Quiz 1 Supervised learning dan unsupervised learning

Apa perbedaan utama antara supervised learning dan unsupervised learning?

• Supervised learning menggunakan data tanpa label, sedangkan unsupervised learning menggunakan data berlabel

• Supervised learning digunakan untuk clustering, sedangkan unsupervised learning untuk prediksi

• Supervised learning menggunakan data berlabel, sedangkan unsupervised learning tidak berlabel

• Supervised learning lebih cepat daripada unsupervised learning

Contoh algoritma yang digunakan dalam supervised learning adalah...

• Support Vector Machine (SVM)

• Linear Regression

• K-Nearest Neighbors (k-NN)

• Semua Benar

Mengapa dataset harus memiliki label dalam supervised learning?

• Agar model bisa belajar pola hubungan antara input dan output

• Agar data lebih mudah dikumpulkan

• Agar bisa digunakan dalam semua jenis machine learning

• Untuk mempercepat proses training model

Bagaimana cara kerja algoritma KNN dalam mengklasifikasikan data baru?

• Menggunakan decision tree untuk membagi data

• Menghitung jarak antara data baru dan tetangga terdekatnya

• Menggunakan persamaan regresi untuk memprediksi nilai data baru

• Membuat model yang terus memperbarui bobot berdasarkan kesalahan

Mengapa pemilihan jumlah tetangga (k) dalam algoritma KNN sangat penting?

• Jika k terlalu kecil, model bisa terlalu sensitif terhadap noise

• Jika k terlalu besar, model akan selalu memilih kelas pertama

• K tidak mempengaruhi performa model

• Nilai k yang lebih besar selalu lebih baik

Apa perbedaan antara linear regression dan logistic regression?

• Linear regression digunakan untuk klasifikasi, sedangkan logistic regression untuk regresi

• Linear regression memprediksi nilai kontinu, sedangkan logistic regression memprediksi kelas

• Logistic regression digunakan dalam supervised learning, sedangkan linear regression dalam unsupervised learning

• Linear regression tidak membutuhkan dataset berlabel

Contoh algoritma dalam unsupervised learning adalah...

• Support Vector Machine (SVM)

• Naïve Bayes

• K-Means

• Linear Regression

Apa prinsip dasar dari algoritma K-Means Clustering?

• Membagi data ke dalam k kelompok berdasarkan kesamaan

• Memanfaatkan jaringan saraf tiruan untuk mengelompokkan data

• Menentukan kelas data berdasarkan perhitungan probabilitas

• Menggunakan bobot dan bias untuk memisahkan klaster

Bagaimana cara menentukan jumlah k (cluster) yang optimal dalam algoritma K-Means?

• Dengan menebak jumlah klaster berdasarkan intuisi

• Dengan menggunakan metode Elbow

• Dengan menghitung jumlah total data dibagi dua

• Dengan memilih jumlah klaster sebanyak mungkin

Bagaimana cara kerja unsupervised learning?

• Menggunakan data berlabel untuk memprediksi nilai

• Mengelompokkan data berdasarkan pola yang ditemukan

• Melatih model menggunakan pasangan input-output

• Memanfaatkan algoritma genetika untuk mencari solusi terbaik