Assesment Siklus Proyek AI

Apa yang dimaksud dengan clustering hirarkis?

• Metode pengelompokan data berdasarkan centroid

• Metode pengelompokan data secara bertingkat

• Algoritma supervised learning

• Metode pengelompokan data berdasarkan nilai rata-rata

Apa yang digunakan untuk menggambarkan proses penggabungan kluster pada clustering hirarkis?

• Decision tree

• Heatmap

• Dendrogram

• Linear regression

Manakah dari berikut ini yang merupakan kelemahan dari clustering hirarkis?

• Menghasilkan kluster yang selalu optimal

• Sulit untuk menentukan jumlah kluster optimal

• Sangat cepat untuk dataset besar

• Hanya dapat digunakan untuk data terstruktur

Dalam clustering hirarkis, algoritma agglomerative dimulai dengan:

• Satu kluster besar

• Setiap data sebagai kluster tersendiri

• Data terpisah menjadi dua kelompok

• Kluster yang telah ditentukan

Apa yang dimaksud dengan centroid dalam K-Means clustering?

• Titik tengah dari seluruh dataset

• Titik pusat dari setiap kluster

• Titik acak yang dipilih sebagai kluster

• Koordinat terjauh dari setiap titik dalam kluster

Dalam K-Means clustering, bagaimana cara menghitung jarak antar titik?

• Menggunakan metrik Euclidean

• Menggunakan metode PCA

• Menggunakan keputusan algoritma

• Menggunakan metode polinomial

Apa kelemahan utama dari algoritma K-Means?

• Tidak cocok untuk data berlabel

• Memerlukan jumlah kluster yang diketahui

• Tidak bisa menangani data besar

• Lambat untuk diterapkan

Bagaimana K-Means mengatasi masalah kluster yang tidak seimbang?

• Dengan menambah centroid

• Dengan menghitung bobot

• Dengan menggabungkan kluster

• Dengan mengubah jarak antar centroid

Apa yang dimaksud dengan neural network?

• Algoritma yang meniru cara kerja otak manusia

• Algoritma yang mengelompokkan data secara hirarkis

• Algoritma yang mengelompokkan data secara non-hirarkis

• Algoritma yang selalu menggunakan decision tree

Apa tujuan utama dari backpropagation dalam neural network?

• Menyesuaikan nilai output

• Mengurangi jumlah node dalam hidden layer

• Mengurangi error dengan menyesuaikan bobot

• Meningkatkan kecepatan komputasi