YAYASAN PENDIDIKAN TRI BHAKTI

LANGLANGBUANA
FAKULTASTEKNIK UNIVERSITAS
LANGLANGBUANA
Jl. Karapitan 116 tel.022-4218086 Bandung 40261

SOAL UJIAN AKHIR SEMESTER (UAS)

SEMESTER GANJIL TAHUN AKADEMIK 2023/2024

Mata Kuliah : Machine Learning

Dosen : Estiyan Dwipriyoko, S.Kom.,M.T.
Kelas :A
Semester / SKS :7/3
Prodi : Teknik Informatika
Hari / Tanggal : Januari 2024
Waktu : Dikumpulkan sebelum 31 Januari 2024
Sifat Ujian : Tugas lewat E-Learning

Nama : Yuraditha Aurelia Putri

NPM : 41155050200046
Kelas :A

Bagian 1 (40%) Jawab Pertanyaan berikut:

1. Apa itu Linear dan Logistic Regresion, apa gunanya dan syarat data apa?
Jawab:
a. Liner Regresion
• Definisi
Linear Regresion merupakan salah satu jenis machine learning yang
digunakan untuk memodelkan hubungan linear antara satu atau lebih
variabel predictor (independen) dan target (dependen).
• Kegunaan
Linear Regresion digunakan untuk memahami dan memprediksi nilai
variabel dependen berdasarkan variabel independen.
• Syarat Data
Data yang digunakan merupakan data yang memiliki hubungan linear
antara variabel independen dan dependen.
b. Logistic Regresion
• Definisi
Logistic Regresion merupakan salah satu jenis machine learning yang
digunakan untuk memodelkan dan menganalisis hubungan antara satu
atau lebih variabel independen dan dependen biner atau multiclass.
• Kegunaan
Logistic Regresion digunakan untuk memprediksi probabilitas hasil
kategorikal berdasarkan variabel independen.
• Syarat Data
 Variabel dependen harus bersifat biner atau terkategori dan data tidak
terdapat multikolinearitas yang signifikan.
2. Apa itu Naive Bayes, apa gunanya dan syarat data apa?
Jawab:
• Definisi
Naïve Bayes merupakan algoritma klasifikasi yang digunakan dalam
machine learning dan statistik yang berfungsi untuk memprediksi
suatu kelas target.
• Kegunaan
Naïve Bayes digunakan untuk klasifikasi terutama klasifikasi teks dan
dokumen. Naïve Bayes juga digunakan untuk memprediksi suatu kelas
target berdasarkan distribusi probabilitas dari fitur yang diamati.
• Syarat Data
1. Data Multinomial: Data yang terdiri dari frekuensi kata-kata atau
token tertentu.
2. Data Bernoulli: Data yang terdiri dari bilangan biner 0 atau 1.
3. Data Gaussian: Data yang terdiri dari nilai kontinu yang terkait
dengan setiap fitur bernilai numerik.
3. Apa itu Decision Tree, apa gunanya dan syarat data apa?
Jawab:
• Definisi
Decision Tree merupakan salah satu metode klasifikasi yang
menerapkan struktur pohon. Decision Tree menentukan keputusan
berdasarkan serangkaian aturan dan kondisi.
• Kegunaan
Decision Tree digunakan untuk mengklasifikasikan suatu kategori atau
kelas untuk suatu sampel yang berpengaruh dalam membuat
keputusan.
• Syarat Data
1. Data kategorikal atau numerical
2. Data yang sudah dibersihkan dari nilai yang anomali
3. Data yang terdistribusi seimbang artinya setiap kelas atau nilai
target memiliki jumlah sampel yang seimbang
4. Apa itu Random Forest, apa gunanya dan syarat data apa?
Jawab:
• Definisi
Random Forest merupakan algoritma yang digunakan untuk klasifikasi
data dalam jumlah yang besar. Klasifikasi ini dilakukan dengan
menggabungkan pohon dengan training pada sampel data yang
dimiliki. Penggunaan pohon yang semakin banyak akan memengaruhi
akurasi yang didapatkan.
• Kegunaan
Random Forest digunakan untuk pengklasifikasian dan regresi.
Algoritma ini digunakan untuk membantu mengatasi permasalahan
 overfitting yang terjadi di Decision Tree karena algoritma ini
menggunakan kombinasi dari banyak pohon yang berbeda.
• Syarat Data
1. Data kategorikal dan numerical
2. Data yang sudah dibersihkan dari anomali karena Random Forest
sensitif terhadap outlier
3. Data terdistribusi seimbang yang mana setiap kelas atau nilai target
memiliki jumlah sampel yang sebanding.
5. Apa itu K-Means, apa gunanya dan syarat data apa?
Jawab:
• Definisi
K-Means merupakan algoritma yang digunakan untuk pengelompokan
yang mana algoritma tersebut membagi sejumlah pengamatan menjadi
beberapa kelompok sehingga tiap pengamatan termasuk ke dalam
kelompok dengan rata-rata terdekat.
• Kegunaan
K-Means digunakan untuk mengelompokkan data ke dalam kategori
berdasarkan karakteristik yang dimiliki.
• Syarat Data
1. Data numerical
2. Data yang digunakan memiliki skala variabel yang seragam
3. Jumlah cluster (K) yang dibutuhkan
6. Apa itu Perceptron, apa gunanya dan syarat data apa?
Jawab:
• Definisi
Perceptron merupakan algoritma yang digunakan untuk melakukan
klasifikasi biner atau dua jenis. Algoritma ini merupakan model dasar
dari jaringan saraf tiruan. Model ini merupakan neuron yang menerima
sejumlah input, memberikan bobot pada input, menjumlahkan, dan
memberikan output berdasarkan perhitungan. Algoritma ini seperti
otak manusia karena menggambarkan bagaimana otak manusia
bekerja.
• Kegunaan
Perceptron digunakan untuk klasifikasi biner. Perceptron digunakan
untuk menentukan apakah suatu data termasuk dalam suatu kelompok
atau tidak.
• Syarat Data
1. Data Binomial misalnya 0 atau 1
2. Dataset dipisahkan secara linear atau terdapat suatu garis yang
memisahkan dua kelas.
7. Apa itu Backpropagation, apa gunanya dan syarat data apa?
Jawab:
• Definisi
Backpropagation merupakan algoritma yang digunakan untuk
melakukan supervised learning pada jaringan saraf tiruan untuk
 mencari beban pada setiap neuron yang menghasilkan nilai kesalahan
seminimal mungkin melalui data pembelajaran yang diberikan.
Algoritma ini dilakukan setelah proses perambatan maju yang
merambatkan data dari data input ke output melalui koleksi neuron dan
lapisan jaringan saraf tiruan untuk dirambatkan balik ke belakang dari
lapisan output ke lapisan input untuk menghitung nilai kesalahan pada
masing-masing neuron dibandingkan dengan nilai output yang
seharusnya.
• Kegunaan
Backpropagation digunakan untuk melatih jaringan saraf tiruan
sehingga dapat menghasilkan prediksi yang sesuai dengan data target.
• Syarat Data
1. Dataset yang memiliki label sesuai
2. Data yang terdistribusi dengan rata pada seluruh kelas
3. Data yang representatif atau berisikan data yang mungkin muncul
dalam data sebenarnya
8. Apa itu Self Organizing Map, apa gunanya dan syarat data apa?
Jawab:
• Definisi
Self Organizing Map merupakan salah satu tipe dari Artificial Neural
Network yang dilatih dengan cara Unsupervised untuk menghasilkan
representasi input dalam dua dimensi. Self Organizing Map
menggunakan competitive learning dan tidak menggunakan error-
correction learning. Selain itu, Self Organizing Map tidak
menggunakan fungsi aktivasi, hanya menggunakan bobot.
• Kegunaan
Self Organizing Map digunakan untuk mengurangi dimensi,
clustering, dan visualisasi data yang kompleks. Self Organizing Map
bertujuan untuk mengidentifikasi pola dalam data dan mengorganisasi
informasi sehingga struktur hubungan antar data dapat diamati.
• Syarat Data
1. Data multivariate yang mana data terdiri dari banyak dimensi atau
atribut.
2. Struktur data yang dimiliki bersifat topologi seperti data spasial
atau gambar dengan pola geografis.
3. Data yang digunakan memiliki skala yang seragam untuk
menyeimbangkan pembentukan peta SOM.
Bagian 2 (60%) Tugas
1.0. K-Means Clustering: Data Konsumen
1.1. Silakan menonton dahulu sampai habis video di
https://www.youtube.com/watch?v=X3MNBMx6pk8.
1.2. Lakukan Studi Kasus Data Konsumen yang ada pada video tersebut.
1.3. Buat Screenshot Koding dan Hasil, harus menampilkan Nama dan NPM pada
coding.
Jawab:
2.0. Neural Network Percepteron: Klasifikasi Diabetes 2.1.
Silakan menonton dahulu sampai habis video di
https://youtu.be/vyAsO_fzNF8?si=ZzdXjRUDn3OzP9eU
2.2. Lakukan Studi Kasus Data Konsumen yang ada pada video tersebut.
2.3. Buat Screenshot Koding dan Hasil, harus menampilkan Nama dan NPM pada
coding.
Jawab:
3.0. Neural Network Backpropagation: Prediksi Harga Emas
3.1. Silakan menonton dahulu sampai habis video di
https://youtu.be/Chg_Vtmr88?si=EzRfWEQQZEwa0nC5
3.2. Lakukan Studi Kasus Data Konsumen yang ada pada video tersebut.
3.3. Buat Screenshot Koding dan Hasil, harus menampilkan Nama dan NPM pada
coding.
Jawab:
4.0. Self Organizing Map: Pemetaan Tenaga Kerja 4.1.
Silakan menonton dahulu sampai habis video di
https://youtu.be/iVLixLtNYbk?si=Fb6eDuayl5xAJDy8
4.2. Lakukan Studi Kasus Data Konsumen yang ada pada video tersebut.
4.3. Buat Screenshot Koding dan Hasil, harus menampilkan Nama dan NPM pada
coding.
Jawab: