Quiz Machine Learning

Dalam konteks machine learning, apa perbedaan fundamental antara pembelajaran terawasi (supervised learning) dan pembelajaran tak terawasi (unsupervised learning) dari perspektif epistemologi data?

• Pembelajaran terawasi menggunakan data berlabel untuk mengarahkan pembelajaran, sedangkan pembelajaran tak terawasi berfokus pada ekstraksi pola tanpa label yang eksplisit

• Pembelajaran tak terawasi memerlukan intervensi manusia secara langsung, sedangkan pembelajaran terawasi berjalan sepenuhnya otomatis

• Pembelajaran terawasi hanya digunakan untuk prediksi, sedangkan pembelajaran tak terawasi hanya digunakan untuk klasifikasi

• Pembelajaran tak terawasi lebih mudah diimplementasikan dibandingkan pembelajaran terawasi karena tidak memerlukan data yang besar

• Pembelajaran terawasi selalu menghasilkan model yang lebih akurat daripada pembelajaran tak terawasi

Manakah dari teknik machine learning berikut yang paling tepat untuk digunakan ketika menghadapi dataset berdimensi tinggi yang tidak dapat dipisahkan secara linier, dan mengapa?

• Decision Tree, karena mudah diinterpretasikan

• Random Forest, karena mengatasi overfitting dengan agregasi pohon

• Support Vector Machine dengan kernel trick, karena dapat memproyeksikan data ke ruang berdimensi lebih tinggi

• Neural Networks dengan satu lapisan tersembunyi, karena sederhana dan cepat

• K-Means clustering, karena efektif untuk data tanpa label

Bagaimana mekanisme voting mayoritas dalam metode random forests meningkatkan ketahanan model terhadap overfitting dalam analisis keputusan?

• Dengan memilih pohon keputusan yang paling akurat

• Dengan menggabungkan hasil dari banyak pohon keputusan yang berbeda sehingga mengurangi varians prediksi

• Dengan menggunakan satu pohon keputusan sebagai dasar keputusan final

• Dengan melakukan pruning pada setiap pohon untuk mengurangi kompleksitas

• Dengan melatih setiap pohon pada seluruh dataset tanpa sampling

Dalam konteks neural networks, mengapa keberadaan hidden layers dengan neuron yang terhubung kompleks menjadi kunci dalam menangani data dengan pola non-linear yang rumit?

• Karena hidden layers hanya berfungsi sebagai input data ke output

• Karena hidden layers melakukan transformasi non-linear yang memungkinkan model menangkap fitur abstrak

• Karena hidden layers menyederhanakan data dengan menghilangkan noise secara manual

• Karena hidden layers menambahkan jumlah data latih

• Karena hidden layers mempercepat proses pelatihan

Apa tantangan utama dalam implementasi machine learning dalam analisis risiko kredit yang dapat menyebabkan bias algoritmik?

• Kurangnya data yang memadai

• Kompleksitas algoritma yang rendah

• Data pelatihan yang tidak representatif secara demografis dan historis

• Ketergantungan pada metode statistik tradisional

• Evaluasi model yang berlebihan

Dalam proses implementasi machine learning, tahap apa yang berfungsi sebagai fondasi krusial untuk menjamin kualitas dan validitas model yang dihasilkan?

• Pengumpulan data

• Persiapan dan preprocessing data

• Pelatihan model

• Evaluasi model

• Deployment ke produksi

Mengapa machine learning dapat dikatakan telah merevolusi analisis keputusan dibandingkan metode statistik tradisional?

• Karena machine learning selalu lebih cepat dan murah

• Karena machine learning menghilangkan kebutuhan intervensi manusia sepenuhnya

• Karena machine learning mampu menganalisis pola yang sangat kompleks dan data dalam jumlah besar dengan akurasi yang lebih tinggi

• Karena machine learning menggunakan data yang lebih sedikit daripada statistik tradisional

• Karena machine learning tidak memerlukan evaluasi model

Dalam konteks "Explainable AI" (XAI), mengapa interpretabilitas model machine learning menjadi tantangan signifikan, terutama pada deep learning?

• Karena model deep learning terlalu sederhana untuk dijelaskan

• Karena struktur dan fungsi model deep learning menyerupai "black box" yang sulit dipahami oleh manusia

• Karena model deep learning tidak memerlukan interpretasi untuk validitas

• Karena interpretasi model dapat mengurangi akurasi prediksi

• Karena XAI hanya relevan untuk model linear

Bagaimana integrasi machine learning dengan teknologi lain seperti IoT, blockchain, dan AR/VR dapat memperluas kapabilitas analisis keputusan di masa depan?

• Dengan mengurangi kebutuhan komputasi secara drastis

• Dengan menyediakan data real-time, memastikan keamanan dan transparansi data, serta menghadirkan visualisasi interaktif yang meningkatkan pengambilan keputusan

• Dengan menggantikan semua intervensi manusia dalam pengambilan keputusan

• Dengan menyederhanakan model machine learning menjadi model linear

• Dengan meningkatkan jumlah data yang tidak relevan

Dalam studi kasus optimasi rantai pasokan, bagaimana machine learning dapat mengurangi stok berlebih dan meningkatkan tingkat pemenuhan pesanan?

• Dengan menggunakan metode prediksi manual berbasis intuisi manusia

• Dengan memprediksi permintaan berdasarkan data historis, tren musiman, dan variabel eksternal secara otomatis dan lebih akurat

• Dengan menghilangkan kebutuhan inventaris secara total

• Dengan mengabaikan variabilitas permintaan dan fokus pada kapasitas produksi

• Dengan menggantikan seluruh manajemen rantai pasokan dengan robot