Quiz Machine Learning 2

Anda diminta untuk mengembangkan model machine learning untuk memprediksi apakah seorang pegawai di sebuah perusahaan akan resign dalam waktu dekat. Manakah pernyataan berikut yang pasti benar?

• Anda dapat menggunakan algoritma supervised learning untuk membangun model prediksi

• Fitur seperti usia pegawai dan jumlah proyek yang ditangani dapat digunakan untuk melatih model

• Model yang dilatih hanya akan memberikan prediksi akurat jika tidak ada perubahan dalam kebijakan perusahaan

• Data historis dari departemen HRD, seperti tingkat kepuasan kerja, dapat digunakan sebagai training set

• Model dapat menghasilkan probabilitas seorang pegawai akan resign

Fungsi pada kode di atas akan menghitung sebuah evaluation metric yaitu

• Mean Absolute Percentage Error (MAPE)

• Mean Absolute Error (MAE)

• Mean Squared Error (MSE)

• Root Mean Squared Error (RMSE)

• R-squared (R²)

Diberikan persamaan model linear regression untuk memprediksi harga mobil bekas (dalam Rupiah) seperti di bawah ini, manakah kesimpulan di bawah ini yang kurang tepat?

• Model di atas tidak dapat digunakan untuk memprediksi mobil bekas dengan odometer (penunjuk jarak tempuh) bersatuan mil

• Mobil produksi tahun 2008 dengan jarak tempuh 100.000 kilometer akan diprediksi lebih mahal dibanding mobil produksi tahun 2012 dengan jarak tempuh 150.000 kilometer

• Sebuah mobil bekas yang diproduksi tahun 2000 dengan jarak tempuh 150.000 kilometer akan diprediksi memiliki harga Rp255.300.000,00

• Kapasitas penumpang mempengaruhi harga jual sebuah mobil bekas

• Semakin jauh jarak tempuh sebuah mobil, maka harga jual bekasnya akan semakin mahal

Manakah komponen di bawah ini yang tidak dapat digunakan secara langsung untuk menghitung R-squared Coefficient of Determination?

• Tidak ada jawaban yang benar

• Mean Squared Error (MSE)

• Sum of Squared Regression (SSR)

• Sum of Squared Total (SST)

• Sum of Squared Error (SSE)

Peran sigmoid function dalam konteks logistic regression dapat dijelaskan sebagai berikut. Manakah pernyataan di bawah ini yang pasti benar tentang fungsi tersebut?

• Sigmoid function menghitung gradien untuk memperbarui bobot model selama pelatihan

• Sigmoid function memetakan output linier menjadi probabilitas antara 0 dan 1

• Sigmoid function digunakan untuk menentukan nilai ambang batas (threshold) klasifikasi

• Sigmoid function mengurangi dimensi data sebelum pelatihan model

• Sigmoid function membantu menangani data yang sangat tidak seimbang

Berikut adalah beberapa pernyataan mengenai pengaturan parameter 𝑘 k pada algoritma K-Nearest Neighbors (KNN) untuk kasus klasifikasi. Manakah pernyataan yang tepat?

• Nilai 𝑘 yang kecil cenderung membuat model lebih sensitif terhadap noise dalam data

• Jika 𝑘 = 1, maka setiap data point pada test set akan selalu diklasifikasikan sama seperti tetangga terdekatnya

• Nilai 𝑘 yang terlalu besar akan selalu menghasilkan model yang underfitting

• Mengatur 𝑘 sebagai bilangan genap dapat membantu menghindari kasus tie (seri) dalam voting

• Nilai 𝑘 tidak memengaruhi kompleksitas komputasi saat prediksi

Berikut adalah beberapa metrik evaluasi yang sering digunakan dalam kasus regresi. Manakah metrik di bawah ini yang tidak biasa digunakan untuk mengevaluasi performa model regresi?

• Semua adalah metrik untuk regresi

• Mean Absolute Percentage Error (MAPE)

• Mean Squared Error (MSE)

• Precision

• R-squared (R²)

Berikut adalah beberapa strategi yang dapat digunakan untuk mengevaluasi apakah suatu model akan bekerja dengan baik di production environment. Manakah strategi di bawah ini yang tidak tepat untuk memastikan performa model dalam lingkungan produksi?

• Melatih model pada validation set, menguji model pada training set

• Melatih model pada validation set, menguji model pada test set

• Melatih dan menguji model pada validation set

• Melatih model pada training set, menguji model pada test set

• Melatih dan menguji model pada training set

Berikut adalah beberapa pernyataan mengenai peran nilai alpha pada lasso regression. Manakah pernyataan di bawah ini yang tidak tepat tentang fungsi nilai alpha?

• Tidak ada jawaban yang salah

• Nilai alpha menjadi koefisien pengali untuk setiap independent variable

• Nilai alpha menentukan derajat penalti yang diberikan kepada independent variable

• Nilai alpha menentukan jumlah independent variable yang secara otomatis dihilangkan

• Nilai alpha memodifikasi orde pangkat pada independent variable

Berikut adalah beberapa pernyataan mengenai perbedaan antara Lasso Regression dan Ridge Regression. Manakah pernyataan di bawah ini yang tepat tentang perbedaan keduanya?

• Lasso Regression menggunakan penalti berbasis L1 (absolute value of coefficients), sedangkan Ridge Regression menggunakan penalti berbasis L2 (squared value of coefficients)

• Lasso Regression selalu menghasilkan koefisien yang lebih besar dibandingkan Ridge Regression

• Ridge Regression dapat menyusutkan koefisien ke nol, sedangkan Lasso Regression tidak

• Lasso Regression lebih cocok untuk feature selection karena dapat menghapus fitur yang tidak relevan dengan menjadikan koefisiennya nol

• Ridge Regression lebih sensitif terhadap outlier dibandingkan Lasso Regression