PENGANTAR KECERDASAN BUATAN

LATIHAN SOAL UTS

Disusun oleh

Imron Assidiqi

3.34.20.4.10 / IK3E

PROGRAM STUDI TEKNIK INFORMATIKA

JURUSAN TEKNIK ELEKTRO

POLITEKNIK NEGERI SEMARANG

2023
1. Apa yang membedakan kecerdasan buatan dengan sistem komputer konvensional?
jelaskan perbedaan tersebut dan berikan contohnya
Jawab:
Kecerdasan buatan (AI) dan sistem komputer konvensional memiliki perbedaan
utama dalam kemampuan untuk melakukan tugas-tugas yang memerlukan kecerdasan
manusia. Sistem komputer konvensional dirancang untuk melakukan tugas-tugas yang
sangat spesifik dan terstruktur, sedangkan AI dapat belajar dan menyelesaikan tugas-
tugas yang lebih kompleks.
contoh : Sistem komputer konvensional digunakan dalam sistem ATM (mesin ATM)
untuk melakukan transaksi finansial yang terstruktur, sedangkan AI digunakan dalam
chatbot untuk berinteraksi dengan pelanggan dan memberikan layanan pelanggan
yang lebih personal.

2. Apa yang dimaksud dengan binary classification, multiclass clasification, dan

multilabel dalam kecerdasan buatan? jelaskan perbedaan antara ketiga teknik tersebut
dan berikan contoh aplikasi masing masing
Jawab:
 Binary classification adalah teknik klasifikasi yang digunakan untuk
mengklasifikasikan data ke dalam dua kategori atau label
 Multiclass classification adalah teknik klasifikasi yang digunakan untuk
mengklasifikasikan data ke dalam lebih dari dua kategori atau label yang
berbeda
 Multilabel classification adalah teknik klasifikasi yang digunakan untuk
mengklasifikasikan data ke dalam lebih dari satu label atau kategori yang
berbeda secara simultan
Perbedaan utama antara ketiga teknik klasifikasi ini terletak pada jumlah kategori atau
label yang digunakan dalam pengklasifikasian data. Binary classification digunakan
jika hanya terdapat dua kategori atau label, multiclass classification digunakan jika
terdapat lebih dari dua kategori atau label yang berbeda, dan multilabel classification
digunakan jika terdapat lebih dari satu label atau kategori yang berbeda secara
simultan.

3. Apa yang dimaksud dengan akurasi, presisi, recall, dan fi score dalam confusion
matrix? jelaskan masing masing ukuran dan bagaimana cara menghitungnya dari
confusion matrix
Jawab:
 Akurasi mengukur seberapa sering model klasifikasi benar dalam
memprediksi kelas target dari seluruh data yang diuji. Dalam istilah confusion
matrix, akurasi dihitung sebagai jumlah prediksi benar (true positives dan true
negatives) dibagi dengan total jumlah prediksi (true positives, true negatives,
false positives, dan false negatives).
Akurasi = (True Positives + True Negatives) / (True Positives + True
Negatives + False Positives + False Negatives)
  Presisi mengukur seberapa sering model klasifikasi benar dalam memprediksi
positif dari seluruh prediksi positif yang dihasilkan. Dalam istilah confusion
matrix, presisi dihitung sebagai jumlah prediksi benar positif (true positives)
dibagi dengan jumlah prediksi positif (true positives dan false positives).
Presisi = True Positives / (True Positives + False Positives)

 Recall mengukur seberapa sering model klasifikasi benar dalam memprediksi

kelas target positif dari seluruh data kelas target positif. Dalam istilah
confusion matrix, recall dihitung sebagai jumlah prediksi benar positif (true
positives) dibagi dengan jumlah data kelas target positif (true positives dan
false negatives).
Recall = True Positives / (True Positives + False Negatives)

 F1-score adalah rata-rata harmonik dari presisi dan recall. F1-score mengukur
seberapa baik model klasifikasi menyeimbangkan presisi dan recall dalam
memprediksi kelas target. Dalam istilah confusion matrix, F1-score dihitung
sebagai 2 kali perkalian antara presisi dan recall dibagi dengan jumlah presisi
dan recall.
F1-score = 2 x ((Presisi x Recall) / (Presisi + Recall))

4. Apa itu AUC-ROC? Jelaskan bagaimana AUC-ROC digunakan untuk mengukur

kinerja model machine learning
Jawab:
AUC-ROC (Area Under the Receiver Operating Characteristic Curve) adalah metode
evaluasi kinerja model machine learning untuk klasifikasi biner yang mengukur
kemampuan model dalam membedakan antara kelas positif dan negatif. AUC-ROC
menggunakan ROC Curve, yaitu grafik yang menunjukkan perbandingan antara
tingkat true positive rate dengan tingkat false positive rate pada berbagai threshold.
AUC-ROC memiliki nilai antara 0 dan 1, di mana semakin tinggi nilainya, semakin
baik performa model. AUC-ROC dapat digunakan untuk memilih model terbaik dan
memperbaiki model, serta berguna untuk mengevaluasi model dalam situasi
ketidakseimbangan kelas.

5. Sebuah model AI memiliki akurasi sebesar 95% dalam mengenali email spam. Jika
model tersebut digunakan untuk memproses 1000 email, berapa jumlah email spam
yang kemungkinan akan terlewatkan oleh model?
Jawab:
Persentase benar = 95%
Persentase salah = 5%
Jumlah email spam yang kemungkinan terlewat= 5/100×1000
= 50
Jadi, jumlah email spam yang kemungkinan akan terlewatkan oleh model adalah 50
email