Quiz Chapter 9 BD

Apa tujuan dari Expectation Maximization (EM) Clustering Algorithm?

• Mengklasifikasikan data berdasarkan kategori yang sudah ada
• Menyempurnakan model clustering dengan probabilitas
• Mengurangi dimensi data untuk mempercepat analisis
• Mengelompokkan data dengan cara menentukan batasan yang jelas

Answer explanation

Penjelasan: Expectation Maximization (EM) adalah algoritma yang digunakan dalam clustering untuk mengoptimalkan model probabilistik yang berfungsi untuk mengidentifikasi distribusi data dan menyempurnakan pemisahan cluster.

Bagaimana Hierarchical Clustering bekerja dalam analisis clustering?

• Menggunakan algoritma untuk menggabungkan data yang serupa menjadi satu cluster
• Mengelompokkan data berdasarkan model regresi
• Membagi data ke dalam jumlah cluster yang tetap
• Menghasilkan cluster berdasarkan klasifikasi biner

Answer explanation

Penjelasan: Hierarchical clustering adalah metode clustering yang membangun struktur hierarki dengan menggabungkan atau memisahkan data berdasarkan kesamaan atau jarak antar data.

Apa kelemahan utama dari K-Means Algorithm?

• Memerlukan banyak waktu untuk menghitung jarak antar data
• Hasilnya sangat bergantung pada pemilihan titik pusat (centroid) awal
• Tidak bisa digunakan untuk dataset besar
• Tidak dapat menangani data yang memiliki noise

Answer explanation

Penjelasan: K-Means sangat sensitif terhadap pemilihan titik pusat (centroid) awal, yang dapat menyebabkan hasil clustering yang buruk jika titik pusat tidak dipilih dengan hati-hati.

Apa yang dimaksud dengan Outlier dalam analisis data?

• Data yang memiliki kesamaan dengan sebagian besar data lainnya
• Data yang terletak jauh dari pola umum atau distribusi mayoritas data
• Data yang memiliki label tertentu
• Data yang digunakan untuk mengelompokkan informasi

Answer explanation

Penjelasan: Outlier adalah data yang terpisah atau berbeda secara signifikan dari mayoritas data dalam dataset, yang dapat menunjukkan kejadian langka atau kesalahan pengukuran.

Teknik pengukuran jarak manakah yang paling cocok digunakan dalam analisis teks atau data berdimensi tinggi?

• Euclidean Distance
• Manhattan Distance
• Cosine Similarity
• Squared Euclidean Distance

Answer explanation

Cosine Similarity digunakan untuk mengukur sudut antara vektor, sehingga sangat cocok untuk data berdimensi tinggi seperti analisis teks.

Apa yang terjadi jika jumlah klaster yang dipilih dalam partitional clustering lebih besar daripada yang sebenarnya diperlukan oleh dataset?

• Klaster yang dihasilkan akan tumpang tindih satu sama lain
• Algoritma akan gagal mengelompokkan data
• Data akan terlalu terfragmentasi, menghasilkan klaster yang tidak bermakna
• Semua data akan dikelompokkan ke dalam satu klaster besar

Answer explanation

Jika jumlah klaster yang dipilih terlalu besar, dataset akan dibagi menjadi terlalu banyak klaster kecil yang tidak mencerminkan pola atau hubungan bermakna dalam data, sehingga hasil klasterisasi menjadi tidak relevan.

Bagaimana kernel trick pada Kernel K-Means meningkatkan kemampuan algoritma dibandingkan K-Means biasa?

• Dengan memisahkan data non-linear secara langsung di ruang input
• Dengan mengurangi jumlah iterasi yang diperlukan untuk klasterisasi
• Dengan memetakan data ke ruang dimensi tinggi tanpa perhitungan eksplisit
• Dengan menggantikan centroid dengan fungsi probabilistik

Answer explanation

Kernel trick memungkinkan pemetaan data dari ruang input ke ruang dimensi tinggi (feature space) tanpa melakukan perhitungan eksplisit. Hal ini dilakukan dengan menghitung jarak antar data menggunakan fungsi kernel, sehingga memungkinkan data yang tidak linear di ruang input dapat dipisahkan dengan lebih baik dalam feature space. Pendekatan ini meningkatkan fleksibilitas algoritma dalam menangani data yang lebih kompleks.

Mengapa algoritma Expectation Maximization (EM) cocok untuk data dengan distribusi campuran (mixture)?

• Karena EM tidak membutuhkan parameter awal
• Karena EM hanya memerlukan satu iterasi untuk konvergen
• Karena EM mengasumsikan distribusi data adalah Gaussian
• Karena EM dapat memberikan probabilitas keanggotaan untuk setiap data pada setiap klaster

Answer explanation

EM bekerja dengan model probabilistik yang memberikan probabilitas keanggotaan data ke setiap klaster, membuatnya cocok untuk data dengan distribusi campuran.

Teknik apa yang umumnya digunakan untuk mendeteksi outlier dalam data univariat?

• Z-score
• K-means clustering
• DBSCAN
• Hierarchical clustering

Answer explanation

1. Z-score adalah metode statistik yang sering digunakan untuk mendeteksi outlier dalam data univariat. 2. Z-score mengukur seberapa jauh data berada dari rata-rata dalam satuan standar deviasi. Jika nilai Z-score suatu data sangat besar (misalnya >3 atau <−3), maka data tersebut dianggap sebagai outlier.

Apa perbedaan utama antara fuzzy c-means clustering dan k-means clustering tradisional?

• Fuzzy c-means memungkinkan titik data menjadi anggota dari beberapa cluster.
• K-means menggunakan ukuran kesamaan berbasis jarak.
• Fuzzy c-means membutuhkan lebih banyak sumber daya komputasi.
• K-means dapat menangani data numerik dan kategorikal.

Answer explanation

1. Dalam fuzzy c-means, setiap titik data dapat memiliki derajat keanggotaan dalam beberapa cluster (berbasis probabilitas). 2. Dalam k-means, setiap titik data hanya dapat menjadi anggota dari satu cluster (hard clustering).