technologies ►
1
Online
1
Online
/
/
Answer saved

5.00
a. T = 1999, P = Bill Gates
b. T = 1969, P = Yann LeCun
d. T = 1959, P = Arthur Samuel
Clear my choice

Technologies ►
1
Online
1
Online
/
/

Answer saved

5.00
a. MapReduce
b. YARN
c. Semua benar
d. HDFS
Clear my choice

Technologies ►
1
Online
1
Online
/
/

Answer saved

5.00
a. MapReduce
b. Semua benar
c. HDFS
d. YARN
Clear my choice

Technologies ►
1
Online
1
Online
/
/

Answer saved

5.00
a. Dibutuhkan kapabilitas analitis dan komputasi baru
b. Perpaduan antara analitik tradisional dengan Big Data
c. Data yang kompleks, besar dan tidak terstruktur
Clear my choice

Technologies ►
1
Online
1
Online
/
/

Answer saved

5.00
a. Hadoop merupakan framework untuk bekerja dengan Big Data
b. Hadoop merupakan Google File System
d. Semua benar
Clear my choice

Technologies ►
1
Online
1
Online
/
/

Answer saved

5.00
a. 2.0
b. 3.0
c. Semua benar
d. 1.0
Clear my choice

Technologies ►
1
Online
1
Online
/
/

Answer saved

5.00
a. Semua benar
b. Structured Query Language vs Un-structured Query Language
c. Relational vs Non-Relational
Clear my choice

Technologies ►
1
Online
1
Online
/
/

Answer saved

5.00
a. Semua benar
b. Hard to scale vs Scales out forever
c. Process centric vs Information centric
d. Mahal vs Terjangkau
Clear my choice

Technologies ►
/
/

Answer saved

5.00
a. Graph
b. Document
c. Key-Value
d. Semua benar
Clear my choice

Technologies ►
1
Online
1
Online
/
/
Answer saved

5.00
b. Mobil modern memiliki 100 sensor yang memantau berbagai item pada mobil
c. Pertumbuhan data tidak terstruktur mencapai 60% - 80% per tahun
d. Semua benar
Clear my choice

Technologies ►
1
Online
1
Online
/
/
Answer saved

5.00
a. Dapatkan infrastruktur yang tepat yang dibutuhkan berdasarkan arsitektur solusi Anda termasuk penyimpanan
data dan unit pemrosesan, platform, dan aplikasi
b. Adaptasi dan ubah organisasi Anda menuju teknologi big data dan implementasi analitik baru
c. Kembangkan arsitektur Solusi untuk kasus bisnis Anda termasuk proses pengumpulan data, arsitektur teknologi
d. Analisis data untuk setiap kasus bisnis spesifik Anda dan visualisasikan dengan cara yang bermakna
Clear my choice

Technologies ►
1
Online
1
Online
/
/

Answer saved

5.00
a. Keduanya benar
b. Keduanya salah
c. Berpusat pada Data Warehouse
d. Ketergantungan yang tinggi pada Machine Learning
Clear my choice

Technologies ►
1
Online
1
Online
Pertemuan 3 : Introduction to Apache Hadoop
/
Kuis M3 : Introduction to Hadoop
Not yet dioptimalkan secara khusus untuk aplikasi yang memerlukan…., yang dicapai dengan mengurangi pembatasan konsistensi
answered
data dari database lainnya.
Marked out of
5.00
Select one:
a. volume data besar, latensi rendah, dan model data fleksibel
Clear my choice
◄ Video M3 : Introduction to Apache Kuis M3 : Introduction to Hadoop (Khusus

Jump to...
Hadoop Kelas MALAM)) ►
1
Online
1
Online
/

Answer saved

5.00
a. yang menggunakan pendekatan pendekatan interaktif tanpa penundaan
b. yang melibatkan pelaksanaan sub-tugas secara bersamaan secara kolektif membentuk tugas yang besar melalui
beberapa processor
c. yang menerapkan divide and conquer dalam fisik terpisah, namun terhunung Bersama dalam satu cluster
d. yang membagi pemrosesan dalam beberapa batch dan dilakukan secara offline
Clear my choice

Jump to...
1
Online
1
Online
/

Not yet
answered
Select one:
Marked out of
5.00
pada node server.
b. Penyimpanan dan pengaturan data pada perangkat penyimpanan harddisk atau flashdisk, dan menyediakan logical
c. Data disimpan dengan cara menyalin dataset dan meyimpan Salinan tersebut pada beberapa node
terhubung melalui jaringan dan bekerja sebagai satu kesatuan
Clear my choice

Jump to...
1
Online
1
Online
/
Not yet
answered
Select one:
Marked out of
a. Classification analytics, regression analytics, clustering analytics, dan hadooping analytics
5.00
b. Menentukan jumlah data dan atribut data
c. mean statistic analytics, deviation standard analytics, dan percentil analytics
d. Descriptive analytics, diagnostic analytics, predictive analytics, dan prescriptive analytics
Clear my choice

Jump to...
1
Online
1
Online
/

Not yet
answered
Select one:
Marked out of
a. membagi masalah besar menjadi masalah kecil yang dapat diselesaikan dengan cepat
5.00
b. implementasi dari framework pemrosesan batch
c. memproses data besar secara parallel dalam cluster pada commodity hardware
d. semua benar
Clear my choice

Jump to...
1
Online
1
Online
/
Not yet menjadi lebih mudah dan sering digunakan untuk jaringan media sosial.
answered

5.00
a. Grafik
b. Pencarian
c. Dokumen
d. Primary key
Clear my choice

Jump to...
1
Online
1
Online
/

Not yet
answered
Select one:
Marked out of
a. No Like Structured Query Language database
5.00
b. Numbered of sequel database
d. Not-only Structured Query Language database
Clear my choice

Jump to...
1
Online
1
Online
/
Not yet
answered
Select one:
Marked out of
a. Ketersediaan layanan secara terus menerus
5.00
b. Handal
c. Kemampuan menanganai penambahan bebab yang diberikan tanpa penurunan kinerja
Clear my choice

Jump to...
1
Online
1
Online
/

Not yet
answered
Select one:
Marked out of
a. Yet another resource need
5.00
b. Yahoo’s archived Resource names
c. Yet another resource negotiator
d. Yahoo’s another resource name
Clear my choice

Jump to...
1
Online
1
Online
/
Not yet
answered
Select one:
Marked out of
5.00
b. Kemampuan untuk terus beroperasi walaupun terjadi kegagalan pada beberapa komponen
c. Kemampuan menanganai penambahan bebab yang diberikan tanpa penurunan kinerja
d. Handal
Clear my choice

Jump to...
1
Online
1
Online
/

Not yet
answered
Select one:
Marked out of
a. On Disk Storage Devices dan In Memory Storage Devices
5.00
c. SQL dan No-SQL
d. Flashdisk dan harddisk
Clear my choice

Jump to...
1
Online
1
Online
/
Not yet
answered
Select one:
Marked out of
a. Jumlah fitur yang tertentu
5.00
c. Volume besar, struktur data yang beragam (variety), dan nilai data yang diperlukan (useful value)
d. Inconsistent dan uncertaint
Clear my choice

Jump to...
1
Online
1
Online
/
Not yet Hadoop adalah
answered

5.00
a. MapReduce, Heron and Trumpet
b. MapReduce, MySQL and Google Apps
c. MapReduce, Hummer and Iguana
d. MapReduce, Hive and Hbase
Clear my choice

Jump to...
1
Online
1
Online
/
Not yet
answered
Select one:
Marked out of
5.00
b. Handal
c. Ketersediaan layanan secara terus menerus
Clear my choice

Jump to...
1
Online
1
Online
/
Not yet
answered
Select one:
Marked out of
5.00
c. Handal
Clear my choice

Jump to...
1
Online
1
Online
/

Not yet
answered
Select one:
Marked out of
a. Menerapkan programming model yang sederhana
5.00
b. Semua benar
c. Memungkinkan pemrosesan secara terdistribusi terhadap data yang berukuran besar
d. Melibatkan satu atau lebih cluster Komputer
Clear my choice

Jump to...
1
Online
1
Online
/

Not yet
answered
Select one:
Marked out of
a. shuffle dan sort
5.00
b. map dan reduce
c. combine dan partition
d. map dan combine
Clear my choice

Jump to...
1
Online
1
Online
/
Not yet
answered
Select one:
Marked out of
a. Stand alone mode
5.00
b. Globally distributed mode
c. Pseudo distributed mode
d. Fully-Distributed mode
Clear my choice

Jump to...
1
Online
1
Online
/

Not yet
answered
Select one:
Marked out of
5.00
b. ClickStream, Sensor, dan Sentiment
c. MapReduce, HDFS, dan YARN
d. SQL, NoSQL, Cluster
Clear my choice

Jump to...
1
Online
1
Online
/
Not yet
answered
Select one:
Marked out of
a. Semi – terstruktur
5.00
b. Tidak terstuktur
c. Terstruktur
d. Semua benar
Clear my choice

Jump to...
1
Online
1
Online
Pertemuan 4 : Data Preprocessing
/
Kuis M4 : Data Preprocessing

State Finished
Grade 100.00 out of 100.00

Correct

5.00
Dibiarkan
A,B,dan C benar 

Correct

5.00
Instance
Atribut 
Sample
Record

Correct

5.00
Clustering
Regression
Combined Computer
Ignore 
Correct

5.00
Multimedia 
Ordered
Record
Graf
1
Online
Correct

5.00
Mark 5.00 out of
5.00 Select one:
outlier
duplicate data
A,B,C benar 
missing value
Correct

5.00
Ordered
Multimedia
Graf 
Record
Correct

5.00
Median
Rata-rata
interpolasi
Nilai tertinggi 

Correct

5.00
Ordinal
Rasio
Nominal 
Numerik

Correct

5.00
Data objek
Data sample
Dataset
Atribut 
1
Online
Correct

5.00
Numerik
Nominal
Ordinal 
Rasio

Correct

5.00
data Integration
data cleaning
data reduction
Correct

5.00
Mean
Regresi
Bayessian 
Eliminasi
Mark 5.00 out of
5.00 Select one:
Dokumen 
Transaksi
Matriks
Sosial network
Correct

5.00
Believability
Consistency
Completeness
Correct

5.00
Mean
Modus
Median
Variance 
1
Online
Correct

5.00
Data validation
Data cleansing 
Data training
Data testing

Correct

5.00
data Integration
data reduction
data transformation
data cleaning 
Correct

5.00
Atribut penjualan
Correct

5.00
Data objek 
Dataset
Data sample
Atribut
Kuis M4 : Data Preprocessing (khusus

◄ Video M4 : Data Preprocessing Jump to...
kelas MALAM)) ►
1
Online
/
1
Online
State Finished
Marks 19.00/20.00
Correct

1.00
a. Otomasi Produksi AI/ML
b. Natural Language processing
c. Pembuatan Platform AI/ML
d. eKYC Improvement 

Correct

1.00
a. Abstrak
b. Semua benar
c. Gambar
d. Baris dan kolom 

Correct

1.00
a. 2008
b. 2015 
c. 2020
d. 2016

Incorrect

1.00
a. Terkelola secara fleksibel
b. Model data dapat ditentukan sebelumnya
c. Berbasis teks
1
d. Sulit untuk dicari  Online

Correct

1.00
a. Semua salah 
b. Veracity
c. Variety
d. Volume

Correct

1.00
a. Hadoop
b. Hive
c. Beam
d. Storm 

Correct

1.00
a. Semua Pilihan Salah
b. Tidak Terstruktur
c. Terstruktur
d. Semi Terstruktur 
Correct

1.00
a. Streaming Infrastructure
b. Monitoring
c. Batching Infratructure 
d. Data Sources Gathering

Correct

1.00
a. Business Analyst
b. Data Manager
c. Data Architect 
1
d. Statistician Online
Correct

1.00
a. Tujuan
b. Misi
c. SLogan
d. Visi 
Correct

1.00
a. Spark
b. Hive 
c. HDFS
d. Flume

Correct

1.00
a. Nomor telepon
b. Email 
c. Nomor KTP
d. Nama pelanggan

Correct

1.00
a. Data Sources, Streaming/Real-Time Ingestion, Analytical Data Store, Streaming/Real-Time Processing, Analytics
& Reporting
b. Data Sources, Streaming/Real-Time Ingestion, Streaming/Real-Time Processing, Analytical Data Store, Analytics
& Reporting  1
Online
& Reporting
d. Data Sources, Analytical Data Store, Streaming/Real-Time Ingestion, Streaming/Real-Time Processing, Analytics
& Reporting
Correct

1.00
a. Data Analyst
b. Data Scientist
c. Data Intelligent 
d. Data Engineer
Correct

1.00
a. Kafka
b. MongoDB 
c. Presto
d. Spark

Correct

1.00
a. Yahoo
b. Facebook
c. Linkedin 
d. Google

Correct

1.00
a. Semua salah
b. BPJS
c. Pemerintah 
1
d. Bank Indonesia Online
Correct

1.00
a. Google Big Query
b. Google Cloud Storage
c. PostgreSQL
d. Grafana 
Correct

1.00
a. Memaksimumkan pemanfaatan platform Google Cloud 
b. Mengoptimalkan jumlah kelompok pengguna yang dapat mengakses
c. Meningkatkan proses perbaikan kualitas data
d. Memprioritaskan data yang memiliki tingkat kepentingan tinggi dan bernilai

Correct

1.00
a. Arsitektur Alfa dan Lambda
b. Arsitektur Lambda dan Kappa 
c. Arsitektur Alfa dan Beta
d. Arsitektur Beta dan Kappa
Jump to...
/
Answer saved

1.00
a. Otomasi Produksi AI/ML
b. Natural Language processing
c. Pembuatan Platform AI/ML
d. eKYC Improvement
Clear my choice
Jump to...
1
Online
1
Online
/

Answer saved

1.00
a. Abstrak
b. Semua benar
c. Gambar
d. Baris dan kolom
Clear my choice
Jump to...
1
Online
1
Online
/

Answer saved

1.00
a. 2008
b. 2015
c. 2020
d. 2016
Clear my choice
Jump to...
1
Online
1
Online
/

Answer saved

1.00
a. Terkelola secara fleksibel
b. Model data dapat ditentukan sebelumnya
c. Berbasis teks
d. Sulit untuk dicari
Clear my choice
Jump to...
/

Answer saved

1.00
a. Semua salah
b. Veracity
c. Variety
d. Volume
Clear my choice
Jump to...
1
Online
1
Online
/

Answer saved

1.00
a. Hadoop
b. Hive
c. Beam
d. Storm
Clear my choice
Jump to...
1
Online
1
Online
/

Answer saved

1.00
a. Semua Pilihan Salah
b. Tidak Terstruktur
c. Terstruktur
d. Semi Terstruktur
Clear my choice
Jump to...
1
Online
1
Online
/
Answer saved

1.00
a. Streaming Infrastructure
b. Monitoring
c. Batching Infratructure
d. Data Sources Gathering
Clear my choice
Jump to...
/

Answer saved

1.00
a. Business Analyst
b. Data Manager
c. Data Architect
d. Statistician
Clear my choice
Jump to...
1
Online
1
Online
/
Answer saved

1.00
a. Tujuan
b. Misi
c. SLogan
d. Visi
Clear my choice
Jump to...
/
Answer saved

1.00
a. Spark
b. Hive
c. HDFS
d. Flume
Clear my choice
Jump to...
1
Online
1
Online
/

Answer saved

1.00
a. Nomor telepon
b. Email
c. Nomor KTP
d. Nama pelanggan
Clear my choice
Jump to...
1
Online
1
Online
/
Answer saved

1.00
a. Data Sources, Streaming/Real-Time Ingestion, Analytical Data Store, Streaming/Real-Time Processing, Analytics
& Reporting
b. Data Sources, Streaming/Real-Time Ingestion, Streaming/Real-Time Processing, Analytical Data Store, Analytics
& Reporting
& Reporting
d. Data Sources, Analytical Data Store, Streaming/Real-Time Ingestion, Streaming/Real-Time Processing, Analytics
& Reporting
Clear my choice
Jump to...
1
Online
1
Online
/
Answer saved

1.00
a. Data Analyst
b. Data Scientist
c. Data Intelligent
d. Data Engineer
Clear my choice
Jump to...
/
Answer saved

1.00
a. Kafka
b. MongoDB
c. Presto
d. Spark
Clear my choice
Jump to...
/

Answer saved

1.00
a. Yahoo
b. Facebook
c. Linkedin
d. Google
Clear my choice
Jump to...
/
Answer saved

1.00
a. Semua salah
b. BPJS
c. Pemerintah
d. Bank Indonesia
Clear my choice
Jump to...
1
Online
1
Online
/
Answer saved

1.00
a. Google Big Query
b. Google Cloud Storage
c. PostgreSQL
d. Grafana
Clear my choice
Jump to...
1
Online
1
Online
/
Answer saved

1.00
a. Memaksimumkan pemanfaatan platform Google Cloud
b. Mengoptimalkan jumlah kelompok pengguna yang dapat mengakses
c. Meningkatkan proses perbaikan kualitas data
d. Memprioritaskan data yang memiliki tingkat kepentingan tinggi dan bernilai
Clear my choice
Jump to...
/

Answer saved

1.00
a. Arsitektur Alfa dan Lambda
c. Arsitektur Alfa dan Beta
d. Arsitektur Beta dan Kappa
Clear my choice
Jump to...
1
Online
1
Online
Pertemuan 7: Data Mining
/
Kuis M7 : Introduction to Data Mining
Not yet ditemukan dari tautan halaman merupakan Salah satu konsep data mining pada Search Engine yang dinamakan
answered

5.00
a. Crawl
b. Index
c. Searching
d. Rank
Clear my choice
Kuis M7 [Kelas Malam] : Introduction to

◄ Video M7 : Introduction to Data Mining Jump to...
Data Mining ►
1
Online
1
Online
/
Not yet
answered
Select one:
Marked out of
a. Asosiasi
5.00
b. Klasterisasi
c. Visualisasi
d. Klasifikasi
Clear my choice

Data Mining ►
1
Online
1
Online
/

Not yet
answered
Select one:
Marked out of
5.00
pengujian
b. Buat model pada set pelatihan, pilih secara acak jumlah instance kelas minoritas yang diinginkan, Evaluasi pada set
pengujian
c. Pisahkan data menjadi set pelatihan dan pengujian, Buat model pada set pelatihan, Evaluasi pada set pengujian
Clear my choice

Data Mining ►
1
Online
1
Online
/
Not yet
answered
Select one:
Marked out of
a. Believability
5.00
b. Interpretability
c. Completeness
d. Consistency
Clear my choice

Data Mining ►
1
Online
1
Online
/
Not yet misalnya item apa yang sering dibeli bersama di Walmart Anda. Ini dikenal dengan istilah
answered

5.00
a. Klasterisasi
b. Asosiasi dan Analisis Korelasi
c. Klasifikasi
d. Outlier Analysis
Clear my choice

Data Mining ►
1
Online
1
Online
/
Answer saved

5.00
b. lebih heuristik
c. mengintegrasikan teori dan heuristik
d. lebih teori
Clear my choice

Data Mining ►
1
Online
1
Online
/

Not yet
answered
Select one:
Marked out of
a. Data pengujian tidak digunakan dengan cara apa pun untuk membuat pengklasifikasi
5.00
b. Skema pembelajaran beroperasi dalam dua tahap yaitu membangun struktur dasar dan mengoptimalkan
c. Data pengujian tidak dapat digunakan untuk penyetelan parameter
d. Data pengujian harus digunakan untuk penyetelan parameter
Clear my choice

Data Mining ►
1
Online
1
Online
/

Not yet
answered
Select one:
Marked out of
a. Biasanya dalam Kombinasi dengan deteksi Deviasi atau metode lain
5.00
b. Mengelompokkan data tak berlabel
c. Menjelaskan fitur dari grup yang dipilih
d. Menggunakan bahasa dan grafik alami
Clear my choice

Data Mining ►
1
Online
1
Online
/
Not yet
answered
Select one:
Marked out of
a. Klasifikasi
5.00
b. Asosiasi
c. Klasterisasi
d. Visualisasi
Clear my choice

Data Mining ►
1
Online
1
Online
/
Not yet adalah pendekatan yang digunakan untuk
answered

5.00
a. Visualisasi
b. Klasifikasi
c. Asosiasi
d. Klasterisasi
Clear my choice

Data Mining ►
1
Online
1
Online
/
Not yet satu contoh jenis database
answered

5.00
a. Penyewaan
b. Social media
c. Marketing
d. Penjualan
Clear my choice

Data Mining ►
1
Online
1
Online
/

Not yet
answered
Select one:
Marked out of
a. Hierarchical vs. flat
5.00
b. Exclusive vs. overlapping
d. Decision Tree
Clear my choice

Data Mining ►
1
Online
1
Online
/
Not yet
answered
Select one:
Marked out of
5.00
b. fokus pada seluruh proses penemuan pengetahuan
c. melihat pembelajaran real-time dan robotika
d. fokus pada peningkatan kinerja agen pembelajaran
Clear my choice

Data Mining ►
1
Online
1
Online
/

Not yet
answered
Select one:
Marked out of
a. Klasterisasi
5.00
b. Klasifikasi
c. Visualisasi
d. Asosiasi
Clear my choice

Data Mining ►
1
Online
1
Online
/
Not yet metode
answered

5.00
a. Regresi
b. Eliminasi
c. Mean
d. Naive Bayessian
Clear my choice

Data Mining ►
1
Online
1
Online
/
Not yet
answered
Select one:
Marked out of
a. Velocity
5.00
b. variety
c. Value
d. Volume
Clear my choice

Data Mining ►
1
Online
1
Online
/
Not yet analisis kejadian langka
answered

5.00
a. Analisis Outlier
b. Klasifikasi
c. Klasterisasi
Clear my choice

Data Mining ►
1
Online
1
Online
/
Not yet
answered
Select one:
Marked out of
a. Klasifikasi
5.00
b. Klasterisasi
c. Asosiasi
d. Visualisasi
Clear my choice

Data Mining ►
1
Online
1
Online
/
Not yet
answered
Select one:
Marked out of
a. Visualisasi
5.00
b. Klasifikasi
c. Klasterisasi
d. Asosiasi
Clear my choice

Data Mining ►
1
Online
1
Online
/
Not yet sama kemudiansetiap subset secara bergantian digunakan untuk pengujian dan sisanya untuk pelatihan
answered

5.00
a. Model Sorted list
b. k-fold cross-validation
c. Direct Marketing Paradigm
d. Commulative PCT Hits
Clear my choice

Data Mining ►
1
Online
1
Online
/
Pertemuan 8: Introduction to Machine Learning (Supervised) /
Kuis M6 : Introduction to Machine Learning (Supervised)
Answer saved

5.00
b. Instance
c. Feature/ atribut
d. Training Set
Clear my choice

◄ Video M8: Introduction to Machine
Jump to... Learning (Supervised) (Khusus Kelas
Learning (Supervised)
Malam) ►
1
Online
1
Online
/
Question 2
Answer saved
Marked out of
5.00
Select one:
a. Pohon
b. Tabel
c. Instance
d. Aturan
Clear my choice

Malam) ►
1
Online
1
Online
/
Question 3
Answer saved
Marked out of
5.00
Select one:
a. Tabel
b. Pohon
c. Instance
d. Aturan
Clear my choice

Malam) ►
1
Online
1
Online
/
Answer saved struktur tersembunyi dari data yang tidak berlabel. Sistem ini tidak memprediksi keluaran yang benar, tetapi
Select one:
c. Reinfocement Learning
Clear my choice

Malam) ►
1
Online
1
Online
/
Answer saved tersembunyi pada data pelatihan, yang dapat digunakan untuk hal berikut, kecuali
Marked out of
5.00 Select one:
a. Pengelompokan (clustering)
b. Rekomendasi
c. Reduksi dimensi (dimension reduction)
d. Pengklasifikasian (classification)
Clear my choice

Malam) ►
1
Online
1
Online
/

Answer saved

5.00
a. Linear Model
b. Support Vector Machine
c. Neural Networks
d. Latent Semantic Analysis
Clear my choice

Malam) ►
1
Online
1
Online
/
Answer saved

5.00
a. Unsupervised Learning
d. Supervised Learning
Clear my choice

Malam) ►
1
Online
1
Online
/

Answer saved

5.00
b. Image Features - Training With Unlabel Data -Learned Model - Prediction
c. Image Features - Learned Model - Prediction
d. Image Features - Training With Labeled Data - Learned Model
Clear my choice

Malam) ►
/
Question 9
Answer saved
Marked out of
5.00
Select one:
a. Pohon
b. Instance
c. Aturan
d. Tabel
Clear my choice

Malam) ►
/
Answer saved

5.00
a. Tabel
b. Pohon
c. Instance
d. Aturan
Clear my choice

Malam) ►
/
Answer saved

5.00
Clear my choice

Malam) ►
/

Answer saved

5.00
a. Klasifikasi
b. Klasterisasi
c. Generalisasi
d. Regressi
Clear my choice

Malam) ►
/
Answer saved
Marked out of
5.00 Select one:
b. Training Set
c. Feature/ atribut
d. Instance
Clear my choice

Malam) ►
/
Answer saved

5.00
a. Reinfocement
c. Supervised – Classification
d. Unsupervised
Clear my choice

Malam) ►
/

Answer saved

5.00
a. Image Features - Learned Model - Prediction
d. Image Features - Training With Labeled Data – Prediction
Clear my choice

Malam) ►
/
Answer saved

5.00
a. Instance
b. Training Set
c. Feature/ atribut
Clear my choice

Malam) ►
/
Answer saved fungsi error.
Marked out of
5.00 Select one:
a. prediction
b. regularization
c. generalization
d. model selection
Clear my choice

Malam) ►
/
Answer saved contoh untuk Prediksi kinerja CPU
Marked out of
5.00 Select one:
a. Klasifikasi
b. Klasterisasi
c. Regressi
d. Generalisasi
Clear my choice

Malam) ►
/
Answer saved suatu data input dapat digunakan untuk
Marked out of
5.00 Select one:
a. Klasterisasi (clustering)
b. Ranking
c. Regresi (regression)
d. Pengklasifikasian (classification)
Clear my choice

Malam) ►
/
Answer saved beberapa karakteristik / fitur, mis. jumlah kaki maka model pembelajaran yang sesuai
Marked out of
5.00 Select one:
b. Supervised Learning - Classification
c. Unsupervised Learning - Clustering
d. Supervised Learning - Regression
Clear my choice

Malam) ►

State Finished
Mark 5.00 out of
5.00 Select one:
Velocity
Volume
Variety 
Veracity

Correct

5.00
Mesin rekomendasi
Semua benar
Deteksi Penipuan
Correct

5.00
Data Storage Layer
Data Format
End Result 
1
Online
Correct

5.00
HDFS
Sqoop 
Facebook
Tableu
Mark 0.00 out of
5.00 Select one:
Pembersihan data
Semua benar
Integrasi data 
Transformasi data

Correct

5.00
Semua salah

Correct

5.00
SDK Layer 
Semua benar
Resource Layer
Interface Layer
Correct

5.00
Semua salah
Data Warehouse
Database
Flat files 

Correct

5.00
Correct

5.00
Text database
Semua salah
Spatial database

Correct

5.00
Semua benar 
Unit
Data points
Record

Correct

5.00
Semua benar 
Biaya lebih murah
Correct

5.00
Semua salah
Data Warehouse
DBMS
Database 
Correct dalam hal:
Mark 5.00 out of
5.00 Select one:
Variety
Volume 
Velocity
Veracity
Correct

5.00
Data Finansial
Semua benar 
Data Media Sosial
Correct terpadu:
Mark 5.00 out of
5.00 Select one:
Data Warehouse 
Semua benar
Spatial Database

Correct

5.00
Object
Fitur
Semua salah
Numerik 

Correct

5.00
Fitur/atribut
Dataset
Nilai 
Objek

Correct

5.00
Semua benar 
Tabel
Grafik 3D
Plot

Correct

5.00
Azure ML
Amazon ML
Semua benar

Jump to...

State Finished
Grade 100.00 out of 100.00

Correct

5.00
Correct

5.00
c. Semua benar 
Correct

5.00
1
Online

Correct

5.00
a. Semua benar 

Correct

5.00
b. Semua benar 

Correct

5.00
c. Data pegawai
d. Semua benar

Correct

5.00
c. Semua benar 
Correct

5.00
b. Pengenalan wajah
d. Pengenalan objek
Correct

5.00

Correct

5.00
a. YARN
b. HDFS
c. Semua benar
d. MapReduce 

Correct

5.00
a. Semua benar
b. MapReduce
c. YARN
d. HDFS 

Correct

5.00

Correct

5.00
d. Semua benar

Correct

5.00
a. 1.0
b. Semua benar
c. 2.0 
d. 3.0

Correct

5.00
c. Semua benar 

Correct

5.00
d. Semua benar 

Correct

5.00
a. Document
b. Graph
c. Key-Value
d. Semua benar 
Correct

5.00
b. Semua benar
Correct

5.00

Correct

5.00
a. Keduanya benar
d. Keduanya salah

kelas Malam) ►

State Finished
Mark 5.00 out of
5.00 Select one:
a. Primary key
b. Grafik 
c. Dokumen
d. Pencarian

Correct

5.00
a. map dan combine
d. shuffle dan sort

Correct

5.00
1
Online
5.00
Select one:
Correct

5.00
a. Tidak terstuktur
c. Terstruktur
d. Semua benar 

Correct

5.00
b. semua benar 

Correct

5.00
pada node server.

Correct

5.00
c. SQL dan No-SQL
Correct

5.00
Correct

5.00
b. Stand alone mode
Correct

5.00
c. Handal

Correct

5.00
b. Semua benar 
Correct

5.00
Correct

5.00
c. Handal 
Correct

5.00
c. Handal

Correct

5.00
Mark 5.00 out of
5.00 Select one:

Correct

5.00

Correct

5.00
beberapa processor
cluster
Correct

5.00
b. Handal

kelas MALAM)) ►

State Finished
Grade 100.00 out of 100.00

Correct

5.00
A,B,dan C benar 
Dibiarkan

Correct

5.00
Atribut 
Record
Instance
Sample

Correct

5.00
Regression
Combined Computer
Ignore 
Clustering
Correct

5.00
Record
Ordered
Graf
Multimedia 
1
Online

Correct

5.00
Mark 5.00 out of
5.00 Select one:
missing value
duplicate data
outlier
A,B,C benar 
Correct

5.00
Multimedia
Graf 
Record
Ordered
Correct

5.00
interpolasi
Nilai tertinggi 
Rata-rata
Median

Correct

5.00
Numerik
Ordinal
Nominal 
Rasio

Correct

5.00
Dataset
Data objek
Data sample
Atribut 
Correct

5.00
Rasio
Ordinal 
Numerik
Nominal

Correct

5.00
data Integration
data cleaning
data reduction
Correct

5.00
Eliminasi
Mean
Bayessian 
Regresi
Mark 5.00 out of
5.00 Select one:
Dokumen 
Matriks
Sosial network
Transaksi
Correct

5.00
Believability
Completeness
Consistency
Correct

5.00
Variance 
Median
Mean
Modus
Correct

5.00
Data testing
Data cleansing 
Data validation
Data training

Correct

5.00
data Integration
data transformation
data reduction
data cleaning 
Correct

5.00
Atribut penjualan
Correct

5.00
Data sample
Atribut
Dataset
Data objek 

Jump to...

State Finished
Correct

5.00
a. Asosiasi
b. Visualisasi 
c. Klasterisasi
d. Klasifikasi
Marked out of
5.00 Select one:
Correct

5.00
a. Asosiasi
b. Klasterisasi 
c. Klasifikasi
d. Visualisasi

Correct

5.00
1
Online

Correct

5.00
Correct

5.00
a. Asosiasi
b. Klasterisasi
c. Klasifikasi
d. Visualisasi 
Correct

5.00
a. Volume 
b. variety
c. Velocity
d. Value
Marked out of
5.00 Select one:
a. Klasterisasi
b. Outlier Analysis
c. Klasifikasi
Marked out of
5.00 Select one:
a. Index
b. Crawl 
c. Rank
d. Searching
Correct

5.00
a. Visualisasi
b. Klasterisasi
c. Asosiasi
d. Klasifikasi 
Marked out of
5.00 Select one:
b. Klasifikasi
c. Klasterisasi
Correct

5.00
a. Consistency
b. Believability
c. Completeness
Marked out of
5.00 Select one:
a. Asosiasi
b. Klasifikasi 
c. Visualisasi
d. Klasterisasi

Correct

5.00
pengujian

pengujian
Correct

5.00
a. lebih heuristik
c. lebih teori

Correct

5.00
a. Klasterisasi
b. Visualisasi
c. Klasifikasi 
d. Asosiasi
Correct

5.00
Marked out of
5.00 Select one:
a. Social media
b. Penjualan 
c. Penyewaan
d. Marketing
Correct metode
Marked out of
5.00 Select one:
b. Mean
c. Regresi
d. Eliminasi

Correct

5.00


State Finished
Select one:

Correct

5.00
Correct

5.00
a. Unsupervised
c. Reinfocement
Question 4
Correct
Marked out of
5.00
Select one:
a. Pohon
b. Aturan 
c. Tabel
d. Instance
1
Online
Marked out of
5.00 Select one:
Correct

5.00
a. Tabel
b. Instance
c. Pohon
d. Aturan 
Correct

5.00
Marked out of
5.00 Select one:
a. Klasifikasi
b. Klasterisasi
c. Generalisasi
d. Regressi 

Correct

5.00
Marked out of
5.00 Select one:
b. generalization
c. model selection
d. prediction
Marked out of
5.00 Select one:
d. Rekomendasi
Question 12
Correct
Marked out of
5.00
Select one:
a. Aturan
b. Instance
c. Pohon
d. Tabel 
Correct

5.00

Correct

5.00
a. Generalisasi
b. Klasterisasi
c. Regressi
d. Klasifikasi 
Marked out of
5.00 Select one:
b. Ranking

Correct

5.00
a. Neural Networks
b. Linear Model
Question 17
Correct
Marked out of
5.00
Select one:
a. Aturan
b. Pohon 
c. Tabel
d. Instance
Correct

5.00
b. Instance
c. Feature/ atribut
d. Training Set 
Correct

5.00
a. Training Set
b. Instance
d. Feature/ atribut
Correct
Marked out of
5.00 Select one:
a. Training Set
c. Instance

Learning-Supervised
MALAM)) ►

Marked out of
5.00 Select one:
5.00
Select one:
b. Association
c. clustering
d. Regression
orang lain.
Select one:
a. Eclat
b. Apriori 
c. Apriori
d. FP-Growth
Select one:
b. Regression
c. clustering
d. Association 
Correct

5.00
b. Deep Learning
Select one:
a. Association 
b. clustering
c. Regression
Select one:
b. FP-Growth
c. Autoencoders
5.00
Select one:
b. FP-Growth
c. Autoencoders 
Select one:
Correct

5.00
a. FP-Growth
b. Apriori
c. Apriori 
d. Eclat
Marked out of
5.00 Select one:

Correct

5.00
a. Association
c. Regression 
d. clustering
Marked out of
5.00 Select one:

Correct

5.00
5.00
Select one:
Marked out of
5.00 Select one:
b. Deep Learning
Marked out of
5.00 Select one:

Correct

5.00
d. Auto Encoder 
5.00
Select one:
a. Clustering 
c. Regression
d. Association
5.00
Select one:
c. Autoencoders 
d. FP-Growth


State Finished
Correct

5.00
c. Peramalan cuaca
d. Pengenalan objek
Correct

5.00
b. Self-driving car
c. Semua benar 
d. Bermain Game
Correct

5.00
a. 4
b. 3
c. 6
d. 5 
Marked out of
5.00 Select one:
a. Markov 
b. Bellman
c. Transisi
d. Stokastik
1
Online

Correct

5.00
a. Semua benar

Correct

5.00
a. Policy 
b. Reward
c. Model
d. Action
Correct

5.00
a. Semua benar 
b. Riil
c. Bulat
d. Asli
Correct

5.00
a. Fungsi reward

Correct

5.00
c. Semua benar 
d. Navigasi robot
Correct

5.00
a. Model
b. Reward
c. Value
d. Policy 
Correct

5.00

Correct

5.00
c. Semua benar

Correct

5.00
d. Q-learning
Correct

5.00
a. Semua salah
c. Policy
d. Fungsi reward
Correct

5.00
d. Semua salah

Correct

5.00
a. Semua benar
Correct

5.00
transisinya 
Correct

5.00
a. Value
b. Reward
c. State
d. Action 
Correct

5.00
c. Semua benar
Correct

5.00
a. State 
b. Action
c. Semua salah
d. Reward

MALAM) ►
M10 Team Teaching
dari.. Preskriptif
Klasifikasi
yang tersedia
Benar
Cross entropy
Neural Network
Hidden layer
berdimensi
4x4
Hidden layer
Network digunakan
Padding

Semua benar
ReLU
Recall
Semua benar
Stride
Padding
Stride

Hanya 1
Flatmap
2010
Top()
Scala
Spark SQL
Spark Core

DataFrame
100 kali
Satu
Triangle Count
Path
Page Rank
Visualisasi Grafik
1-4-2-3
4. Analisis
3-1-4-2
Neo4j
Netflix
window length
pada data
Spark GraphX
DStream
kesalahan
Kernel
__global__
mengacu pada
CPU
CUDA mengacu
GPU
kesatuan grid

Semua benar
Python
Tergolong lambat
Semua jawaban benar
Distributed
jika diperlukan)
Semua salah

Semua jawaban salah
Open-source
Kecil

/

State Finished
Correct

1.00
b. Data Extraction

Correct

1.00
a. Umumnya diasosiasikan dengan retail banking
b. Di dalamnya tersimpan data nasabah serta semua transaksi sejak nasabah membuka rekening di bank sampai
menutupnya.
c. Dibuat oleh vendor asing 
d. Digunakan untuk memproses loan
Correct

1.00
d. Data Extraction 

Correct

1.00
b. Merekam semua transaksi yang terjadi dalam rekening nasabah.
d. Semua salah
Correct

1.00
a. Known relationsip vs complex/unknown relationship
b. Fixed Schema vs Schema-less 
c. Centralized vs Distributed
d. Semua benar

Correct

1.00
a. Facebook
b. Kafka
c. Hadoop
d. Tableau 
Correct

1.00
a. CIS (Customer Identification System) 
c. DDS (Demand Deposit System)

Correct

1.00
b. Busines Case Evaluation - Data Identification - Data Acquisition & Filtering - Data Extraction - Data Validation
d. Business Case Evaluation - Data Identification - Data Extraction - Data Validation & Cleansing - Data

Correct

1.00
a. Sensor
b. Komunikasi
c. Semua benar 
d. Media
Correct

1.00
a. Semua benar 
d. Data terstruktur
Correct

1.00
c. Semua benar

Correct

1.00
a. Kebenaran data
d. Kesamaan data 

Correct

1.00
a. Semua benar 
b. Mendorong inklusivitas
c. Memprediksi trend keuangan
d. Menanalisis resiko
Correct

1.00
b. Data Identification 
d. Data Extraction

Correct

1.00
a. Naiknya kepercayaan nasabah
b. Menghemat biaya operasional
c. Mengurangi efisiensi karyawan 
d. Mempercepat akses untuk analisis

Correct

1.00
a. Dapat memiliki lebih dari 200 prosesor
b. Semua benar 
c. Mudah beradaptasi dan fleksibel
d. Dapat menjalankan berbagai macam bahasa pemrograman

Correct

1.00
a. Tableau
b. Facebook
c. Kafka
d. Hadoop 

Correct

1.00
a. Data Aggregation dan Representation
c. Data Extraction
d. Data Acquisition dan Filtering 
Correct

1.00
c. Semua benar
d. Known relationsip vs complex/unknown relationship 

Correct

1.00
a. Semua benar
b. MS SQL Server
c. MySQL Server
d. IBM AS-400 
Jump to...
Started on Monday, 20 June 2022, 11:42 AM
State Finished
Question 1
Correct
Marked out of 5.00
Flag question
Question text
Pengelompokan yang mengambil pendekatan "top-down". Dalam hal ini, satu cluster data
umum digunakan, tetapi masih perlu diperhatikan dalam konteks pengelompokan hierarkis.
Proses pengelompokan ini biasanya divisualisasikan menggunakan dendrogram, diagram
mirip pohon yang mendokumentasikan penggabungan atau pemisahan titik data pada
setiap iterasi.
Select one:
a. Pendekatan Probabilistic
Question 2
Correct
Marked out of 5.00
Flag question
Question text
Kemampuannya untuk menemukan persamaan dan perbedaan informasi menjadikannya

unsupervised learning sebagai solusi ideal tugas tugas di bawah ini, kecuali
Select one:
a. Klasifikasi buah jeruk dan buah apel
b. Segmentasi pelanggan
c. strategi penjualan silang
d. Analisis data eksplorasi
Question 3
Incorrect
Marked out of 5.00
Flag question
Question text
kebiasaan mendengarkan saya sebelumnya serta kebiasaan orang lain.
Select one:
a. Eclat
b. FP-Growth
c. Apriori
d. Apriori
Question 4
Correct
Marked out of 5.00
Flag question
Question text
Pendekatan reduksi dimensi lain yang memfaktorkan matriks, A, menjadi tiga matriks
peringkat rendah. SVD dilambangkan dengan rumus, A = USVT, di mana U dan V adalah
matriks ortogonal. S adalah matriks diagonal, dan nilai S dianggap sebagai nilai tunggal
matriks A. Principal component analysis
Select one:
a. FP-Growth
b. Autoencoders
Question 5
Correct
Marked out of 5.00
Flag question
Question text
Algoritme yang berusaha menemukan pola tersembunyi atau pengelompokan data tanpa
perlu campur tangan manusia.
Select one:
b. Deep Learning
Question 6
Correct
Marked out of 5.00
Flag question
Question text
Pengelompokan yang sebagai "pendekatan bottom-up". Di mana titik datanya diisolasi

sebagai pengelompokan terpisah pada awalnya, dan kemudian digabungkan bersama
secara iteratif atas dasar kesamaan hingga satu cluster tercapai.
Select one:
a. Pendekatan Divisive
Question 7
Correct
Marked out of 5.00
Flag question
Question text
Metode berbasis aturan untuk menemukan hubungan antara variabel dalam kumpulan data
tertentu. Metode ini sering digunakan untuk analisis keranjang pasar, memungkinkan
perusahaan untuk lebih memahami hubungan antara produk yang berbeda. Memahami
kebiasaan konsumsi pelanggan memungkinkan bisnis untuk mengembangkan strategi
penjualan silang dan mesin rekomendasi yang lebih baik.
Select one:
a. clustering
c. Regression
d. Association
Question 8
Correct
Marked out of 5.00
Flag question
Question text
Jenis algoritme pengurangan dimensi yang digunakan untuk mengurangi redundansi dan
mengompresi kumpulan data melalui ekstraksi fitur. Metode ini menggunakan transformasi
linier untuk membuat representasi data baru, menghasilkan sekumpulan "komponen
utama". Komponen utama pertama adalah arah yang memaksimalkan varians dari dataset.
Sementara komponen utama kedua juga menemukan varians maksimum dalam data, itu
sama sekali tidak berkorelasi dengan komponen utama pertama, menghasilkan arah yang
tegak lurus, atau ortogonal, ke komponen pertama. Proses ini berulang berdasarkan jumlah
dimensi, dimana komponen utama berikutnya adalah arah ortogonal ke komponen
Select one:
a. Principal component analysis
b. FP-Growth
d. Autoencoders
Question 9
Correct
Marked out of 5.00
Flag question
Question text
Pembelajaran mesin tanpa pengawasan, menggunakan algoritme pembelajaran mesin

untuk menganalisis dan mengelompokkan set data tak berlabel
Select one:
a. Deep Learning
b. Semi Supervised Learning
Question 10
Correct
Marked out of 5.00
Flag question
Question text
Teknik yang mengelompokkan data yang tidak berlabel berdasarkan persamaan atau
terklasifikasi menjadi grup yang diwakili oleh struktur atau pola dalam informasi.
Select one:
a. Association
b. Clustering
c. Regression
Question 11
Correct
Marked out of 5.00
Flag question
Question text
Salah satu bentuk pengelompokan yang memungkinkan titik data menjadi bagian dari
beberapa kluster dengan derajat keanggotaan terpisah. Ini disebut juga Pengelompokan
"lembut" atau fuzzy k-means
Select one:
a. Tumpang tindih (overlapping)
c. Memecah belah (Divisive)
Question 12
Correct
Marked out of 5.00
Flag question
Question text
kebiasaan mendengarkan saya sebelumnya serta kebiasaan orang lain. Ini termasuk task
Select one:
a. Regression
b. clustering
c. Dimensionality reduction
d. Association
Question 13
Correct
Marked out of 5.00
Flag question
Question text
Teknik tanpa pengawasan yang membantu menyelesaikan estimasi kepadatan atau masalah
pengelompokan "lunak". Dalam hal ini, titik data dikelompokkan berdasarkan
kemungkinannya termasuk dalam distribusi tertentu. Teknik yang paling umum digunakan
adalah Gaussian Mixture Model (GMM)
Select one:
Question 14
Correct
Marked out of 5.00
Flag question
Question text
Teknik yang digunakan ketika jumlah fitur, atau dimensi, dalam kumpulan data tertentu
terlalu tinggi. Teknik ini mengurangi jumlah input data ke ukuran yang dapat dikelola sambil
juga menjaga integritas set data sebanyak mungkin, biasanya digunakan dalam tahap data
praproses
Select one:
a. Regression
b. clustering
c. Association
Question 15
Correct
Marked out of 5.00
Flag question
Question text
Algoritma yang paling banyak digunakan untuk task Association rules

Select one:
a. FP-Growth
b. Eclat
c. Apriori
d. Apriori
Question 16
Correct
Marked out of 5.00
Flag question
Question text
Algoritme yang bukan digunakan untuk pengelompokan (Clustering)
Select one:
a. Hierarkis ( hierarchical)
b. Clustering ekslusif (specifically exclusive)
c. Tumpang tindih (overlapping)
d. Auto Encoder
Question 17
Correct
Marked out of 5.00
Flag question
Question text
Salah satu bentuk pengelompokan yang menetapkan bahwa suatu titik data hanya dapat
ada dalam satu cluster. Ini juga bisa disebut sebagai pengelompokan "keras". Algoritma
yang digunakan salah satunya adalah K-means clustering
Select one:
d. Clustering Eksklusif (specifically exclusive)
Question 18
Correct
Marked out of 5.00
Flag question
Question text
Teknik yang memanfaatkan jaringan neural untuk mengompresi data dan kemudian
membuat ulang representasi baru dari input data asli. Terdapat lapisan tersembunyi secara
khusus bertindak sebagai penghambat untuk memampatkan lapisan masukan sebelum
merekonstruksi di dalam lapisan keluaran.
Select one:
a. FP-Growth
b. Singular value decomposition
c. Principal component analysis
d. Autoencoders
Question 19
Correct
Marked out of 5.00
Flag question
Question text
Pendekatan Unsupervised Learning adalah

Select one:
a. Mempelajari bagaimana cara kerja pembelajaran yang mendalam
b. Mempelajari bagaimana cara kerja pembelajaran tanpa pengawasan
c. Mempelajari bagaimana cara kerja pembelajaran tanpa pengawasan dan dengan
pengawasan
d. Mempelajari bagaimana cara kerja pembelajaran dengan pengawasan
Question 20
Correct
Marked out of 5.00
Flag question
Question text
Yang bukan tugas dari pembelajaran tanpa pengawasan
Select one:
b. Association
c. clustering
d. Regression
M1

Apache Spark MLlib
Numerik
Nilai
Data werehouse
murah.
Database
Volume
Temporal database
End result
Sqoop
Variety
SDK Layer
Flat files
M2

out forever.
infrastruktur
aplikasi.
situasional.
2.0
Analitik rute.
HDFS
MapReduce
tidak terstruktur.
M3
Grafik.
komponen.
kecuali
analytics.
kinerja.
Handal
Map dan reduce.
M4

 Data Cleaning
dari,
 Variance
tujuan dari,
 Data Cleaning
 Bayessian
 Dokumen
 Nominal
 Atribut
type,
 Ordinal
 Graf
menggunakan,
 Nilai Tertinggi
 Ignore
 Multimedia
 Atribut
karakteristik dari,
 Atribut
M5
 Klasifikasi
visual,
 Visualisasi
 Volume
 Penjualan
 Klasifikasi
 Decision Tree
 Klasifikasi
pengguna,
 Visualisasi
 Klasterisasi
 Crawl
 Naive Bayessian
M6
tidak berlabel,
 Pohon
 Aturan
 Aturan
learning betipe,
 Training set
 Regularization
 Tabel
satu vektor,
 Regresi
 Klasifikasi
M7
 Apriori
 Autoencoders
 Regression
 Auto Encoder
 Association
 Clustering
 Apriori
kedalam task,
 Association
iterasi,
 Autoencoders
M8
 Permainan catur
 5
 Markov

 Policy
oleh,
 Policy
 Model transisi
 Action
sebagai,
 State
M9
 Padding
 Hidden layer
 ReLU
 4x4
 Hidden layer
neural network,
pada,
dilakukan,
overfiting
 Cross entropy
 Stride
 Recall
dalam,
big data dalam hal,
➢ Volume
➢ Digital content
counting
➢ Klasifikasi
adalah,
teknologi GPU
dari,
➢ Preskriptif
➢ Variety
dinamakan,
➢ Velocity
➢ SQL, Python, R
➢ Sensing data
➢ Banyak
➢ Map
➢ 100 kali
➢ Spark core
➢ 2010
➢ Dataframe
➢ Spark RDD
➢ Spark SQL
kecuali,
berubah
➢ Executor nodes
➢ Filter
➢ Page rank
➢ Dstream
➢ Path
2. Batch input data
➢ 1-4-2-3
1. Pembuatan grafik
2. Pengolahan pasca
4. Analisis
➢ 3-1-4-2
➢ Noe4j
➢ Triangle count
➢ Spark graphX
➢ Window length
SM yang,
SIMT
Teknik parallel.
➢ Kernel
menggunakan
➢ _global_
➢ CPU
➢ GPU
besar
GPU untuk komputasi
secara dinamis
➢ Numba
pemrogram python,
eksekusi
➢ Distributed
➢ Numba, Pyspark
workers dengan GPU
➢ Scala dan java
modul
➢ Cuda
➢ R
berskala
➢ Kecil

Supply Team Teaching

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

Supply Team Teaching

Diunggah oleh

Hak Cipta:

Format Tersedia

M1

1. Visualisasi dari hasil analisis Big data dapat berupa

1. Perbandingan traditional vs big data analytics

1. Tahapan pertama data preprocessing adalah,

85. Pernyataan yang benar terkait reinforcement learning,

Started on Monday, 27 June 2022, 12:09 PM

Question 1 Pengumpulan dan penyaringan informasi dari sumber data:

Marked out of Select one:

c. Data Acquisition dan Filtering 

d. Data Aggregation dan Representation

Marked out of Select one:

c. Data Aggregation dab Representation 

d. Data Acquisition dan Filtering

Marked out of Select one:

c. Data Aggregation dan Representation

Question 4 Di antara karakteristik IBM AS-400 server:

Marked out of Select one:

b. Dapat menjalankan berbagai macam bahasa pemrograman

c. Dapat memiliki lebih dari 200 prosesor

Marked out of Select one:

b. Data Aggregation dan Representation

d. Data Acquisition dan Filtering

Question 6 Big Data Analytics Lifecycle:

Marked out of Select one:

Question 7 Pernyataan yang salah tentang Core Banking System:

Marked out of Select one:

b. Digunakan untuk memproses loan

d. Umumnya diasosiasikan dengan retail banking

Marked out of Select one:

b. Known relationsip vs complex/unknown relationship

Question 9 Perangkat server yang digunakan sebagai Core Banking Server:

Marked out of Select one:

Marked out of Select one:

b. Fixed Schema vs Schema-less

c. Known relationsip vs complex/unknown relationship 

Question 11 Teknologi Big Data dalam hal Data Visualization:

Marked out of Select one:

Question 12 Teknologi Big Data dalam hal Data Storage:

Marked out of Select one:

Question 13 Yang bukan merupakan karakteristik Big Data:

Marked out of Select one:

b. Volume Data yang besar

c. Jenis data bervariasi

Question 14 Yang bukan termasuk manfaat Core Banking System:

Marked out of Select one:

b. Mengurangi efisiensi karyawan 

c. Naiknya kepercayaan nasabah

d. Menghemat biaya operasional

Marked out of Select one:

b. Fixed Schema vs Schema-less

c. Known relationsip vs complex/unknown relationship

Marked out of Select one:

Marked out of Select one:

b. LNS (Loan System)

c. CIS (Customer Identification System) 

d. GLS (General Ledger System)

Question 18 Sumber data dalam Big Data:

Marked out of Select one:

Question 19 Tipe data dalam Big Data:

Marked out of Select one:

b. Data semi terstruktur

Question 20 Fungsi paling mendasar dari Core Banking:

Marked out of Select one:

c. Mentransfer dana dari satu cabang ke cabang lainnya