QUIZ V

Dalam N-gram, jika nilai n = 2, maka jenis N-gram ini disebut:

• Unigram

• Bigram

• Trigram

• Quadgram

Dalam model N-gram, bagaimana Anda menangani kata-kata yang tidak ada di dataset (out-of-vocabulary words) saat menghitung probabilitas?

• Memberikan probabilitas nol.

• Menggunakan teknik smoothing untuk memberikan probabilitas kecil pada kata yang tidak ada.

• Menghapus kata tersebut dari dataset.

• Menggunakan model neural network untuk mengganti N-gram.

Manakah dari berikut ini yang merupakan contoh Bigram dari kalimat "Saya belajar Python"?

• ["Saya belajar", "belajar Python"]

• ["Saya", "belajar", "Python"]

• ["Saya belajar Python"]

• ["Saya belajar belajar Python"]

Apa tujuan utama dari penggunaan N-gram dalam analisis teks?

• Menghitung kecepatan algoritma pencarian.

• Mengidentifikasi pola atau hubungan antar elemen dalam teks.

• Membuat visualisasi data numerik.

• Mengurangi redundansi dalam data teks.

Apa yang terjadi jika nilai n pada N-gram diperbesar?

• Model akan menjadi lebih sederhana.

• Model akan membutuhkan lebih sedikit data pelatihan.

• Konteks yang diperhitungkan menjadi lebih luas.

• Hasil prediksi menjadi lebih tidak akurat.

Diberikan kalimat "Saya sedang makan siang", berapa jumlah Trigram yang dihasilkan?

• 2

• 3

• 4

• 5

Sebuah model Trigram dibuat dari teks berikut:
"Saya sedang belajar belajar data di universitas universitas terbaik"

Berapa banyak Trigram unik yang dihasilkan dari teks tersebut (termasuk pengulangan kata)?

• 4

• 5

• 6

• 7

Mengapa Trigram Model biasanya lebih akurat dibandingkan Bigram Model?

• Karena Trigram Model memperhitungkan konteks dua kata sebelumnya, sedangkan Bigram hanya satu kata.

• Karena Trigram lebih sederhana dan cepat dihitung.

• Karena Trigram Model tidak memerlukan smoothing.

• Karena Trigram Model bekerja lebih baik pada dataset kecil.

Anda ingin membuat model N-gram untuk prediksi kata berikutnya, tetapi dataset yang Anda gunakan memiliki sejumlah kata yang sangat jarang muncul (frekuensinya rendah). Teknik apa yang paling tepat untuk menangani masalah ini?

• Mengabaikan kata-kata tersebut sepenuhnya.

• Menggunakan metode smoothing, seperti Laplace atau Kneser-Ney.

• Mengurangi nilai n pada model N-gram.

• Menambahkan lebih banyak data teks ke dalam dataset.

Anda memiliki kalimat: "Dia belajar bahasa Inggris dengan lancar."
Jika model Bigram digunakan, berapa jumlah pasangan Bigram yang valid dan unik dihasilkan dari kalimat ini tanpa smoothing?

• 4

• 5

• 6

• 7