Pretest PM

Apa yang membedakan pembelajaran mendalam (deep learning) dari pembelajaran mesin (machine learning) tradisional?

• a. Pembelajaran mendalam hanya menggunakan satu lapisan saraf.

• b. Pembelajaran mendalam menggunakan lebih dari satu lapisan tersembunyi (hidden layers).

• c. Pembelajaran mendalam tidak memerlukan data pelatihan.

• d. Pembelajaran mendalam hanya digunakan untuk masalah klasifikasi.

2. Jaringan saraf tiruan (artificial neural network) dalam pembelajaran mendalam terinspirasi dari struktur apa? .

• a. Jaringan komputer

• b. Jaringan listrik.

• c. Jaringan saraf biologis di otak manusia.

• d. Jaringan sosial.

Apa fungsi utama dari "hidden layers" (lapisan tersembunyi) dalam sebuah jaringan saraf tiruan?

• a. Untuk menyimpan data mentah.

• b. Untuk melakukan komputasi yang kompleks dan mengekstraksi fitur.

• c. Untuk menampilkan hasil akhir.

• d. Untuk menghubungkan input dengan output secara langsung.

Model pembelajaran mendalam yang paling cocok untuk pengenalan gambar (image recognition) adalah...

• a. Jaringan Saraf Tiruan Konvolusional (Convolutional Neural Network / CNN).

• b. Jaringan Saraf Tiruan Berulang (Recurrent Neural Network / RNN).

• c. Support Vector Machine (SVM).

• d. Algoritma K-Means.

Parameter yang disesuaikan selama proses pelatihan untuk meminimalkan error disebut...

• a. Lapisan.

• b. Fitur.

• c. Bobot (weights) dan bias.

• d. Fungsi aktivasi.

Apa yang dimaksud dengan "fitur" (feature) dalam konteks pembelajaran mendalam?

• a. Atribut atau karakteristik data yang relevan.

• b. Hasil akhir dari prediksi model.

• c. Error selama pelatihan.

• d. Nama model yang digunakan.

Algoritma "backpropagation" digunakan untuk...

• a. Melakukan klasifikasi pada data baru.

• b. Menggambar grafik hasil pelatihan.

• c. Menghitung dan menyebarkan error ke belakang untuk memperbarui bobot.

• d. Menghubungkan lapisan input dengan lapisan output.

Apa yang dimaksud dengan "overfitting" dalam pelatihan model?

• a. Model terlalu sederhana dan tidak dapat menangkap pola.

• b. Model belajar pola terlalu spesifik dari data pelatihan, sehingga buruk saat diuji dengan data baru.

• c. Model membutuhkan waktu terlalu lama untuk dilatih.

• d. Model memiliki jumlah data pelatihan yang terlalu sedikit.

Fungsi aktivasi digunakan untuk...

• a. Menghitung error model.

• b. Menentukan input dari setiap neuron.

• c. Menambahkan nonlinearitas ke dalam model, memungkinkan pembelajaran pola yang kompleks.

• d. Mengurangi dimensi data.

Contoh penerapan pembelajaran mendalam yang paling umum dalam kehidupan sehari-hari adalah...

• a. Mesin pencari web.

• b. Aplikasi kalkulator.

• c. Fitur pengenalan wajah pada ponsel pintar.

• d. Mesin fotokopi.