Font size
S
M
L
XL
WorksheetsUAS NLP GABUNGAN
Total questions: 124
Worksheet time: 2hrs 4mins
Name
Class
Date
1.
Mengapa tokenisasi bisa berbeda beda di setiap bahasa
a)
Karena setiap bahasa memiliki alfabet yang berbeda
b)
Karena bahasa memiliki struktur kalimat yang berbeda.
c)
Karena tokenisasi hanya berlaku untuk satu bahasa
d)
Karena setiap bahasa tidak menggunakan kata kata
e)
Karena tokenisasi tidak mempengaruhi bahasa
2.
Mengapa penggunaan tokenisasi dalam konteks analisis sentimen itu penting?
a)
Karena berfungsi Untuk mengidentifikasi token palsu
b)
Karena agar kalimat yang dianalisis dapat diurai menjadi kata-kata kunci.
c)
karena berfungsi untuk menghilangkan tanda baca
d)
karena agar model dapat menilai sentimen secara lebih akurat
e)
karena berfungsi untuk mengurangi jumlah kata dalam teks
3.
mengapa 'stemming' dapat mempengaruhi performa mesin pencari?
a)
karena 'stemming' dapat Meningkatkan akurasi pencarian dengan kata kunci yang tepat.
b)
karena 'stemming' akan menurunkan kecepatan pencarian karena kompleksitas algoritma
c)
karena dengan menggunakan 'stemming', pengguna dapat melihat variasi kata dalam hasil pencarian
d)
karena 'stemming' dapat mengurangi relevansi hasil pencarian dengan kata-kata serupa
e)
karena penggunaan 'stemming' dapat menambahkan variasi kata-kata untuk memperbanyak hasil pencarian
4.
Mengapa 'stemming' dan 'lematisasi' adalah hal yang berbeda?
a)
karena lematisasi mengurangi imbuhan dalam suatu kata dengan mempertahankan bentuk dasar yang bermakna, sedangan stemming hanya fokus mengurangi imbuhan saja.
b)
karena lematisasi digunakan untuk meningkatkan kecepatan analisis teks, sementara stemming bertujuan menyederhanakan tampilan antarmuka pengguna
c)
sebenarnya tidak, karena Stemming dan lematisasi memiliki tujuan yang sama, yaitu meningkatkan akurasi model bahasa
d)
sebenarnya tidak berbeda, karena Stemming dan lematisasi adalah konsep yang serupa dan dapat digunakan secara bergantian
e)
karena lematisasi lebih fokus pada mengurai teks menjadi unit-unit yang lebih kecil, sedangkan stemming mempertahankan panjang kata-kata
5.
Mengapa perlu dilakukan stopwords removal pada tahapan normalisasi?
a)
Karena dengan dihapus, maka proses pencarian informasi dapat menjadi lebih kompleks
b)
Hal tersebut dikarenakan dengan menghapus stopwords, maka vocabulary dan ruang pencarian akan menjadi lebih banyak
c)
Karena stopwords sebenarnya tidak memiliki banyak informasi dalam suatu konteks dan dapat membantu mengurangi vocabulary dan ruang pencarian.
d)
Sebenarnya stopwords bisa saja tidak dihapus karena stopwords memiliki peran penting dalam mempertahankan struktur kalimat asli
e)
Karena stopwords merupakan kata penting dan berpengaruh pada hasil akhir normalisasi
6.
Mengapa HTML tags perlu dihapus meskipun terkadang tag tersebut dapat memberi informasi berharga seperti tag <price> di Amazon?
a)
Karena dengan dihapusnya HTML tag, maka komputasi tidak menjadi lebih baik
b)
HTML tags sebenarnya belum tentu dapat dihapus karena HTML tag juga tidak berpengaruh terhadap struktur asli kalimat
c)
Hal tersebut dikarenakan apabila HTML tags tidak dihapus, maka teks yang diproses menjadi lebih sederhana
d)
Karena komputasi akan menjadi lebih cepat apabila HTML tags tidak dihapus
e)
HTML tags perlu di-preprocess karena kebanyakan dari mereka adalah noise.
7.
Mengapa lematisasi lebih baik prosesnya ketimbang stemming
a)
karena terdapat algoritma porter sehingga hasil yang diperoleh lebih maksimal
b)
karena lematiasasi menghapus imbuhan dan akhiran
c)
karena lematisasi mencocokkan kata dengan kamus WordNetLemmatizer.
d)
karena lematisasi mempunyai algoritma snowball sehingga hasil yang diperoleh maksimal
e)
karena lematiasi mempertahankan struktur kalimat
8.
Bagaimana Count Vectorizer menangani kata-kata yang tidak muncul dalam kamus saat melibatkan teks baru yang belum pernah dilihat sebelumnya?
a)
Mengabaikan kata-kata yang tidak muncul dalam kamus
b)
Memberikan bobot nol pada kata-kata yang tidak muncul dalam kamus.
c)
Menggunakan nilai default untuk kata-kata yang tidak muncul dalam kamus
d)
Membuat kamus baru untuk kata-kata yang tidak muncul
e)
Menggantikan kata-kata yang tidak muncul dengan kata-kata yang paling sering muncul
9.
Mengapa penting untuk melakukan normalisasi pada hasil Count Vectorizer atau TF-IDF?
a)
Untuk menghindari overfitting model
b)
Agar semua nilai berada dalam rentang yang seragam.
c)
Untuk mempercepat waktu komputasi
d)
Untuk menghindari underfitting model
e)
Normalisasi tidak perlu dilakukan pada hasil Count Vectorizer atau TF-IDF
10.
Bagaimana one-hot vectorization dapat digunakan dalam konteks Natural Language Processing (NLP)?
a)
Untuk menghitung frekuensi kata-kata dalam sebuah teks
b)
Sebagai representasi vektor untuk kata-kata dalam kosakata.
c)
Untuk mengukur panjang kalimat dalam dokumen
d)
Sebagai parameter dalam model regresi linier pada teks
e)
Untuk menyandikan struktur sintaksis dalam kalimat
11.
Mengapa dimensi vektor dalam one-hot encoding pada NLP berkaitan dengan ukuran kosakata?
a)
Ukuran kosakata menentukan jumlah baris dalam matriks one-hot
b)
Dimensi vektor menunjukkan panjang kalimat dalam teks
c)
Jumlah kolom dalam matriks one-hot ditentukan oleh ukuran kosakata.
d)
Dimensi vektor menunjukkan jumlah kata unik dalam teks
e)
Ukuran kosakata mempengaruhi nilai-nilai dalam one-hot matrix
12.
Mengapa cosine similarity hanya dapat dihitung untuk vektor yang memiliki dimensi yang sama?
a)
Untuk memastikan keberlakuan hukum cosinus
b)
Menjamin nilai cosine similarity berada dalam rentang -1 hingga +1
c)
Memastikan adanya kecocokan kata-kata antara dokumen
d)
Untuk mencegah divergensi nilai cosine similarity
e)
Memastikan kesamaan panjang vektor dalam perhitungan.
13.
Mengapa TF-IDF vectorizer lambat saat digunakan dengan kosakata yang besar?
a)
Bergantung pada analisis leksikal yang kompleks
b)
Memerlukan lebih banyak perhitungan komputasional.
c)
Tidak memperhitungkan konteks kata-kata
d)
Bergantung pada ukuran dokumen
e)
Menekankan pada kata-kata yang sering muncul
14.
Mengapa BoW dianggap tidak memperhitungkan konteks dalam representasi dokumen?
a)
Hanya bergantung pada jumlah kata
b)
Tidak mendukung representasi frasa.
c)
Menghilangkan signifikansi token yang sering muncul
d)
Menghasilkan vektor dengan ukuran besar
e)
Mengabaikan semantik dokumen
15.
Bagaimana Word2Vec membantu dalam meningkatkan hasil analisis sentimen pada studi kasus ini?
a)
Dengan memberikan nilai skor pada setiap ulasan
b)
Dengan menyederhanakan struktur teks ulasan
c)
Dengan memberikan representasi vektor kata berdasarkan konteksnya.
d)
Dengan membagi ulasan menjadi kategori positif dan negatif
e)
Dengan menyatukan struktur teks ulasan
16.
Mengapa Word Mover's Distance (WMD) dipilih sebagai metode pengukuran jarak dalam studi kasus ini?
a)
Untuk menghitung frekuensi kemunculan kata.
b)
Untuk membandingkan panjang dokumen yang berbeda.
c)
Untuk mengukur seberapa sering kata-kata muncul bersamaan.
d)
Untuk menilai perpindahan kata antar ulasan secara semantik.
e)
Untuk mengurangi frekuensi kemunculan kata.
17.
Mengapa Word2Vec cocok untuk menganalisis hubungan antara kata-kata dalam teks?
a)
Karena Word2Vec menggunakan pendekatan statistik yang kompleks
b)
Karena Word2Vec tidak memperhitungkan makna kata-kata
c)
Karena Word2Vec mengabaikan konteks dari teks yang diberikan
d)
Karena Word2Vec menciptakan representasi vektor kata-kata dengan makna semantik yang mirip berdekatan satu sama lain.
e)
Karena Word2Vec hanya dapat digunakan pada teks yang terbatas
18.
Mengapa representasi vektor (vector representation) seperti Word2Vec atau GloVe umum digunakan dalam pemrosesan bahasa alami?
a)
Agar komputer tidak bisa memahami makna kata-kata dalam teks
b)
Hanya sebagai pendekatan yang tidak relevan dalam NLP
c)
Sebagai cara yang efektif untuk merepresentasikan kata-kata dalam bentuk vektor yang dapat diproses oleh mesin.
d)
Untuk menambahkan kompleksitas dalam analisis tek
e)
Agar membuat kata-kata lebih sulit dipahami dalam pemrosesan bahasa alami
19.
Kenapa kita perlu menggunakan konsep Continuous Bag-of-Words Pada NLP?
a)
Karena secara normalnya digunakan untuk memprediksi nilai yang missing
b)
Karena secara normalnya digunakan vector untuk memprediksi kata
c)
Karena secara normalnya digunakan untuk memprediksi kata berdasarkan konteks.
d)
Karena secara normalnya digunakan vector untuk memprediksi konteks
e)
Karena secara normalnya digunakan untuk memprediksi konteks berdasarkan kata.
20.
Mengapa Doc2Vec dianggap sebagai ekstensi dari Word2Vec?
a)
Karena menggunakan model yang sama
b)
Karena tidak memperhitungkan konteks kata
c)
Karena tidak menggunakan vektor dokumen
d)
Karena memperluas konsep vektor kata ke tingkat paragraf/dokumen.
e)
Karena hanya menggunakan n-gram konstituen
21.
Mengapa fastText dianggap berguna untuk mewakili kata-kata yang tidak ada dalam kosakata aslinya?
a)
Karena menggunakan model Word2Vec
b)
Karena hanya menggunakan representasi vektor dokumen
c)
Karena memperhatikan struktur internal kata dan morfologi.
d)
Karena menggunakan metode yang sama dengan Doc2Vec
e)
Karena hanya menggunakan representasi unigram
22.
Mengapa Sent2Vec dianggap memiliki pendekatan yang unik dalam mendefinisikan penyematan kalimat?
a)
Karena hanya menggunakan model C-BOW
b)
Karena menggunakan transformator untuk representasi kalimat
c)
Karena memperluas n-gram konstituen hingga kalimat.
d)
Karena hanya menggunakan vektor paragraf
e)
Karena hanya menggunakan model PV-DM
23.
Mengapa Universal Sentence Encoder (USE) sering digunakan untuk pembelajaran transfer?
a)
Karena hanya menggunakan metode Word2Vec
b)
Karena dilatih hanya menggunakan Wikipedia
c)
Karena dapat digunakan untuk berbagai tugas dan kumpulan data.
d)
Karena hanya menggunakan representasi vektor dokumen
e)
Karena hanya menggunakan representasi unigram
24.
Mengapa parameter dm_concat digunakan dalam pendekatan PV-DM pada Doc2Vec?
a)
Untuk mengurangi ukuran model
b)
Untuk menggabungkan vektor kata dan paragraf saat memprediksi kata target.
c)
Untuk membatasi kosakata
d)
Untuk menggunakan metode transformator
e)
Untuk mengatur kecepatan pembelajaran
25.
Mengapa fastText dianggap lebih memperhatikan struktur internal kata dan morfologi?
a)
Karena hanya menggunakan model PV-DM
b)
Karena hanya menggunakan metode Word2Vec
c)
Karena menggunakan n-gram konstituen.
d)
Karena hanya menggunakan vektor paragraf
e)
Karena hanya menggunakan metode C-BOW
26.
Mengapa penggunaan Universal Sentence Encoder (USE) sering dikaitkan dengan pembelajaran transfer?
a)
Karena hanya menggunakan representasi unigram
b)
Karena hanya menggunakan metode transformator
c)
Karena dapat disesuaikan dengan tugas atau kumpulan data tertentu.
d)
Karena hanya menggunakan model PV-DM
e)
Karena hanya menggunakan metode Word2Vec
27.
Metode machine learning yang fokus pada pemahaman bahasa manusia, termasuk pengolahan teks, analisis sentimen, dan ekstraksi informasi dari teks disebut:
a)
Text Classification
b)
Image Recognition
c)
Natural Language Processing (NLP).
d)
Pattern Matching
e)
Deep Learning
28.
Dampak kehadiran NANNS Values dalam model machine learning dapat menyebabkan ?
a)
Peningkatan akurasi model
b)
Penurunan performa model.
c)
Tidak ada dampak pada model
d)
Model hanya bisa bekerja dengan NANNS Values
e)
Kehadiran NANNS Values tidak berpengaruh pada model machine learning
29.
Mengapa normalisasi teks diperlukan dalam data preprocessing?
a)
Untuk menghilangkan tanda baca
b)
Untuk mengubah teks menjadi angka
c)
Agar teks memiliki panjang yang seragam.
d)
Untuk menggabungkan beberapa dokumen teks
e)
Menghitung kemunculan kata-kata dalam teks
30.
Mengapa penting melakukan pengindeksan kata (word indexing) dalam NLP?
a)
Untuk menyusun kamus kata-kata
b)
Agar kata-kata dapat diurutkan sesuai abjad
c)
Menyederhanakan representasi teks menjadi angka.
d)
Membuat teks lebih mudah dipahami oleh manusia
e)
Untuk menghitung panjang teks secara efisien
31.
Mengapa data standardization menjadi aspek penting dalam pengolahan data?
a)
Untuk meningkatkan keakuratan analisis data
b)
Agar data memiliki variasi yang tinggi.
c)
Memudahkan pengumpulan data
d)
Mengurangi kompleksitas data secara keseluruhan
e)
Meningkatkan perbedaan antar dataset
32.
Mengapa langkah-langkah pra-pemrosesan tambahan diperlukan sebelum melatih model Machine Learning (ML) dalam pemrosesan teks?
a)
Untuk meningkatkan kecepatan pelatihan model
b)
Karena algoritma ML memerlukan input teks yang bersih dan terstruktur.
c)
Agar dapat menggunakan metode representasi vektor seperti Doc2Vec dan Sent2Vec
d)
Untuk mengurangi kompleksitas algoritma ML
e)
Karena langkah-langkah ini tidak terlalu penting dalam pemrosesan teks
33.
Mengapa diperlukan metode representasi vektor lanjutan, seperti Doc2Vec dan Sent2Vec, dalam pemrosesan teks dengan Machine Learning?
a)
Untuk mengecilkan ukuran dataset teks
b)
Agar model ML dapat lebih cepat konvergen
c)
Karena representasi vektor dapat menghasilkan representasi yang lebih kaya dan kontekstual.
d)
Untuk mengurangi kompleksitas algoritma ML
e)
Karena metode ini tidak memerlukan pra-pemrosesan tambahan
34.
Mengapa persamaan linear multivariat yang digabungkan dengan fungsi aktivasi menawarkan cara yang ampuh untuk mengklasifikasikan batas keputusan dalam ruang dimensi apa pun?
a)
Karena persamaan linear multivariat dapat menghasilkan hasil yang lebih akurat
b)
Karena fungsi aktivasi dapat mengubah input menjadi output yang lebih bermakna
c)
Karena persamaan linear multivariat dapat memisahkan kelas objek dengan lebih baik.
d)
Karena fungsi aktivasi dapat mengklasifikasikan data dengan lebih efisien
e)
Karena persamaan linear multivariat dapat menghasilkan batas keputusan yang lebih fleksibel
35.
Mengapa pengklasifikasi perlu mengetahui batasan keputusan yang memisahkan satu kelas objek dari kelas objek lainnya?
a)
Agar pengklasifikasi dapat memprediksi tipe objek baru dengan akurasi tinggi
b)
Agar pengklasifikasi dapat mengklasifikasikan objek baru berdasarkan fitur masukan
c)
Agar pengklasifikasi dapat memisahkan objek dalam batas keputusan yang sesuai.
d)
Agar pengklasifikasi dapat menghasilkan hasil yang lebih konsisten
e)
Agar pengklasifikasi dapat mengidentifikasi kelas objek yang relevan
36.
Mengapa jaringan saraf dapat membantu membuat batas keputusan dalam ruang dimensi apa pun?
a)
Karena jaringan saraf dapat mengubah input menjadi output yang lebih bermakna
b)
Karena jaringan saraf dapat mengklasifikasikan data dengan lebih efisien
c)
Karena jaringan saraf dapat menyesuaikan jumlah node perantara
d)
Karena jaringan saraf dapat memisahkan kelas objek dengan lebih baik.
e)
Karena jaringan saraf dapat menghasilkan batas keputusan yang lebih fleksibel
37.
Mengapa lapisan (layers) dalam Jaringan Saraf Tiruan (ANN) penting untuk proses pembelajaran mesin?
a)
Meningkatkan kecepatan komputasi
b)
Memungkinkan penggunaan algoritma klasifikasi
c)
Memfasilitasi ekstraksi fitur secara hierarkis.
d)
Menyederhanakan arsitektur jaringan
e)
Mengurangi kebutuhan data latih
38.
Mengapa preprocessing penting dalam pengolahan bahasa alami (NLP)?
a)
Agar data dapat diproses dengan lebih efisien
b)
Agar data dapat diubah menjadi representasi yang lebih bermakna.
c)
Agar data dapat diolah oleh jaringan saraf dengan lebih baik
d)
Agar data dapat dipisahkan menjadi kelas yang relevan
e)
Agar data dapat diinterpretasikan dengan lebih akurat
39.
Mengapa TF-IDF digunakan dalam pengolahan bahasa alami (NLP)?
a)
Agar dapat menghitung frekuensi kata dalam teks
b)
Agar dapat mengklasifikasikan data dengan lebih efisien
c)
Agar dapat menghitung bobot kata dalam teks.
d)
Agar dapat mengubah teks menjadi representasi vektor
e)
Agar dapat mengidentifikasi kata-kata yang paling penting dalam teks
40.
Mengapa Keras digunakan dalam membangun jaringan saraf?
a)
Karena Keras dapat menghasilkan hasil yang lebih akurat
b)
Karena Keras dapat mengklasifikasikan data dengan lebih efisien
c)
Karena Keras menyediakan metode untuk mencegah overfitting
d)
Karena Keras dapat memproses data dengan lebih cepat
e)
Karena Keras dapat membangun jaringan saraf dengan lebih mudah.
41.
Mengapa CNN digunakan dalam analisis teks?
a)
Karena CNN dapat menangkap hubungan dan pola spasial dalam data.
b)
Karena CNN dapat mengurangi dimensi data
c)
Karena CNN dapat mengklasifikasikan fitur-fitur dalam teks
d)
Karena CNN dapat menghitung gradien dengan baik
e)
Karena CNN dapat menggabungkan hasil konvolusi dengan baik
42.
Mengapa konvolusi dalam CNN diartikan sebagai operasi perkalian titik antara filter dan gambar?
a)
Karena konvolusi melibatkan perkalian titik antara filter dan gambar untuk menghasilkan matriks keluaran yang menunjukkan intensitas pola atau filter di berbagai titik pada gambar.
b)
Karena konvolusi melibatkan penjumlahan elemen hasil perkalian titik antara filter dan gambar untuk menghasilkan matriks keluaran yang menunjukkan intensitas pola atau filter di berbagai titik pada gambar
c)
Karena konvolusi melibatkan perkalian titik antara filter dan vektor fitur untuk menghasilkan matriks keluaran yang menunjukkan intensitas pola atau filter di berbagai titik pada gambar
d)
Karena konvolusi melibatkan penjumlahan elemen hasil perkalian titik antara filter dan vektor fitur untuk menghasilkan matriks keluaran yang menunjukkan intensitas pola atau filter di berbagai titik pada gambar
e)
Karena konvolusi melibatkan perkalian titik antara filter dan word embeddings untuk menghasilkan matriks keluaran yang menunjukkan intensitas pola atau filter di berbagai titik pada gambar
43.
Mengapa pooling dalam CNN disebut sebagai proses mengurangi dimensi data?
a)
Karena pooling membantu melakukan downsampling data dengan hanya mempertahankan informasi relevan.
b)
Karena pooling membantu melakukan upsampling data dengan hanya mempertahankan informasi relevan
c)
Karena pooling membantu melakukan penjumlahan elemen data dengan hanya mempertahankan informasi relevan
d)
Karena pooling membantu melakukan perkalian elemen data dengan hanya mempertahankan informasi relevan
e)
Karena pooling membantu melakukan pengurangan elemen data dengan hanya mempertahankan informasi relevan
44.
Mengapa lapisan yang terhubung sepenuhnya dalam CNN menghubungkan input dengan output?
a)
Karena lapisan yang terhubung sepenuhnya bertugas untuk mengklasifikasikan atau melakukan berbagai tugas dengan fitur-fitur yang telah diekstraksi melalui konvolusi dan pooling.
b)
Karena lapisan yang terhubung sepenuhnya bertugas untuk mengklasifikasikan atau melakukan berbagai tugas dengan fitur-fitur yang telah diekstraksi melalui konvolusi dan pooling
c)
Karena lapisan yang terhubung sepenuhnya bertugas untuk menghubungkan filter dengan gambar
d)
Karena lapisan yang terhubung sepenuhnya bertugas untuk menghubungkan filter dengan vektor fitur
e)
Karena lapisan yang terhubung sepenuhnya bertugas untuk menghubungkan pooling dengan konvolusi
45.
Mengapa pengumpulan dalam CNN disebut sebagai proses mengurangi dimensi data?
a)
Karena pengumpulan membantu melakukan downsampling data dengan hanya mempertahankan informasi relevan.
b)
Karena pengumpulan membantu melakukan upsampling data dengan hanya mempertahankan informasi relevan
c)
Karena pengumpulan membantu melakukan penjumlahan elemen data dengan hanya mempertahankan informasi relevan
d)
Karena pengumpulan membantu melakukan perkalian elemen data dengan hanya mempertahankan informasi relevan
e)
Karena pengumpulan membantu melakukan pengurangan elemen data dengan hanya mempertahankan informasi relevan
46.
Mengapa jumlah parameter yang dapat dilatih dalam model CNN adalah 7.359?
a)
Karena jumlah parameter yang dapat dilatih dalam model CNN adalah jumlah filter yang digunakan
b)
Karena jumlah parameter yang dapat dilatih dalam model CNN adalah jumlah kernel yang digunakan
c)
Karena jumlah parameter yang dapat dilatih dalam model CNN adalah jumlah node yang digunakan di setiap lapisan tersembunyi
d)
Karena jumlah parameter yang dapat dilatih dalam model CNN adalah jumlah dropout yang digunakan
e)
Karena jumlah parameter yang dapat dilatih dalam model CNN adalah jumlah epoch yang digunakan.
47.
Mengapa chapter 9 membahas tentang penerapan konvolusi ke teks?
a)
Karena konvolusi dalam CNN dapat menangkap hubungan spasial dalam data teks
b)
Karena konvolusi dalam CNN dapat membantu memecahkan masalah pada domain tekstual.
c)
Karena konvolusi dalam CNN dapat digunakan untuk mendeteksi sarkasme dalam teks
d)
Karena konvolusi dalam CNN dapat menghasilkan matriks keluaran yang menunjukkan intensitas pola atau filter di berbagai titik pada teks
e)
Karena konvolusi dalam CNN dapat diterapkan pada teks menggunakan berbagai komponen dalam arsitektur CNN
48.
Mengapa LSTM digunakan dalam membangun model generasi teks?
a)
Untuk mengatasi masalah gradien yang menghilang atau meledak
b)
Untuk mengingat informasi jangka panjang dalam urutan teks.
c)
Untuk memprediksi kata-kata berikutnya dalam teks
d)
Untuk menghasilkan deskripsi hotel
e)
Untuk mengatasi masalah gradien yang terjebak dalam RNN biasa
49.
Bagaimana LSTM memecahkan masalah gradien yang menghilang atau meledak?
a)
Dengan menggunakan input gate.
b)
Dengan menggunakan output gate
c)
Dengan menggunakan forget gate
d)
Dengan menggunakan vanishing gate
e)
Dengan menggunakan memory cell
50.
Mengapa penting untuk menangkap hubungan temporal dalam data teks?
a)
Karena kata-kata dalam teks sering dipengaruhi oleh kata-kata di sekitarnya.
b)
Karena teks sering kali memiliki hubungan spasial yang kompleks
c)
Karena teks sering kali memiliki hubungan temporal yang kompleks
d)
Karena teks sering kali memiliki hubungan kausal yang kompleks
e)
Karena teks sering kali memiliki hubungan semantik yang kompleks
51.
Mengapa masalah gradien yang menghilang atau meledak sering terjadi dalam RNN?
a)
Karena RNN tidak dapat mengingat informasi jangka panjang
b)
Karena RNN tidak dapat menangkap hubungan temporal dalam teks
c)
Karena RNN tidak dapat mengatasi masalah gradien yang terjebak.
d)
Karena RNN tidak dapat memprediksi kata-kata berikutnya dalam teks
e)
Karena RNN tidak dapat menghasilkan deskripsi hotel
52.
Bagaimana LSTM dapat mengatasi masalah gradien yang menghilang atau meledak dalam RNN?
a)
Dengan menggunakan input gate
b)
Dengan menggunakan output gate
c)
Dengan menggunakan forget gate
d)
Dengan menggunakan vanishing gate
e)
Dengan menggunakan memory cell.
53.
Mengapa LSTM digunakan dalam membangun model generasi teks daripada RNN biasa?
a)
Karena LSTM dapat mengingat informasi jangka panjang dalam urutan teks.
b)
Karena LSTM dapat menangkap hubungan temporal dalam teks
c)
Karena LSTM dapat mengatasi masalah gradien yang menghilang atau meledak
d)
VADER
e)
Karena LSTM dapat menghasilkan deskripsi hotel
54.
Mengapa penting untuk menangkap hubungan temporal dalam data teks?
a)
Karena kata-kata dalam teks sering dipengaruhi oleh kata-kata di sekitarnya.
b)
Karena teks sering kali memiliki hubungan spasial yang kompleks
c)
Karena teks sering kali memiliki hubungan temporal yang kompleks
d)
Karena teks sering kali memiliki hubungan kausal yang kompleks
e)
Karena teks sering kali memiliki hubungan semantik yang kompleks
55.
Mengapa bahasa pemrograman dapat dikatakan berbeda dengan bahasa alami?
a)
Bahasa pemrograman menggunakan python, sementara bahasa alami tidak
b)
Bahasa pemrograman dikembangkan untuk berkomunikasi dengan mesin, sementara bahasa alami adalah evolusi untuk berkomunikasi dengan manusia.
c)
Bahasa pemrograman digunakan manusia untuk saling berkomunikasi
d)
Bahasa pemrograman dikembangkan dengan banyak bahasa
e)
Bahasa alami hanya dikembangkan menggunakan python
56.
Mengapa ilmu NLP (Natural Language Processing) harus dipelajari?
a)
Agar dapat memahami struktur data komputer
b)
Untuk memahami potensi dampak dari AI (Artificial Intelligence) dalam pekerjaan, terutama dalam bidang Machine Learning.
c)
Agar dapat memahami cara kerja komputer
d)
Agar dapat memahami cara membuat aplikasi
e)
Agar dapat mengetahui bentuk tampilan UI yang baik
57.
Mengapa bahasa pemograman Pyhton sangat direkomendasikan untuk penerapan ilmu NLP ?
a)
Karena python sudah ada sejak dulu kala
b)
Karena python merupakan bahasa pemograman level tinggi dan mempunyai library yang mendukung ilmu NLP.
c)
Karena python berasal dari belanda
d)
Karena python gampang diinstal
e)
Karena Python sulit digunakan
58.
Bagaimana cara kerja dari library berikut "from nltk.tokenize import word_tokenize"
a)
memecah teks menjadi token kata.
b)
Mengubah kata menjadi matix
c)
Mengubah kata menjadi kata dasar
d)
Mempelajari pola kata
e)
Translate ke bahasa lainnya
59.
Mengapa diciptakannya bahasa pemrograman?
a)
Dengan tujuan mengetahui apa yang mesin katakan
b)
Dengan tujuan berkomunikasi dengan mesin untuk mendapatkan hasil yang diinginkan.
c)
Dengan tujuan memberi kesulitan bagi manusia
d)
Dengan tujuan berkomunikasi dengan perangkat lunak untuk mendapatkan hasil yang maksimal
e)
Dengan Tujuan Senang-senang
60.
Mengapa model VADER diciptakan?
a)
Untuk membuat machine learning lebih mengerti bahasa lain
b)
Untuk memodifikasi bahasa-bahasa yang tidak diketahui oleh machine learning
c)
Untuk mengetahui letak kesalahan machine learning dalam membaca data korpus
d)
Untuk menyempurnakan penganalisis sentimen lainnya dengan memasukkan bahasa sehari-hari, emotikon, dan lain-lain.
e)
Untuk membuat machine learning lebih cantik
61.
Mengapa tahap scraping data website dalam penentuan analisis sentimen seperti penggunaan library BeautifulSoup sangat penting, khususnya terhadap riview suatu barang ?
a)
Mencari data corpus sebanyak mungkin, agar hasil model sentimen analisis semakin bagus.
b)
Menambah penilaian positif terhadap sentimen analisis barang tersebut
c)
Menambah data corpus dalam jumlah besar untuk disimpan saja
d)
Mengukur seberapa banyak data yang akan diolah oleh model yang nantinya akan dilakukan penilaian sentimen
e)
Tidak memiliki pengaruh apapun terhadap model sentimen analisis
62.
Bagaimana proses stemming dapat memengaruhi interpretasi makna kata dalam NLP?
a)
Mengurangi ambiguitas kata.
b)
Menyederhanakan struktur sintaksis
c)
Meningkatkan kemampuan model dalam mencari sinonim
d)
Menurunkan akurasi model dalam tugas analisis sentimen
e)
Merupakan tahap awal dalam proses lemmatisasi teks
63.
Bagaimana tokenisasi dapat memengaruhi kinerja model NLP?
a)
Meningkatkan kecepatan pemrosesan teks.
b)
Memperkecil ukuran dataset
c)
Memperburuk akurasi model
d)
Mengurangi kompleksitas arsitektur model
e)
Tidak memiliki pengaruh pada kinerja model NLP
64.
Mengapa Tweet Tokenizer digunakan sebagai alat tokenisasi khusus dalam pemrosesan teks media sosial?
a)
Mengubah teks tweet menjadi format JSON
b)
Mengabaikan kata-kata yang mengandung emoji
c)
Untuk memisahkan kata-kata dengan tanda baca khusus dalam tweet.
d)
Menampilkan hanya kata-kata kunci dalam tweet
e)
Tidak memiliki peran khusus dalam tokenisasi teks media sosial
65.
Bagaimana Tokenizer bank pohon dapat mempengaruhi analisis struktural dalam pemrosesan teks?
a)
Membatasi kompleksitas struktural teks
b)
Meningkatkan pengelompokan teks berdasarkan struktur hirarkis.
c)
Mengurangi akurasi pemahaman konteks
d)
Tidak memiliki peran dalam analisis struktural teks
e)
Mempercepat proses tokenisasi dan analisis teks
66.
Bagaimana leksikon mempengaruhi proses penerjemahan mesin dalam konteks pemrosesan bahasa alami (NLP)?
a)
Mempercepat waktu komputasi penerjemahan
b)
Membatasi variasi makna kata dalam terjemahan.
c)
Menjamin akurasi sepenuhnya dalam terjemahan
d)
Meningkatkan kemampuan mesin dalam memahami konteks
e)
Tidak memiliki dampak pada kualitas penerjemahan
67.
Mengapa daftar kata stopwords harus dimodifikasi berdasarkan masalah yang sedang dipecahkan dalam suatu tugas NLP?
a)
Karena stopwords hanya berlaku untuk tugas tertentu
b)
Daftar stopwords dapat berubah tergantung pada kebutuhan analisis teks.
c)
Tidak ada daftar stopwords yang dapat digunakan untuk bahasa tertentu
d)
Daftar stopwords tidak relevan dalam analisis teks
e)
Karena stopwords removal tidak memerlukan adaptasi untuk setiap tugas NLP
68.
Mengapa kata-kata yang sama dapat memiliki lemma yang berbeda bergantung pada konteksnya?
a)
Karena lemmatisasi tidak memerlukan perhatian terhadap konteks
b)
Lemmatisasi tidak memerlukan tag part-of-speech (POS)
c)
Karena lemma tergantung pada hubungan semantik leksikal dan konseptual.
d)
Lemma kata tidak dipengaruhi oleh konteks kalimat
e)
Karena lemmatisasi hanya memerhatikan tag POS
69.
Apa tujuan utama dari proses Transforming Text into Data Structures dalam Natural Language Processing ?
a)
Menganalisis sintaksis kalimat
b)
Mengevaluasi kebenaran pernyataan
c)
Mengubah teks menjadi struktur data yang dapat diolah.
d)
Menyederhanakan tata bahasa dalam kalimat
e)
Menerjemahkan teks ke dalam berbagai bahasa
70.
Jelaskan perbedaan antara pendekatan "Bag of Words" dan "Word Embeddings" dalam konteks transformasi teks menjadi struktur data. Manakah dari kedua pendekatan ini lebih efektif dalam mempertahankan informasi kontekstual?
a)
"Bag of Words" mempertahankan urutan kata dan frasa, sementara "Word Embeddings" mengabaikan urutan; "Word Embeddings" lebih efektif dalam mempertahankan informasi kontekstual
b)
Kedua pendekatan mengabaikan urutan kata dan frasa; keduanya sama-sama efektif dalam mempertahankan informasi kontekstual
c)
"Bag of Words" mengabaikan urutan, sementara "Word Embeddings" mempertahankan urutan; keduanya sama-sama efektif dalam mempertahankan informasi kontekstual.
d)
Keduanya mengabaikan urutan kata dan frasa; "Bag of Words" lebih efektif dalam mempertahankan informasi kontekstual
e)
Keduanya mempertahankan urutan kata dan frasa; "Word Embeddings" lebih efektif dalam mempertahankan informasi kontekstual
71.
Apa tujuan dari Inverse Document Frequency (IDF) dalam skema TF-IDF?
a)
Menyesuaikan frekuensi kata dalam dokumen
b)
Mengurangi dampak kata-kata umum dalam dokumen.
c)
Meningkatkan bobot kata-kata kunci dalam dokumen
d)
Menyusun ulang urutan kata dalam dokumen
e)
Memperkuat frekuensi kata-kata dalam korpus
72.
Bagaimana rumus Term Frequency (TF) dihitung dalam skema TF-IDF?
a)
Jumlah kemunculan kata dalam dokumen dibagi panjang total dokumen
b)
Jumlah kemunculan kata dalam dokumen dibagi jumlah dokumen dalam korpus
c)
Jumlah kata dalam dokumen dibagi panjang rata-rata dokumen dalam korpus
d)
Jumlah kata dalam dokumen dibagi jumlah kata total dalam korpus.
e)
Jumlah kemunculan kata dalam dokumen dibagi frekuensi total kata dalam korpus
73.
Dalam kasus analisis sentimen, bagaimana pemilihan term-term kunci yang diperoleh dari TF-IDF vectors dapat membantu memahami sentimen suatu dokumen?
a)
Term-term kunci tidak relevan dalam analisis sentimen dan tidak memberikan kontribusi pada pemahaman sentimen dokumen
b)
Term-term kunci hanya berguna jika dokumen memiliki sentimen positif; dalam kasus sentimen negatif, tidak relevan
c)
Pemilihan term-term kunci hanya bermanfaat jika dilakukan dengan metode machine learning tambahan
d)
Pemilihan term-term kunci hanya efektif dalam bahasa Inggris dan tidak dapat diterapkan pada bahasa lain
e)
Term-term kunci dapat memberikan insight tentang aspek-aspek tertentu yang memengaruhi sentimen, seperti produk atau layanan.
74.
Dalam kasus dokumen yang sangat panjang dan kompleks, apa dampaknya jika tidak ada langkah normalisasi yang diambil pada nilai TF?
a)
Bobot TF akan sangat bervariasi, menyebabkan kesulitan dalam perbandingan antar dokumen.
b)
Bobot TF akan cenderung rendah untuk semua kata, mengurangi efektivitas skema TF-IDF
c)
Bobot TF akan cenderung tinggi untuk semua kata, meningkatkan kemungkinan overfitting
d)
Normalisasi tidak mempengaruhi bobot TF dalam dokumen yang panjang
e)
Normalisasi meningkatkan akurasi perbandingan bobot TF antar dokumen
75.
Dalam konteks analisis sentimen, mengapa pemilihan "n-gram" selama ekstraksi fitur TF-IDF dapat menjadi relevan?
a)
Memisahkan kata-kata menjadi kelompok untuk meningkatkan kejelasan makna dokumen
b)
Membantu mempertahankan urutan kata-kata dalam kalimat, memperbaiki representasi kontekstual dokumen.
c)
Hanya relevan dalam analisis sentimen dalam bahasa Inggris dan tidak berlaku pada bahasa lain
d)
Meningkatkan akurasi TF-IDF hanya pada dokumen yang sangat panjang
e)
Tidak memiliki dampak signifikan dalam ekstraksi fitur TF-IDF untuk analisis sentimen
76.
Apa itu word embedding dalam pemrosesan bahasa alami (NLP)?
a)
Representasi vektor dari kata-kata.
b)
Proses mengonversi teks menjadi gambar
c)
Menambahkan kata tertentu agar kalimat lebih efisien
d)
Algoritma untuk mengurutkan kata-kata
e)
Merubah kata-kata dalam kalimat menjadi kata dasar
77.
Apa perbedaan utama antara Word Embeddings dan Bag of Words (BoW)?
a)
BoW memperhitungkan urutan kata, sedangkan word embedding tidak.
b)
Word embedding hanya dapat digunakan pada bahasa inggris
c)
BoW dapat mengekstrak makna semantik pada kata
d)
Keduanya digunakan untuk klasifikasi teks
e)
Tidak ada perbedaan antara word embedding dan BoW
78.
Pendekatan mana yang digunakan oleh model Word2Vec untuk memprediksi konteks kata-kata di sekitarnya?
a)
BOW
b)
Skip-gram.
c)
Long Short-Term Memory (LSTM)
d)
Term Frequency - Inverse Document Frequency (TF-IDF)
e)
Neural Processing
79.
Bagaimana Word Mover's Distance (WMD) berbeda dari metode jarak sederhana seperti Jaccard atau Cosine dalam konteks pengukuran kesamaan teks, dan di mana WMD dapat memberikan keunggulan signifikan?
a)
WMD menghitung jarak berdasarkan vektor kata, sedangkan Jaccard dan Cosine hanya mempertimbangkan kesamaan kata
b)
WMD menggunakan metode pengukuran jarak yang lebih kompleks, melibatkan pergerakan kata antar dokumen, sementara Jaccard dan Cosine hanya melibatkan representasi term frequency-inverse document frequency (TF-IDF).
c)
WMD bekerja lebih efisien dalam dokumen panjang dibandingkan Jaccard atau Cosine, yang cenderung tidak efektif dalam teks yang memanjang
d)
WMD memiliki tingkat akurasi yang lebih rendah dibandingkan Jaccard atau Cosine dalam tugas-tugas NLP yang memerlukan kesamaan semantik
e)
WMD tidak cocok digunakan untuk pengambilan dokumen karena memerlukan perhitungan vektor kata yang kompleks
80.
Apakah ada pertimbangan khusus yang perlu diperhatikan dalam tahap pra-pemrosesan data ketika melatih model Word2Vec untuk memperoleh word embeddings?
a)
Proses tokenisasi tidak diperlukan karena Word2Vec secara otomatis dapat menangani masalah representasi kata
b)
Pra-pemrosesan data mencakup menghilangkan tanda baca dan karakter khusus, namun pengonversian teks ke huruf kecil tidak diperlukan
c)
Penghilangan stop words diperlukan untuk meningkatkan kualitas word embeddings.
d)
Koreksi ejaan tidak diperlukan karena Word2Vec dapat memahami variasi ejaan kata
e)
Pengurangan dimensi vektor hasil word embeddings dapat dilakukan setelah proses pelatihan untuk menghemat sumber daya komputasi
81.
Bagaimana cara Word Embedding mengubah kata menjadi vektor angka dalam pemrosesan bahasa alami (NLP)?
a)
Dengan menetapkan nomor unik untuk setiap kata, menggunakan indeks numerik
b)
Melalui representasi one-hot encoding, mewakili kata sebagai vektor biner
c)
Menggunakan teknik Word2Vec atau GloVe untuk menyusun vektor angka berdasarkan konteks kata.
d)
Secara langsung menggambarkan makna kata dalam bentuk gambar, tidak umum digunakan dalam Word Embedding
e)
Dengan menyusun kata-kata dalam urutan abjad, tidak memperhitungkan makna atau konteks kata
82.
Apa konsep utama di balik Word2Vec yang membuatnya efektif dalam merepresentasikan kata?
a)
Latent Semantic Analysis (LSA) yang menggunakan teknik singular value decomposition (SVD) untuk mengurangi dimensi dokumen
b)
One-Hot Encoding yang mengonversi kata-kata menjadi vektor biner untuk representasi
c)
Skip-gram dan Continuous Bag of Words (CBOW) yang memanfaatkan konteks kata untuk membentuk representasi vektor kata.
d)
Menggunakan algoritma Random Forest untuk memodelkan hubungan antar kata
e)
Menentukan sinonim dan antonim kata dalam kamus
83.
Mengapa Doc2Vec dianggap berbeda dari Word2Vec dalam konteks pembuatan vektor?
a)
Karena Doc2Vec hanya fokus pada level kata dalam pembentukan vektor
b)
Karena Doc2Vec menggunakan PV-DBOW untuk memprediksi kata yang ditargetkan
c)
Karena Doc2Vec melakukan embedding pada level paragraf (kumpulan kata).
d)
Karena Doc2Vec tidak mempertimbangkan konteks kata dalam kalimat
e)
Karena Doc2Vec tidak memiliki kemampuan untuk memprediksi kata yang dipilih secara random dalam paragraf
84.
Bagaimana fastText membedakan pendekatannya dari Word2Vec dalam hal representasi kata?
a)
Memperlakukan setiap kata sebagai entitas tunggal
b)
Menggunakan metode Skip-gram secara eksklusif
c)
Membagi kata menjadi sub-kata atau karakter n-grams.
d)
Tidak memperhitungkan kata-kata yang jarang muncul dalam korpus data
e)
Tidak menggunakan metode pembelajaran berbasis vektor sama sekali
85.
Mengapa penggunaan Sent2Vec dianggap lebih baik daripada Doc2Vec?
a)
Karena Sent2Vec menggunakan pendekatan Word2Vec dan fastText yang lebih sederhana
b)
Karena Sent2Vec memperluas representasi kalimat dengan n-gram dari konteks, mirip dengan fastText.
c)
Karena Sent2Vec hanya fokus pada representasi kata kontekstual
d)
Karena Sent2Vec tidak mempertimbangkan representasi kata target
e)
Karena Sent2Vec tidak memiliki kemampuan untuk menghasilkan representasi kata-kata yang berkualitas
86.
Bagaimana FastText menghitung vektor untuk suatu kata yang tidak ada dalam kamus (out-of-vocabulary)?
a)
FastText tidak dapat menghitung vektor untuk kata-kata yang tidak ada dalam kamus
b)
FastText menggunakan vektor nol untuk kata-kata OOV
c)
FastText menggunakan rata-rata vektor kata-kata terdekat untuk menggantikan kata OOV.
d)
FastText menghiraukan kata-kata OOV dalam proses vektorisasi
e)
FastText menghitung vektor OOV berdasarkan morfologi subword
87.
Bagaimana Doc2Vec Mengatasi Masalah Synonym dalam Representasi Teks?
a)
Dengan mengabaikan kata-kata sinonim
b)
Melalui pemberian bobot yang sama untuk kata-kata sinonim.
c)
Dengan menggunakan metode WordNet
d)
Dengan memisahkan kata-kata sinonim menjadi vektor terpisah
e)
Dengan mengeksklusifkan sinonim dari korpus teks
88.
Mengapa nilai parameter dm_concat yang disetel ke 1 dapat mengarah pada pembuatan model yang lebih besar dalam pendekatan PV-DM?
a)
Karena mengurangi kompleksitas model Doc2Vec
b)
Karena mengurangi ukuran vektor yang dihasilkan oleh model Doc2Vec
c)
Karena menggabungkan vektor konteks dari beberapa kata.
d)
Karena mengurangi kompleksitas model
e)
Karena membatasi jumlah kata yang dipertimbangkan dalam pembuatan vektor
89.
Mengapa Universal Sentence Encoder (USE) dianggap memiliki keunggulan dalam penghasilan embedding kalimat?
a)
Karena USE hanya melatih model pada data Wikipedia
b)
Karena USE tidak mempertimbangkan konteks kalimat dalam embedding
c)
Karena USE menggabungkan Word2Vec dan GloVe untuk pembentukan vektor kalimat
d)
Karena USE mampu menghasilkan embedding di tingkat kalimat dari berbagai sumber data tanpa perlu dilatih ulang.
e)
Karena USE hanya fokus pada representasi kata dalam kalimat
90.
Apa tujuan utama Machine Learning (ML)?
a)
Membuat sistem yang dapat melakukan tugas tanpa pemrograman eksplisit.
b)
Meningkatkan kecerdasan buatan secara umum
c)
Mengidentifikasi pola dalam data dengan cepat
d)
Menggantikan pemrograman tradisional
e)
Mengurangi kebutuhan komputasi dalam pemrosesan data
91.
Apa yang harus dilakukan jika terdapat nilai NaN dalam dataset?
a)
Mengabaikan nilai NaN
b)
Menghentikan proses pelatihan model
c)
Mengganti nilai NaN dengan nilai lain.
d)
Menandai kolom atau baris dengan nilai NaN
e)
Menghapus seluruh dataset
92.
Apa fungsi LabelEncoder dalam mengatasi nilai non-numerik dalam variabel kategori?
a)
Menghapus nilai NaN dari dataset
b)
Mengganti nilai NaN dengan nilai sebelumnya
c)
Mengkodekan nilai non-numerik menjadi nilai numerik.
d)
Menghitung jumlah nilai NaN dalam setiap baris
e)
Membuat one-hot encoding untuk variabel kategori
93.
Apa fungsi dari MinMaxScaler dalam proses standardisasi?
a)
Menghitung skor-z untuk setiap nilai dalam kolom
b)
Mengubah nilai dalam kolom menjadi rentang [0, 1].
c)
Mengganti nilai NaN dengan nilai sebelumnya
d)
Menghitung nilai rata-rata kelompok
e)
Menghapus variabel dummy
94.
Mengapa validasi silang (cross-validation) diperlukan dalam membangun model penganalisis sentimen menggunakan Naive Bayes?
a)
Meningkatkan waktu pelatihan model
b)
Dapat membantu mencegah overfitting pada model.
c)
Naive Bayes tidak memerlukan validasi silang
d)
Validasi silang hanya diperlukan pada data teks yang panjang
e)
Validasi silang hanya relevan pada model yang kompleks
95.
Mengapa algoritma SVM dipilih untuk membangun penganalisis sentimen dalam NLP?
a)
Selalu memberikan hasil yang akurat
b)
SVM hanya efektif pada dataset teks yang besar
c)
Tidak memerlukan preprocessing data
d)
Kemampuannya mengatasi ambiguitas dalam analisis sentimen.
e)
Tidak dapat menangani ketergantungan antar kata
96.
Mengapa penting memberi label secara akurat pada data pelatihan dalam penganalisis sentimen?
a)
Untuk mempercepat waktu latihan model
b)
Hanya sebagai formalitas proses pelatihan
c)
Agar model dapat mengenali jargon industri
d)
Untuk mengurangi kompleksitas model
e)
Agar model dapat belajar dengan baik dan memberikan prediksi yang andal.
97.
Mengapa Unit Linier yang diperbaiki (ReLu) menjadi fungsi aktivasi yang paling umum digunakan saat ini?
a)
rumusnya tidak sederhana, tidak memerlukan komputasi yang rumit dan, pada saat yang berbeda, mengatasi masalah yang terkait dengan fungsi non linear sigmoid dan tanh
b)
rumusnya yang sangat sederhana, memerlukan komputasi yang rumit dan, pada saat yang sama, tidak mengatasi masalah yang terkait dengan fungsi non linear sigmoid dan tanh
c)
rumusnya yang sangat rumit, memerlukan komputasi yang rumit dan, pada saat yang sama, mengatasi masalah yang terkait dengan fungsi non linear sigmoid dan tanh
d)
rumusnya yang sangat sederhana, tidak memerlukan komputasi yang rumit dan, pada saat yang sama, mengatasi masalah yang terkait dengan fungsi non linear sigmoid dan tanh.
e)
rumusnya yang rumit, tidak memerlukan komputasi yang rumit dan, pada saat yang berbeda, mengatasi masalah yang tidak terkait dengan fungsi non linear sigmoid dan tanh
98.
Mengapa dikatakan sebuah model mengalami underfitting?
a)
Performa baik pada data pelatihan dan pengujian
b)
Performa buruk pada data pelatihan dan pengujian.
c)
Kemampuan model untuk menggeneralisasi dengan baik
d)
Kecocokan yang sempurna dengan data yang tidak terlihat
e)
Keterbatasan jumlah data yang digunakan
99.
Apa yang dilakukan oleh hidden layers dalam proses forward propagation?
a)
Menjalankan fungsi aktivasi
b)
Mengalikan bobot terinisialisasi dengan nilai-nilai input.
c)
Meneruskan output ke layer berikutnya
d)
Menerima nilai output yang telah dihasilkan
e)
Menerima nilai output yang terjadi pada hidden layer
100.
Apa tujuan dari jaringan saraf dalam menghadapi loss function?
a)
Maksimalkan loss function
b)
hanya mengecek nilai dari loss
c)
Tidak peduli terhadap loss function
d)
Minimalkan loss function dengan meningkatkan kemampuan prediksi.
e)
Tidak ada kaitan dengan loss function
101.
Apa tujuan utama dari menggunakan regularisasi dalam pelatihan model?
a)
Meningkatkan performa pada data pelatihan
b)
Mencegah underfitting
c)
Mencegah overfitting.
d)
Menambah kompleksitas model
e)
Meningkatkan kinerja model dan data pelatihan
102.
Apa yang dimaksud dengan "generalisasi" dalam konteks pembelajaran mesin?
a)
Kemampuan model untuk menghafal data pelatihan
b)
Kemampuan model untuk beradaptasi dengan data pengujian.
c)
Kecepatan konvergensi model
d)
Tingkat kompleksitas model
e)
Mempercepat mesin dalam menganalisis
103.
Mengapa jumlah hidden layer dan node per layer dalam sebuah Artificial Neural Network (ANN) perlu disesuaikan?
a)
Jumlah hidden layer dan node per layer mempengaruhi kemampuan ANN untuk mengekstrak pola dan hubungan dalam data.
b)
Jumlah hidden layer dan node per layer tidak signifikan terhadap kinerja ANN
c)
Jumlah hidden layer tidak berpengaruh pada kinerja ANN, namun, pentingnya node per layer
d)
Penyesuaian jumlah hidden layer dan node per layer hanya diperlukan pada data yang sangat kompleks
e)
Jumlah hidden layer dan node per layer tidak berdampak pada performa total ANN
104.
Mengapa results setelah melakukan konvolusi dan pooling diratakan menjadi vektor?
a)
Untuk mengurangi dimensi data dan meningkatkan efisiensi komputasi
b)
Untuk meningkatkan akurasi klasifikasi
c)
Untuk mempermudah proses pengiriman data ke jaringan saraf umpan maju.
d)
Untuk mengubah representasi data menjadi format yang sesuai dengan jaringan saraf umpan maju
e)
Untuk meningkatkan ketahanan jaringan terhadap kebisingan dan perubahan input
105.
Mengapa CNN dalam NLP menggunakan filter untuk mengekstrak fitur dari teks?
a)
Karena filter dapat mendeteksi pola lokal dalam teks.
b)
Karena filter dapat mengurangi ukuran representasi teks
c)
Karena filter dapat mengatasi masalah vanishing gradient
d)
Karena filter dapat menangani teks yang tidak terstruktur
e)
Karena filter dapat menangani teks yang panjang
106.
Mengapa jenis filter yang umum digunakan dalam CNN adalah filter Sobel?
a)
Karena filter Sobel dapat mendeteksi tepi dalam teks.
b)
Karena filter Sobel dapat mengurangi ukuran representasi teks
c)
Karena filter Sobel dapat mengatasi masalah vanishing gradient
d)
Karena filter Sobel dapat menangani teks yang tidak terstruktur
e)
Karena filter Sobel dapat menangani teks yang panjang
107.
Mengapa fungsi aktivasi yang umum digunakan dalam CNN adalah ReLU?
a)
Karena ReLU dapat mengubah nilai fitur menjadi non-negatif.
b)
Karena ReLU dapat mengurangi ukuran representasi teks
c)
Karena ReLU dapat mengatasi masalah vanishing gradient
d)
Karena ReLU dapat menangani teks yang tidak terstruktur
e)
Karena ReLU dapat menangani teks yang panjang
108.
Mengapa pooling yang umum digunakan dalam CNN adalah max pooling?
a)
Karena max pooling dapat mengurangi ukuran representasi teks.
b)
Karena max pooling dapat mengatasi masalah vanishing gradient
c)
Karena max pooling dapat menangani teks yang tidak terstruktur
d)
Karena max pooling dapat menangani teks yang panjang
e)
Karena max pooling dapat meningkatkan kinerja CNN
109.
Mengapa arsitektur CNN yang umum digunakan dalam NLP adalah ResNet?
a)
Karena ResNet dapat mengatasi masalah vanishing gradient.
b)
Karena ResNet dapat menangani teks yang tidak terstruktur
c)
Karena ResNet dapat menangani teks yang panjang
d)
Karena ResNet dapat meningkatkan kinerja CNN
e)
Semua jawaban benar
110.
Bagaimana CNN dalam NLP dapat mempelajari pola-pola bahasa?
a)
Dengan mempelajari urutan karakter dalam teks
b)
Dengan mempelajari pola-pola lokal dalam teks.
c)
Dengan mempelajari pola-pola global dalam teks
d)
Dengan mempelajari pola-pola semantik dalam teks
e)
Dengan mempelajari pola-pola sintaksis dalam teks
111.
Apa perbedaan utama antara recurrent neurons dan feedforward neural networks (FNNs) dalam hal pengolahan input?
a)
Recurrent neurons hanya menerima input saat ini, sedangkan FNNs menerima input saat ini dan output sebelumnya
b)
FNNs hanya menerima input saat ini, sedangkan recurrent neurons menerima input saat ini dan output sebelumnya
c)
Recurrent neurons dan FNNs hanya menerima input saat ini.
d)
FNNs hanya menerima input sebelumnya, sedangkan recurrent neurons menerima input saat ini dan output sebelumnya
e)
Recurrent neurons dan FNNs tidak memiliki perbedaan dalam hal pengolahan input
112.
Bagaimana struktur umum dari recurrent neural network (RNN) ditunjukkan dalam gambar di atas?
a)
RNN hanya memiliki input dan output tanpa adanya hidden state atau feedback loop
b)
Input pada RNN hanya berasal dari hidden state pada waktu sebelumnya
c)
RNN memiliki input dari waktu sebelumnya dan input saat ini, dengan feedback loop yang menghubungkan hidden state pada waktu sebelumnya.
d)
RNN hanya memiliki input dari waktu sebelumnya tanpa ada ketergantungan pada input saat ini
e)
RNN hanya memiliki feedback loop tanpa adanya input dari waktu sebelumnya
113.
Apa yang menjadi dasar penghitungan output pada waktu t dalam recurrent neural network (RNN)?
a)
Output pada waktu t hanya bergantung pada input saat ini
b)
Output pada waktu t hanya bergantung pada hidden state pada waktu t-1
c)
Output pada waktu t bergantung pada input saat ini dan hidden state pada waktu t-1.
d)
Output pada waktu t hanya bergantung pada output pada waktu sebelumnya
e)
Output pada waktu t tidak bergantung pada input atau hidden state pada waktu sebelumnya
114.
Bagaimana forward propagation dilakukan dalam recurrent neural network (RNN)?
a)
Forward propagation dalam RNN melibatkan hanya input vektor pada setiap langkah waktu tanpa melibatkan hidden state
b)
Forward propagation dalam RNN melibatkan hanya hidden state pada setiap langkah waktu tanpa melibatkan input vektor
c)
Forward propagation dalam RNN melibatkan input vektor dan hidden state pada setiap langkah waktu untuk menghasilkan output.
d)
Forward propagation dalam RNN hanya menghasilkan output pada waktu terakhir tanpa melibatkan input vektor atau hidden state
e)
Forward propagation dalam RNN melibatkan output pada setiap langkah waktu, namun tidak melibatkan input vektor atau hidden state
115.
Apa yang menjadi tujuan dari proses backpropagation through time (BPTT) dalam RNNs?
a)
Menghasilkan output label untuk setiap token dalam satu langkah waktu
b)
Menghitung loss atau error berdasarkan satu output label untuk setiap token
c)
Menyesuaikan parameter jaringan untuk setiap token berdasarkan error dalam satu langkah waktu
d)
Menggunakan snapshots dari jaringan pada setiap langkah waktu untuk memahami error.
e)
Menyesuaikan parameter jaringan berdasarkan output label untuk satu token saja
116.
Mengapa masalah gradien yang meledak (exploding gradients) dapat terjadi dalam pelatihan jaringan neural, dan apa dampaknya pada pembaruan bobot (weights) dalam jaringan?
a)
Gradien yang meledak terjadi saat gradien kesalahan menjadi terlalu besar, menyebabkan pembaruan bobot yang sangat kecil
b)
Gradien yang meledak terjadi saat gradien kesalahan menjadi terlalu kecil, menyebabkan pembaruan bobot yang stabil
c)
Gradien yang meledak terjadi saat gradien kesalahan menjadi terlalu besar, menyebabkan pembaruan bobot yang besar dan tidak stabil.
d)
Gradien yang meledak terjadi saat gradien kesalahan menjadi terlalu kecil, menyebabkan pembaruan bobot yang sangat besar
e)
Gradien yang meledak tidak memiliki dampak pada pembaruan bobot dalam jaringan
117.
Mengapa masalah gradien yang menghilang (vanishing gradients) dapat menjadi masalah serius dalam pelatihan neural networks dengan banyak hidden layers?
a)
Gradien yang menghilang terjadi ketika gradien kesalahan terlalu besar, menyebabkan pembaruan bobot yang besar dan tidak stabil
b)
Gradien yang menghilang terjadi ketika gradien kesalahan terlalu kecil, menyebabkan pembaruan bobot yang sangat besar
c)
Gradien yang menghilang terjadi ketika gradien kesalahan terlalu kecil, menyebabkan pembaruan bobot yang stabil
d)
Gradien yang menghilang terjadi ketika gradien kesalahan terlalu besar, menyebabkan pembaruan bobot yang sangat kecil.
e)
Gradien yang menghilang tidak memiliki dampak pada pembaruan bobot dalam jaringan
118.
Apa yang merupakan dua komponen utama dalam pemodelan Seq2Seq?
a)
Encoder dan Decoder.
b)
Input dan Output
c)
Proses dan Hasil
d)
Sekuensial dan Paralel
e)
Pemodelan dan Evaluasi
119.
Apa yang merupakan kepanjangan dari BERT (Bidirectional Encoder Representations from Transformers)?
a)
Bidirectional Encoder Recognition Technique
b)
Biometric Encoding for Robotic Transformers
c)
Binary Element Recognition Toolkit
d)
Bidirectional Encoder Representations from Transformers.
e)
Base Encoding for Robust Transformers
120.
Bagaimanakah cara kerja Model Transformer?
a)
Model Transformer bekerja dengan menggunakan arsitektur pengubahan untuk memproses dan memahami hubungan antar kata dalam suatu urutan
b)
Model Transformer bekerja dengan menggunakan arsitektur sorting untuk memproses dan memahami hubungan antar kata dalam suatu urutan
c)
Model Transformer bekerja dengan menggunakan arsitektur perhatian untuk memproses dan memahami hubungan antar kata dalam suatu urutan.
d)
Model Transformer bekerja dengan menggunakan arsitektur pengurutan untuk memproses dan memahami hubungan antar kata dalam suatu urutan
e)
Model Transformer bekerja dengan menggunakan arsitektur penambahan untuk memproses dan memahami hubungan antar kata dalam suatu urutan
121.
Mengapa mekanisme perhatian diperlukan dalam model pemrosesan bahasa alami?
a)
Untuk menyederhanakan struktur model
b)
Memungkinkan fokus pada bagian penting dari input.
c)
Agar model bisa bekerja lebih lambat
d)
Hanya digunakan pada tugas tertentu
e)
Membatasi kemampuan paralelisasi model
122.
Mengapa BERT dianggap sebagai model bahasa yang revolusioner?
a)
Karena BERT hanya menggunakan arsitektur RNN
b)
Karena BERT tidak dapat disesuaikan untuk tugas klasifikasi teks
c)
Karena BERT mengabaikan mekanisme perhatian
d)
Karena BERT menggunakan arsitektur Transformer dan dapat menghasilkan representasi kontekstual bahasa yang kaya.
e)
Karena BERT hanya fokus pada tugas pre-training
123.
Apa yang membedakan Model Transformer dari arsitektur berbasis RNN dalam pemodelan urutan teks?
a)
Model Transformer menggunakan arsitektur berbasis RNN
b)
Model Transformer memiliki kemampuan paralelisasi yang lebih baik.
c)
Arsitektur RNN lebih efisien dalam tugas pemrosesan bahasa alami
d)
Model Transformer hanya dapat digunakan untuk tugas terjemahan mesin
e)
RNN lebih cocok untuk tugas analisis sentimen
124.
Bagaimana cara Attention Mechanism memberi bobot pada suatu input?
a)
Attention mechanism memberikan bobot pada input dengan menghitung tingkat relevansi atau pentingnya setiap elemen input terhadap elemen yang sedang diproses pada suatu langkah waktu tertentu.
b)
Attention mechanism memberikan bobot pada input dengan melihat hasil akurasi training pada setiap elemen input terhadap elemen yang sedang diproses pada suatu langkah waktu tertentu
c)
Attention mechanism memberikan bobot pada input dengan mencocokkan setiap huruf pada setiap elemen input terhadap elemen yang sedang diproses pada suatu langkah waktu tertentu
d)
Attention mechanism memberikan bobot pada input dengan menghitung jumlah keseimbangan kalimat atau kata pada setiap elemen input terhadap elemen yang sedang diproses pada suatu langkah waktu tertentu
e)
Attention mechanism memberikan bobot pada input dengan mencocokkan hasil akurasi training pada setiap elemen input terhadap elemen yang sedang diproses pada suatu langkah waktu tertentu
Reset
