AnomalyDet Off A

Apa kesalahan umum saat menghapus outlier secara otomatis dari data?

• Mengurangi ukuran data
• Meningkatkan akurasi
• Kehilangan informasi penting
• Membuat data lebih bersih

Answer explanation

Menghapus outlier tanpa analisis bisa menyebabkan hilangnya insight penting yang sebenarnya valid.

Apa salah kaprah saat menggunakan DBSCAN untuk anomaly detection?

• Cocok untuk high-dimensional data
• Tidak membutuhkan threshold
• Perlu tahu jumlah klaster
• Tidak bisa deteksi noise

Answer explanation

DBSCAN tidak butuh jumlah klaster, tapi banyak yang salah menganggap demikian.

Dalam konteks anomaly detection, apa yang sering disalahpahami tentang model supervised?

• Lebih akurat dari unsupervised
• Tidak butuh label
• Cocok untuk data tak berlabel
• Selalu lebih cepat

Answer explanation

Supervised butuh label dan tidak cocok jika tidak ada contoh anomaly sebelumnya.

Apa yang salah kaprah tentang visualisasi outlier?

• Harus selalu 3D
• Tidak perlu dilakukan
• Tidak bisa dilakukan di data besar
• Hanya mendeteksi outlier global

Answer explanation

Visualisasi cenderung mendeteksi global outlier, sementara outlier lokal mungkin tersembunyi.

Apa kekeliruan dalam menganggap data ekstrem sebagai outlier?

• Nilai ekstrem selalu error
• Semua data ekstrem bisa diabaikan
• Data ekstrem bisa penting
• Nilai ekstrem tidak bisa divalidasi

Answer explanation

Data ekstrem bisa menunjukkan tren penting atau perubahan sistemik.

Mana yang bukan alasan untuk mendeteksi outliers dalam sebuah dataset?

• Meningkatkan akurasi model
• Memperbaiki kualitas data
• Menemukan pola baru yang berguna
• Menghapus data yang hilang

Answer explanation

Outlier Detection digunakan untuk menemukan data yang aneh atau tidak biasa, yang dapat meningkatkan akurasi model dan kualitas data. Namun, ini bukan untuk menghapus data yang hilang.

Mengapa Outlier bisa berbahaya jika tidak diperhitungkan dalam model machine learning?

• Bisa memperbaiki akurasi model
• Bisa menyebabkan overfitting
• Bisa mempercepat pelatihan model
• Tidak ada dampaknya

Answer explanation

Outlier bisa mempengaruhi model machine learning dengan menyebabkan overfitting atau memberikan hasil yang tidak akurat, karena model mungkin menyesuaikan diri dengan data yang aneh ini.

Teknik KNN (K-Nearest Neighbors) digunakan dalam Anomaly Detection dengan prinsip apa?

• Menggunakan kedekatan antar data untuk menentukan apakah data tersebut aneh
• Menemukan rata-rata terdekat untuk setiap data
• Menggunakan distribusi normal
• Menyaring data berdasarkan nilai

Answer explanation

KNN digunakan untuk mendeteksi outlier dengan mengukur kedekatan data ke tetangga terdekatnya. Data yang memiliki sedikit tetangga dekat dianggap sebagai outlier.

Mengapa Anomaly Detection lebih sulit diterapkan pada data dengan banyak noise?

• Data yang berisik menyebabkan model sulit mendeteksi pola yang jelas
• Data yang berisik tidak mempengaruhi hasil model
• Noise selalu dianggap sebagai outlier
• Noise mengurangi kecepatan pelatihan model

Answer explanation

Noise dalam data dapat menyebabkan kesulitan dalam mendeteksi pola yang valid, karena model sulit membedakan antara pola yang sah dan data yang tidak relevan.

Dalam Anomaly Detection, apa yang dapat menyebabkan kesalahan jika kita mengabaikan data tidak lengkap?

• Mengurangi akurasi model
• Data tidak lengkap biasanya adalah outlier
• Tidak ada pengaruhnya
• Data yang hilang bisa diabaikan

Answer explanation

Mengabaikan data yang tidak lengkap dapat menurunkan akurasi model, karena model akan kehilangan informasi penting yang diperlukan untuk mendeteksi pola yang valid.