WorksheetsQuiz KNN dan Evaluasi Model
Total questions: 25
Worksheet time: 13mins
KNN sering disebut sebagai algoritma lazy learner karena tidak langsung membangun model selama proses pelatihan. Mengapa hal ini dapat menjadi tantangan saat menangani dataset yang sangat besar?
Karena model KNN tidak memerlukan tahap validasi ulang setelah pelatihan.
Karena KNN menyimpan seluruh data untuk setiap proses prediksi.
Karena KNN secara otomatis akan menghapus data outlier tanpa memengaruhi proses prediksi.
Karena KNN hanya bisa digunakan untuk data kategorik, bukan data numerik.
Karena model KNN menyesuaikan bobot fitur secara dinamis setiap kali proses pelatihan.
Menurut konsep KNN, pemilihan nilai k dapat sangat memengaruhi hasil klasifikasi. Bagaimana nilai kkk memengaruhi bentuk decision boundary?
Makin kecil k, decision boundary cenderung menjadi lebih halus dan bebas dari noise.
Makin besar k, decision boundary hanya akan terbentuk di sekitar satu titik pusat data.
Makin besar k, decision boundary cenderung menjadi lebih sederhana dan smooth.
Nilai k tidak memengaruhi bentuk decision boundary karena jarak sudah ditentukan.
Makin kecil k, makin sedikit data yang disimpan sehingga memudahkan proses klasifikasi.
Anda memiliki dataset pelanggan (fitur: demografi dan riwayat pembelian) untuk memprediksi "Berpotensi Membeli" atau "Tidak Membeli." Anda sedang memilih metrik jarak (misalnya Euclidean vs. Manhattan). Manakah pernyataan paling tepat terkait pengaruh pemilihan metrik jarak terhadap kinerja KNN?
Memilih Euclidean distance akan selalu meningkatkan akurasi KNN tanpa pengecualian.
Manhattan distance lebih stabil pada dataset berdimensi tinggi daripada Euclidean distance.
Jika skala fitur sangat bervariasi, semua metrik jarak akan menghasilkan kinerja serupa.
Perbedaan metrik jarak dapat memengaruhi hasil, terutama jika fitur memiliki skala atau distribusi yang berbeda.
Euclidean distance hanya cocok untuk fitur kategorik, sedangkan Manhattan distance untuk fitur numerik.
Bandingkan dua pendekatan evaluasi model KNN: (1) menggunakan pembagian data 70% untuk pelatihan dan 30% untuk validasi, dan (2) menggunakan cross-validation dengan 5 folds. Manakah pernyataan yang paling tepat?
Pendekatan (1) cenderung lebih akurat daripada (2) karena lebih banyak data untuk validasi.
Pendekatan (1) mengurangi bias, sedangkan (2) lebih rentan overfitting.
Pendekatan (2) cenderung menghasilkan estimasi kinerja yang lebih stabil karena memanfaatkan beberapa fold validasi.
Pendekatan (1) dan (2) sama-sama tidak relevan untuk KNN, karena KNN merupakan lazy learner.
Pendekatan (1) umumnya memerlukan lebih sedikit waktu komputasi dibandingkan (2), tetapi hasilnya lebih stabil.
Mengapa feature scaling (misalnya normalisasi atau standardisasi) penting dalam penerapan KNN?
Untuk mengurangi jumlah neighbors yang dibutuhkan.
Karena KNN tidak membutuhkan data kontinu, sehingga perlu diskritisasi.
Agar fitur dengan rentang nilai besar tidak mendominasi perhitungan jarak.
Karena KNN tidak bisa berjalan tanpa feature scaling.
Untuk menggabungkan fitur kategorik dan numerik agar menjadi satu skala.
Sebuah dataset memiliki variabel Age (0-100) dan Income (dalam ribuan rupiah, rentang 1.000-10.000). Anda akan memakai KNN untuk memprediksi keanggotaan kelas "Berlangganan" vs. "Tidak Berlangganan." Manakah tindakan terbaik sebelum menghitung jarak pada data tersebut?
Menghapus variabel Income karena rentangnya terlalu besar.
Melakukan feature scaling pada semua fitur.
Menggunakan k=1 supaya jarak lebih mudah dihitung.
Tidak perlu melakukan apa-apa karena KNN menyesuaikan skala secara otomatis.
Mengonversi semua data numerik menjadi data kategorik.
Dalam penerapan KNN, Anda mengamati bahwa ketika k=1, akurasi pada data pelatihan mencapai 100%, tetapi akurasi pada data uji justru sangat rendah. Ketika nilai kkk meningkat, akurasi pada data uji meningkat. Fenomena apa yang terjadi pada k=1?
Underfitting
Overfitting
Regularisasi yang berlebihan
Penggunaan metrik jarak yang keliru
Model tidak terpengaruh sama sekali
Sebuah perusahaan asuransi ingin memprediksi apakah calon nasabah akan mengambil asuransi jiwa atau tidak, berdasarkan data riwayat kesehatan dan profil keuangan. Bagaimana cara terbaik menentukan jumlah tetangga (k) dan metrik jarak yang sesuai?
Memilih k=1 dan Euclidean distance karena menghasilkan batas keputusan paling detail.
Mencoba berbagai nilai k serta beberapa metrik (misal Euclidean, Manhattan) lalu membandingkan kinerja validasi.
Menghindari Manhattan distance dan langsung menetapkan k=10.
Menetapkan k sama dengan jumlah total fitur dan menggunakan Minkowski distance.
Menggunakan k genap agar pembagian kelas seimbang dan tidak terjadi tie.
Sebuah restoran cepat saji ingin membuat rekomendasi menu baru berbasis pola pembelian: ayam, sapi, atau sayuran. Mereka ingin mengklasifikasikan pelanggan menjadi "Peminat Ayam" vs. "Peminat Menu Vegan." Jika proporsi pelanggan "Peminat Ayam" jauh lebih besar daripada "Peminat Menu Vegan," apa yang perlu diperhatikan dalam penerapan KNN?
Meningkatkan ukuran k untuk mengatasi ketidakseimbangan data.
Menghapus kelompok "Peminat Menu Vegan" supaya data menjadi seimbang.
Menjamin bahwa jarak antarfitur dihitung menggunakan label yang dominan saja.
Risiko bahwa kelas minoritas sulit terdeteksi karena tetangga terdekat didominasi kelas mayoritas.
Menggabungkan semua kelas menjadi satu supaya tidak ada ketidakseimbangan.
Sebuah aplikasi kebugaran mengumpulkan data durasi latihan, jumlah langkah harian, denyut nadi, dan waktu tidur. Model KNN ingin digunakan untuk merekomendasikan pola latihan personal. Apa langkah persiapan data yang paling sesuai?
Menghapus semua outlier agar data menjadi bersih, lalu langsung menggunakan k = 1.
Mengonversi data numerik seperti denyut nadi menjadi data kategorik ("Tinggi"/"Rendah").
Melakukan scaling pada fitur dengan rentang nilai besar, meninjau outlier, dan menentukan nilai kkk melalui validasi.
Menggabungkan semua fitur menjadi satu skor kebugaran agar memudahkan perhitungan jarak.
Tidak melakukan apapun, karena KNN adalah lazy learner yang secara otomatis menyesuaikan data.
Dalam KNN, proses classification berdasarkan kedekatan titik data baru dengan tetangga terdekat. Bagaimana Anda dapat menjelaskan peran dari pemilihan jumlah tetangga (k) dalam model ini?
Nilai k yang kecil menyebabkan model lebih tahan terhadap outlier.
Nilai k yang besar mengurangi ketergantungan pada satu data, mengurangi potensi overfitting.
Nilai k yang kecil menghasilkan model yang lebih stabil dalam pengklasifikasian data baru.
Nilai k yang besar menyebabkan model menjadi lebih sensitif terhadap data baru.
Nilai k yang sangat besar membuat model tidak dapat bekerja dengan baik pada data kategori yang kecil.
Salah satu aspek penting dalam KNN adalah menghitung jarak antar titik data. Apa pengaruh dari pemilihan metrik jarak seperti Euclidean dan Manhattan dalam proses klasifikasi?
Manhattan distance lebih tepat digunakan pada data dengan skala yang sangat berbeda.
Euclidean distance lebih baik digunakan untuk data yang tidak memiliki outlier.
Manhattan distance cenderung lebih sensitif terhadap data dengan banyak fitur.
Euclidean distance lebih cocok digunakan pada data berbentuk angka yang terdistribusi normal.
Tidak ada perbedaan antara kedua metrik dalam hal akurasi klasifikasi.
Pada dokumen disebutkan bahwa KNN adalah algoritma non-parametric. Apa konsekuensi dari sifat non-parametric ini bagi penggunaan KNN pada data yang sangat besar?
KNN cenderung lebih cepat dalam pengolahan dataset besar karena tidak memerlukan pelatihan.
Karena KNN menyimpan semua data, penggunaan memori dan waktu komputasi akan meningkat.
KNN akan otomatis mengklasifikasikan data berdasarkan nilai rata-rata setiap fitur.
KNN tidak bergantung pada ukuran dataset, karena hanya memanfaatkan data yang relevan untuk prediksi.
KNN lebih efisien dalam dataset besar karena tidak memerlukan validasi.
Berdasarkan konsep lazy learning pada KNN, apa yang akan terjadi jika Anda memilih untuk menambah jumlah data pelatihan secara signifikan tanpa memperbaiki parameter lain?
Proses pelatihan KNN akan menjadi lebih cepat.
Kinerja prediksi akan meningkat karena lebih banyak data yang tersedia.
Model KNN akan memerlukan lebih banyak memori dan waktu untuk melakukan prediksi.
Hasil prediksi akan tetap sama meskipun data pelatihan bertambah banyak.
Model KNN akan lebih akurat, tetapi hanya jika data pelatihan lebih kecil dari 1000.
Salah satu tantangan utama dalam penerapan KNN adalah memilih nilai kkk. Apa yang akan terjadi jika nilai k yang dipilih terlalu kecil atau terlalu besar?
Nilai k kecil dapat menyebabkan model terlalu general, sedangkan nilai kkk besar cenderung terlalu kompleks.
Nilai k kecil mengarah pada overfitting, sedangkan nilai kkk besar dapat menyebabkan model terlalu sederhana.
Nilai k besar menyebabkan model lebih rentan terhadap outlier, sementara nilai kkk kecil lebih stabil.
Nilai k kecil menyebabkan model lebih responsif terhadap perubahan data, sedangkan kkk besar membuat model lebih kaku.
Nilai k besar lebih efektif dalam pengklasifikasian data numerik, sementara nilai kecil cocok untuk data kategorikal.
Sebuah model KNN digunakan untuk mengklasifikasikan data pelanggan berdasarkan usia dan pengeluaran bulanan. Mana yang paling penting dilakukan sebelum menerapkan KNN pada data ini?
Menyusun ulang data agar urut berdasarkan usia pelanggan.
Menghapus data yang memiliki pengeluaran lebih dari 100 juta rupiah.
Melakukan feature scaling untuk menyesuaikan rentang nilai usia dan pengeluaran.
Menggabungkan semua data pengeluaran menjadi satu kategori umum.
Menentukan nilai kkk berdasarkan ukuran dataset, tanpa memperhatikan metrik jarak.
Jika Anda menemukan bahwa model KNN dengan k=1 memberikan akurasi tinggi pada data latih tetapi akurasi yang sangat rendah pada data uji, apa langkah terbaik untuk dilakukan?
Mengurangi ukuran dataset dan memilih nilai k=1.
Meningkatkan nilai k untuk mengurangi risiko overfitting.
Menambahkan lebih banyak fitur dalam dataset untuk meningkatkan akurasi.
Menggunakan metrik jarak yang lebih kompleks.
Menghapus data uji yang menyebabkan akurasi rendah.
Sebuah rumah sakit ingin memprediksi apakah pasien akan kembali untuk pemeriksaan berikutnya berdasarkan riwayat medis dan tingkat kepuasan sebelumnya. Apa yang perlu dipertimbangkan ketika menggunakan KNN dalam masalah ini?
Hanya menggunakan data yang lengkap, mengabaikan data yang hilang.
Melakukan feature scaling untuk variabel yang memiliki rentang nilai yang berbeda.
Menyaring pasien berdasarkan usia mereka sebelum melakukan klasifikasi.
Menggunakan hanya data kategorikal dalam model KNN.
Memilih kkk yang sangat kecil untuk menghasilkan prediksi yang lebih tepat.
Sebuah perusahaan e-commerce ingin mengklasifikasikan pengguna menjadi dua kategori: "Pembeli Baru" vs. "Pembeli Setia". Data yang tersedia mencakup frekuensi pembelian dan total pengeluaran. Apa yang perlu diperhatikan dalam penerapan KNN?
KNN lebih efektif digunakan tanpa pengolahan data terlebih dahulu.
Feature scaling diperlukan untuk membandingkan frekuensi dan total pengeluaran dengan lebih adil.
Menetapkan k=1 untuk lebih tepat dalam mengenali pola pembelian.
Hanya menggunakan data pengeluaran untuk klasifikasi, tanpa mempertimbangkan frekuensi pembelian.
Mengabaikan outlier karena KNN tidak sensitif terhadap data ekstrim.
Dalam suatu proyek pemrograman, Anda diminta menggunakan KNN untuk memprediksi jenis tanaman berdasarkan fitur lingkungan seperti suhu, kelembaban, dan intensitas cahaya. Bagaimana Anda menyiapkan data tersebut?
Tidak perlu melakukan scaling, karena data numerik sudah cukup representatif.
Mengonversi data suhu dan kelembaban menjadi kategori dengan 3 nilai: rendah, sedang, dan tinggi.
Melakukan feature scaling dan menangani outlier untuk memastikan fitur memiliki kontribusi setara.
Menghapus semua data yang memiliki kelembaban lebih dari 90% karena dianggap tidak relevan.
Menyaring data berdasarkan jenis tanaman terlebih dahulu sebelum proses klasifikasi.
Sebuah perusahaan minyak ingin memprediksi potensi produksi minyak di lokasi pengeboran baru berdasarkan data geologi dan seismik. Data yang tersedia mencakup kedalaman lapisan, jenis batuan, dan tekanan formasi. Bagaimana Anda akan mempersiapkan data untuk diterapkan menggunakan KNN?
Menggunakan data kedalaman dan tekanan formasi langsung tanpa melakukan pengolahan terlebih dahulu.
Melakukan feature scaling pada kedalaman lapisan dan tekanan formasi agar perhitungan jarak tidak didominasi oleh satu fitur.
Menghapus data yang tidak lengkap untuk menghindari kebingungan pada model.
Menggunakan satu nilai tetangga saja untuk prediksi agar hasil lebih presisi.
Mengubah data numerik menjadi kategori dan memisahkan kedalaman lapisan menjadi tiga kategori: dangkal, sedang, dan dalam.
Perusahaan geothermal ingin mengklasifikasikan reservoir panas bumi berdasarkan temperatur dan komposisi mineral. Data yang tersedia mencakup suhu reservoir, jenis mineral, dan kedalaman sumber. Bagaimana KNN dapat membantu dalam prediksi jenis reservoir yang akan menghasilkan energi geothermal yang lebih efisien?
Menggunakan KNN untuk langsung mengklasifikasikan reservoir berdasarkan kedalaman sumber tanpa mempertimbangkan suhu dan komposisi mineral.
Menggunakan KNN untuk menghitung kedalaman rata-rata dari setiap reservoir dan memprediksi energi yang dapat dihasilkan.
Melakukan feature scaling pada suhu dan kedalaman reservoir agar perhitungan jarak lebih adil antar fitur yang memiliki rentang nilai berbeda.
Mengabaikan outlier dalam data suhu dan kedalaman karena mereka tidak berpengaruh signifikan.
Menggunakan nilai k=1k agar model lebih sensitif terhadap data reservoir yang memiliki kesamaan besar dalam suhu dan kedalaman.
Sebuah perusahaan migas ingin mengklasifikasikan lokasi pengeboran minyak ke dalam dua kategori: "Potensial Tinggi" dan "Potensial Rendah". Data yang tersedia mencakup tekanan formasi, jenis batuan, dan umur lapisan geologi. Apa langkah terbaik yang perlu dilakukan sebelum menerapkan model KNN pada data ini?
Menggunakan KNN dengan k=1 tanpa melakukan pre-processing pada data.
Melakukan feature scaling pada semua fitur geologi agar hasil prediksi lebih representatif dan tidak didominasi oleh satu fitur.
Menghapus fitur usia lapisan geologi karena tidak relevan dengan klasifikasi.
Menggabungkan semua data ke dalam satu kategori umum untuk memudahkan perhitungan jarak.
Menyaring data yang memiliki tekanan formasi lebih dari 5000 psi karena dianggap tidak representatif.
Sebuah perusahaan geothermal ingin mengklasifikasikan lokasi panas bumi berdasarkan potensi produksinya: "Rendah", "Sedang", atau "Tinggi". Data yang tersedia meliputi suhu reservoir, kedalaman, dan kandungan air di reservoir tersebut. Apa yang perlu diperhatikan dalam penerapan model KNN untuk klasifikasi ini?
Menggunakan KNN untuk langsung memprediksi potensi produksi berdasarkan suhu saja.
Melakukan feature scaling pada suhu dan kedalaman reservoir agar model tidak terpengaruh oleh fitur dengan rentang nilai yang lebih besar.
Menambahkan lebih banyak fitur dengan data yang tidak relevan untuk meningkatkan akurasi model.
Menggunakan nilai k=1 untuk memastikan model lebih peka terhadap perubahan kecil dalam suhu dan kedalaman.
Mengabaikan suhu reservoir karena dianggap sudah tercermin dalam kedalaman dan kandungan air.
Pada proyek eksplorasi geotermal dan pengeboran minyak, perusahaan ingin mengidentifikasi potensi sumber daya berdasarkan data geofisika dan geokimia. Data yang tersedia termasuk suhu, tekanan, dan komposisi tanah atau batuan di area tertentu. Apa pendekatan terbaik dalam mempersiapkan data untuk penerapan KNN?
Menggunakan seluruh data tanpa melakukan penyaringan atau feature scaling, karena KNN tidak memerlukan data bersih.
Melakukan feature scaling pada suhu, tekanan, dan komposisi tanah agar hasil klasifikasi lebih tepat dan seimbang antar fitur.
Hanya menggunakan data suhu dan tekanan tanpa memperhatikan komposisi tanah karena mereka lebih relevan untuk prediksi.
Menggunakan k=10 tanpa melakukan validasi atau pengujian untuk menemukan nilai kkk terbaik.
Menghapus data yang memiliki suhu lebih tinggi dari 300°C karena dianggap tidak relevan dengan klasifikasi lokasi panas bumi.
