EvalClassif Off A

Apa itu confusion matrix?

• Matriks yang menunjukkan korelasi antar fitur
• Matriks yang menunjukkan distribusi kelas
• Matriks evaluasi prediksi classifier
• Matriks normalisasi data

Answer explanation

Confusion matrix menunjukkan performa klasifikasi, termasuk TP, TN, FP, dan FN.

Recall mengukur...

• Kesalahan klasifikasi
• Proporsi prediksi negatif yang benar
• Proporsi benar dari total positif aktual
• Proporsi semua prediksi yang benar

Answer explanation

Recall adalah proporsi dari positif aktual yang berhasil diprediksi dengan benar.

Kapan sebaiknya kita lebih memprioritaskan Recall daripada Precision?

• Saat data seimbang
• Saat kesalahan positif lebih merugikan
• Saat False Negative lebih berisiko
• Saat model cepat di-deploy

Answer explanation

Contoh: diagnosis penyakit, di mana melewatkan kasus bisa berakibat fatal.

Overfitting terjadi saat...

• Model bekerja buruk di data latih
• Model tidak mampu mempelajari pola
• Model terlalu bagus di data latih tapi buruk di data uji
• Model gagal membagi data

Answer explanation

Overfitting adalah saat model terlalu menyesuaikan data latih dan gagal generalisasi.

Teknik SMOTE digunakan untuk...

• Menyederhanakan fitur
• Menghapus outlier
• Menyeimbangkan data dengan mensintesis data minoritas
• Menghitung akurasi

Answer explanation

SMOTE (Synthetic Minority Over-sampling Technique) menciptakan sampel baru untuk kelas minoritas.

ROC curve adalah grafik antara...

• Precision vs Recall
• True Positive Rate vs False Positive Rate
• TP vs FN
• Accuracy vs Error

Answer explanation

ROC curve mengukur kemampuan model membedakan antara kelas positif dan negatif.

Jika TP = 80, FP = 20, FN = 10, maka precision adalah...

• 0.8
• 0.67
• 0.9
• 0.5

Answer explanation

Precision = TP / (TP + FP) = 80 / (80 + 20) = 0.8

F1-Score bernilai tinggi jika...

• Precision rendah, Recall tinggi
• Precision tinggi, Recall rendah
• Precision dan Recall sama-sama tinggi
• Akurasi tinggi saja

Answer explanation

Karena F1-score adalah harmonic mean dari Precision dan Recall.

Algoritma SVM cocok digunakan untuk...

• Hanya data numerik
• Data dengan noise tinggi
• Data dengan batas kelas jelas
• Data time-series

Answer explanation

SVM efektif jika terdapat margin besar yang memisahkan kelas.

Model dikatakan underfitting jika...

• Performa tinggi di training dan testing
• Performa tinggi di training saja
• Performa rendah di training dan testing
• Data imbalance

Answer explanation

Underfitting artinya model terlalu sederhana hingga gagal menangkap pola bahkan di data latih.