PRE TEST 4

Dalam Decision Tree, entropi digunakan untuk?

• Mengukur kesamaan antar fitur
• Menentukan besar bias model
• Mengukur ketidakpastian atau impurity dari suatu himpunan data
• Menghitung jumlah fitur yang relevan
• Menentukan jumlah node maksimum

Information Gain dalam Decision Tree berfungsi untuk?

• Menghapus data yang memiliki nilai duplikat
• Menentukan fitur mana yang paling efektif dalam memisahkan kelas data
• Mengubah data kategorikal menjadi numerik
• Meningkatkan kecepatan prediksi
• Mengurangi overfitting dengan pruning

Salah satu kelebihan metode Decision Tree dibandingkan metode lainnya adalah?

• Tidak membutuhkan proses training
• Tidak memerlukan data numerik sama sekali
• Mudah diinterpretasikan dan divisualisasikan
• Selalu menghasilkan akurasi tertinggi
• Tidak memerlukan data uji

Jika suatu model klasifikasi menghasilkan precision tinggi namun recall rendah, maka dapat disimpulkan bahwa?

• Model banyak menghasilkan false negative
• Model sangat overfitting
• Model tidak melakukan prediksi sama sekali
• Model sangat akurat secara keseluruhan
• Model menghasilkan banyak true positive

Dalam evaluasi model klasifikasi, Confusion Matrix digunakan untuk?

• Menghitung entropi data
• Mengukur kesalahan absolut rata-rata
• Menampilkan perbandingan antara kelas aktual dan hasil prediksi
• Menghapus data yang tidak relevan
• Melatih model lebih cepat

ROC Curve menampilkan hubungan antara?

• Precision dan Recall
• True Positive Rate dan False Positive Rate
• Accuracy dan F1 Score
• Support dan Confidence
• Recall dan Specificity

Salah satu kelemahan Decision Tree adalah?

• Tidak bisa menangani data kategorikal
• Selalu membutuhkan data bersih sempurna
• Rentan terhadap overfitting jika tidak dilakukan pruning
• Tidak bisa menghasilkan visualisasi
• Tidak bisa melakukan prediksi untuk data baru

Jika model Decision Tree dan Naive Bayes dibandingkan menggunakan nilai AUC, maka model dengan nilai AUC lebih tinggi berarti?

• Lebih banyak kesalahan klasifikasi
• Lebih baik dalam membedakan kelas positif dan negatif
• Memiliki entropi lebih besar
• Memiliki overfitting lebih tinggi
• Tidak stabil terhadap data baru

Misalkan hasil Confusion Matrix sebuah model menunjukkan banyak False Positive (FP) dibanding False Negative (FN). Maka model tersebut?

• Lebih sering mengklasifikasikan data negatif sebagai positif
• Lebih sering mengklasifikasikan data positif sebagai negatif
• Memiliki recall yang sangat tinggi
• Memiliki precision sempurna
• Tidak dapat dihitung akurasinya

Tujuan utama dari recall pada evaluasi model klasifikasi adalah untuk?

• Mengukur seberapa banyak prediksi benar dari semua data
• Mengukur seberapa banyak data positif yang berhasil dikenali model
• Mengukur seberapa cepat model melakukan prediksi
• Menilai jumlah total error yang dibuat model
• Menghitung selisih antara nilai aktual dan prediksi