Kelompok 2 Kecerdasan Buatan

Apa definisi dari pembelajaran mesin?

• Sistem yang memprogram ulang dirinya sendiri secara otomatis
  
  

• Sistem yang bekerja tanpa data
  
  

• Sistem yang belajar dan meningkatkan kinerja berdasarkan pengalaman

• Sistem yang hanya bekerja dengan data manual

Jenis pembelajaran mesin yang membutuhkan data berlabel adalah

• Reinforcement Learning
  
  

• Reinforcement Learning
  
  

• Deep Learning

• Supervised Learning

Decision tree membuat keputusan berdasarkan

• Pengulangan kode
  
  

• Serangkaian pertanyaan

• Nilai acak
  
  

• Data hasil simulasi

Node dalam decision tree menyatakan

• Keputusan akhir

• Arah cabang

• Fitur atau atribut
  
  

• Jumlah data
  
  

Apa tujuan utama pembagian data dalam decision tree?

• Mengurangi ukuran dataset

• Mempermudah pengkodean
  
  

• Memaksimalkan informasi yang diperoleh atau meminimalkan impurity
  
  

• Menyederhanakan output
  
  

Simpul akar (root node) dalam decision tree mewakili

• Keputusan akhir
  
  

• Fitur paling penting
  
  

• Seluruh dataset

• Hasil klasifikasi
  
  

Cabang dalam decision tree menunjukkan

• Kategori data
  
  

• Hasil klasifikasi

• Koneksi antar fitur
  
  

• Aturan keputusan

Kelebihan dari decision tree adalah

kecuali?

• Mudah dipahami
  
  

• Menangkap hubungan non-linear

• Butuh waktu komputasi tinggi

• Dapat menangani data kategorikal

Salah satu kekurangan decision tree adalah

• Tidak cocok untuk data besar
  
  

• Tidak dapat digunakan untuk klasifikasi

• Rentan terhadap overfitting

• Hanya mendukung data numerik

Apa itu Random Forest?

• Algoritma untuk menyaring data tidak penting

• Kombinasi dari banyak decision tree
  
  

• Satu decision tree kompleks
  
  

• Jaringan saraf tiruan dengan banyak lapisan