Ensemble Off A

Apa tujuan utama dari teknik ensemble dalam machine learning?

• Mengurangi waktu komputasi
• Meningkatkan akurasi prediksi
• Mengurangi jumlah data
• Menyederhanakan model

Answer explanation

Ensemble bertujuan menggabungkan beberapa model untuk meningkatkan akurasi dan stabilitas hasil prediksi.

Algoritma Random Forest termasuk ke dalam teknik ensemble apa?

• Boosting
• Voting
• Bagging
• Stacking

Answer explanation

Random Forest adalah contoh teknik bagging yang menggabungkan banyak decision tree.

Apa peran meta-learner dalam stacking?

• Menseleksi fitur
• Menghasilkan probabilitas
• Menggabungkan output base model
• Menghindari data imbalance

Answer explanation

Meta-learner belajar dari output base model untuk membuat prediksi akhir.

Boosting lebih rentan terhadap:

• Underfitting
• Overfitting
• Noise
• Regularisasi

Answer explanation

Karena boosting fokus pada kesalahan sebelumnya, ia bisa overfit terutama pada data berisik.

Manakah dari teknik berikut menggabungkan model heterogen?

• Bagging
• Boosting
• Stacking
• Random Forest

Answer explanation

Stacking bisa menggunakan model heterogen (misal SVM, Decision Tree, dan KNN bersama-sama).

Teknik apa yang cocok jika model base learner memiliki performa rendah?

• Stacking
• Bagging
• Boosting
• Logistic Regression

Answer explanation

Boosting sangat baik untuk meningkatkan performa base learner yang lemah (weak learners).

Kapan ensemble classifier tidak efektif?

• Saat model saling berbeda
• Saat model overfit data
• Saat data tidak linier
• Saat jumlah fitur besar

Answer explanation

Jika semua model overfit, ensemble justru memperparah masalah, bukan memperbaikinya.

Bagaimana ensemble classifier menangani bias dan varians?

• Meningkatkan keduanya
• Menurunkan keduanya
• Meningkatkan bias, menurunkan varians
• Menurunkan bias, meningkatkan varians

Answer explanation

Teknik ensemble umumnya dirancang untuk menurunkan bias dan varians secara bersamaan.

Dalam boosting, bagaimana bobot model ditentukan?

• Secara acak
• Berdasarkan skor validasi
• Berdasarkan error model sebelumnya
• Berdasarkan ukuran data

Answer explanation

Bobot ditentukan oleh seberapa besar kesalahan model sebelumnya agar fokus diarahkan ke titik sulit.

Salah satu kelemahan stacking adalah:

• Kurang fleksibel
• Tidak cocok untuk data besar
• Diperlukan validasi silang
• Tidak bisa digunakan untuk klasifikasi

Answer explanation

Karena stacking melatih meta-learner dari hasil base learner, seringkali perlu validasi silang agar meta-learner tidak overfit.