NEW
Font size
S
M
L
XL
WorksheetsUTS Kecerdasan Buatan
Total questions: 75
Worksheet time: 38mins
Name
Class
Date
1.
Apa yang dimaksud dengan agen dalam konteks masalah pencarian AI?
a)
Program komputer yang hanya menerima input
b)
Entitas yang memahami lingkungan dan melakukan aksi
c)
Fungsi matematika untuk menghitung probabilitas
d)
Struktur data untuk menyimpan node
2.
Manakah yang *bukan* komponen masalah pencarian?
a)
State space
b)
Goal test
c)
Neural network
d)
Transition model
3.
Fungsi `Actions(s)` dalam pencarian AI bertujuan untuk:
a)
Menghitung biaya jalur
b)
Mengembalikan semua aksi yang mungkin dari state `s`
c)
Mengecek apakah state adalah tujuan
d)
Menyimpan node yang sudah dieksplorasi
4.
Depth-First Search (DFS) menggunakan struktur data:
a)
Queue (FIFO)
b)
Stack (LIFO)
c)
Priority queue
d)
Linked list
5.
Kelebihan utama Breadth-First Search (BFS) adalah:
a)
Selalu menemukan solusi optimal
b)
Membutuhkan memori lebih sedikit daripada DFS
c)
Lebih cepat untuk masalah dengan banyak cabang
d)
Tidak memerlukan goal test
6.
Manakah contoh heuristic function yang digunakan dalam Greedy Best-First Search?
a)
Jumlah node dalam frontier
b)
Jarak Manhattan ke tujuan
c)
Depth dari node
d)
Biaya aktual dari root node
7.
A* Search menggabungkan:
a)
`g(n)` dan `h(n)`
b)
`h(n)` dan depth
c)
Biaya node acak
d)
Hanya `g(n)`
8.
Syarat heuristik `h(n)` agar A* optimal adalah:
a)
Harus melebih-lebihkan biaya sebenarnya
b)
Harus admissible dan consistent
c)
Tidak boleh digunakan dalam game
d)
Hanya berlaku untuk DFS
9.
Dalam Minimax, nilai `+1` menunjukkan:
a)
Kemenangan minimizer
b)
Kemenangan maximizer
c)
Kondisi seri
d)
State awal
10.
Fungsi `Utility(s)` pada Minimax digunakan untuk:
a)
Menghitung semua aksi yang mungkin
b)
Memberi nilai pada state terminal
c)
Menentukan giliran pemain
d)
Memangkas cabang pohon
11.
Alpha-Beta Pruning bertujuan untuk:
a)
Menambah jumlah node yang dieksplorasi
b)
Mengurangi komputasi dengan memotong cabang tidak relevan
c)
Mengganti fungsi heuristik
d)
Menghapus frontier
12.
Depth-Limited Minimax digunakan ketika:
a)
Game terlalu sederhana
b)
Pohon permainan terlalu besar (e.g., catur)
c)
Tidak ada lawan
d)
Hanya ada satu solusi
13.
Manakah contoh masalah yang cocok untuk DFS?
a)
Mencari rute terpendek di peta
b)
Menyelesaikan labirin dengan jalur bercabang
c)
Bermain catur
d)
Menghitung probabilitas
14.
BFS lebih cocok digunakan untuk:
a)
Permainan dengan aturan kompleks
b)
Mencari solusi dengan biaya minimal
c)
Mengeksplorasi jaringan saraf
d)
Memproses bahasa alami
15.
Dalam Tic Tac Toe, Minimax mensimulasikan:
a)
Hanya langkah pemain saat ini
b)
Semua kemungkinan permainan hingga akhir
c)
Hanya 2 langkah ke depan
d)
Nilai heuristic saja
16.
Apakah DFS selalu menghasilkan solusi optimal?
a)
Ya, karena mengeksplorasi semua jalur
b)
Tidak, karena mungkin menemukan solusi non-optimal lebih dulu
c)
Hanya jika menggunakan heuristic
d)
Hanya dalam game
17.
Apakah heuristic `h(n)` dalam A* harus konsisten untuk menjamin optimalitas?
a)
Ya, konsistensi adalah syarat wajib
b)
Tidak, cukup admissible saja
c)
Hanya untuk game sederhana
d)
Hanya jika menggunakan BFS
18.
Apakah Alpha-Beta Pruning meningkatkan kecepatan Minimax tanpa mengubah hasil?
a)
Ya, dengan memotong cabang yang tidak perlu
b)
Tidak, hasil akhir akan berbeda
c)
Hanya bekerja pada DFS
d)
Hanya untuk heuristic tertentu
19.
Mengapa BFS membutuhkan lebih banyak memori daripada DFS?
a)
Karena menyimpan semua node di level saat ini
b)
Karena menggunakan struktur data stack
c)
Karena tidak memiliki goal test
d)
Karena hanya untuk game
20.
Bagaimana fungsi evaluasi membantu Depth-Limited Minimax?
a)
Dengan memberi perkiraan nilai state non-terminal
b)
Dengan menghapus node yang sudah dieksplorasi
c)
Dengan menggantikan fungsi utility
d)
Dengan mengubah aturan permainan
21.
Apa yang dimaksud dengan "knowledge-based AI"?
a)
AI yang hanya mengandalkan data statistik
b)
AI yang menggunakan representasi pengetahuan untuk bernalar
c)
AI tanpa kemampuan pembelajaran
d)
AI khusus untuk game
22.
Manakah contoh representasi pengetahuan dalam AI?
a)
Neural network
b)
Decision tree
c)
Gambar mentah
d)
File teks biasa
23.
Dalam logika proposisional, simbol `¬` berarti:
a)
Dan (AND)
b)
Atau (OR)
c)
Tidak (NOT)
d)
Implikasi
24.
Manakah yang *bukan* operator logika proposisional?
a)
`∧`
b)
`∨`
c)
`→`
d)
`∑`
25.
Jika `P` bernilai True dan `Q` bernilai False, nilai `P ∨ Q` adalah:
a)
True
b)
False
c)
Tidak terdefinisi
d)
Error
26.
Proses inferensi dalam AI bertujuan untuk:
a)
Menghapus pengetahuan lama
b)
Menurunkan kesimpulan baru dari pengetahuan yang ada
c)
Mengacak data input
d)
Membuat grafik
27.
Manakah yang merupakan metode inferensi?
a)
Depth-First Search
b)
Resolution
c)
Backpropagation
d)
K-means clustering
28.
Perbedaan utama logika orde pertama dengan proposisional adalah:
a)
Menggunakan variabel dan kuantifier
b)
Hanya bekerja dengan angka
c)
Tidak bisa merepresentasikan hubungan
d)
Lebih cepat dihitung
29.
Simbol `∀` dalam logika orde pertama berarti:
a)
Ada beberapa
b)
Untuk semua
c)
Tidak ada
d)
Atau
30.
Manakah yang cocok untuk merepresentasikan hubungan keluarga?
a)
Decision tree
b)
Graph
c)
Array 1D
d)
Fungsi linear
31.
Contoh pengetahuan deklaratif adalah:
a)
"Jika hujan, maka tanah basah"
b)
Cara mengendarai sepeda
c)
Gerakan refleks
d)
Pola gambar
32.
Sistem berbasis aturan terdiri dari:
a)
Input dan output saja
b)
Kumpulan aturan "if-then"
c)
Neural network dalam lapisan
d)
Fungsi matematika kompleks
33.
Kelemahan sistem berbasis aturan adalah:
a)
Tidak bisa menangani pengetahuan implisit
b)
Terlalu cepat
c)
Tidak memerlukan pengetahuan
d)
Hanya untuk game
34.
Model checking digunakan untuk:
a)
Memverifikasi kebenaran sistem berbasis pengetahuan
b)
Menggambar grafik
c)
Meningkatkan kecepatan komputasi
d)
Menghapus aturan
35.
Manakah aplikasi yang menggunakan knowledge-based AI?
a)
Sistem diagnosa medis
b)
Generator gambar acak
c)
Kalkulator sederhana
d)
Pemutar musik
36.
Jika diketahui: "Semua manusia fana" (Premis 1) "Socrates adalah manusia" (Premis 2) Maka kesimpulannya:
a)
Socrates fana
b)
Socrates abadi
c)
Tidak bisa disimpulkan
d)
Socrates adalah dewa
37.
Diketahui `A → B` dan `¬B`, maka:
a)
`A` harus True
b)
`A` harus False
c)
Tidak ada hubungan
d)
`B` harus True
38.
Manakah yang menunjukkan kontradiksi?
a)
`P ∧ ¬P`
b)
`P ∨ ¬P`
c)
`P → P`
d)
`P ∨ Q`
39.
Dalam logika orde pertama, "Ada beberapa x yang memenuhi P(x)" ditulis sebagai:
a)
`∀x P(x)`
b)
`∃x P(x)`
c)
`¬P(x)`
d)
`P(x) ∧ Q(x)`
40.
Jika knowledge base berisi `{A, A → B}`, maka dengan inferensi modus ponens didapat:
a)
`B`
b)
`¬A`
c)
`A ∧ B`
d)
`B → A`
41.
Probabilitas dalam AI digunakan untuk:
a)
Mengganti semua sistem berbasis logika
b)
Memodelkan ketidakpastian dalam informasi
c)
Menghindari penggunaan data
d)
Membuat grafik yang kompleks
42.
Jika P(A) = 0.3, maka P(¬A) adalah:
a)
0.7
b)
0.3
c)
Tidak terdefinisi
43.
Rumus probabilitas bersyarat P(A|B) didefinisikan sebagai:
a)
P(A) + P(B)
b)
P(A ∧ B) / P(B)
c)
P(B) / P(A)
d)
P(A) × P(B)
44.
Jika P(Hujan) = 0.2 dan P(Payung|Hujan) = 0.9, berapa P(Hujan ∧ Payung)?
a)
0.18
b)
0.11
c)
1.1
d)
0.9
45.
Teorema Bayes digunakan untuk:
a)
Menghitung rata-rata data
b)
Memperbarui probabilitas berdasarkan evidence baru
c)
Menggambar distribusi normal
d)
Menghapus data outlier
46.
Rumus Teorema Bayes adalah:
a)
P(A|B) = P(B|A) × P(A) / P(B)
b)
P(A|B) = P(A) + P(B)
c)
P(A|B) = P(A) × P(B)
d)
P(A|B) = P(B) / P(A)
47.
Variabel acak diskrit adalah:
a)
Variabel yang hanya bisa mengambil nilai tertentu
b)
Variabel yang selalu berubah-ubah
c)
Variabel dengan nilai kontinu
d)
Variabel tanpa distribusi
48.
Dua kejadian A dan B independen jika:
a)
P(A|B) = P(A)
b)
P(A) = P(B)
c)
P(A ∧ B) = 0
d)
P(A) + P(B) = 1
49.
Model Bayesian Network menggambarkan:
a)
Hubungan kausal antar variabel acak
b)
Struktur neural network
c)
Algoritma pencarian
d)
Fungsi utility dalam game
50.
Manakah yang *bukan* komponen Bayesian Network?
a)
Node (variabel acak)
b)
Edge (hubungan kausal)
c)
Tabel probabilitas bersyarat
d)
Fungsi aktivasi
51.
Inferensi probabilistik digunakan untuk:
a)
Menghitung probabilitas query given evidence
b)
Mengacak distribusi data
c)
Menghapus node dari network
d)
Membuat grafik acak
52.
Metode inferensi *enumeration*:
a)
Menghitung semua kemungkinan nilai variabel
b)
Mengabaikan evidence
c)
Hanya bekerja untuk variabel diskrit
d)
Tidak melibatkan probabilitas
53.
Sampling dalam probabilitas bertujuan untuk:
a)
Mendekati nilai probabilitas melalui simulasi
b)
Menghapus data yang tidak perlu
c)
Mengubah distribusi
d)
Membuat grafik
54.
Manakah aplikasi yang menggunakan probabilitas?
a)
Sistem rekomendasi film
b)
Sorting algoritma
c)
Binary search
d)
Perhitungan matematika deterministik
55.
Dalam diagnosa medis, probabilitas digunakan untuk:
a)
Memperkirakan penyakit berdasarkan gejala
b)
Menghapus riwayat pasien
c)
Menggambar organ tubuh
d)
Menentukan harga obat
56.
Tujuan utama algoritma optimisasi dalam AI adalah:
a)
Mencari solusi terbaik dari sekumpulan kemungkinan
b)
Mengurangi kompleksitas komputasi
c)
Menghasilkan model statistik
d)
Meminimalkan penggunaan memori
57.
Perbedaan utama Local Search dengan algoritma pencarian sebelumnya:
a)
Tidak mempertimbangkan jalur, hanya solusi akhir
b)
Selalu menghasilkan solusi global optimum
c)
Membutuhkan pengetahuan keadaan awal
d)
Hanya bekerja untuk masalah diskrit
58.
Kelemahan utama Hill Climbing:
a)
Rentan terjebak di local maxima
b)
Kompleksitas waktu eksponensial
c)
Membutuhkan memori besar
d)
Tidak bisa diterapkan pada masalah kontinu
59.
Jika Hill Climbing mencapai keadaan dimana semua tetangga lebih buruk:
a)
Itu adalah global maximum
b)
Algoritma restart otomatis
c)
Terjadi plateau
d)
Algoritma berhenti
60.
Simulated Annealing terinspirasi dari:
a)
Pembekuan logam
b)
Gerak brownian
c)
Peluruhan radioaktif
d)
Termodinamika
61.
Fungsi parameter T (temperature) dalam Simulated Annealing:
a)
Mengontrol probabilitas menerima solusi lebih buruk
b)
Menentukan jumlah iterasi
c)
Mempercepat konvergensi
d)
Memilih tetangga secara acak
62.
Linear Programming mengharuskan fungsi objektif dan constraints bersifat:
a)
Linear
b)
Kuadratik
c)
Diskrit
d)
Non-deterministik
63.
Solusi optimal dalam Linear Programming selalu terletak di:
a)
Titik sudut feasible region
b)
Tengah feasible region
c)
Luar feasible region
d)
Setiap titik di garis constraint
64.
Unsur utama Constraint Satisfaction Problems (CSP)
a)
Variabel, Domain, Constraints
b)
Node, Edge, Weight
c)
State, Action, Transition
d)
Input, Output, Fungsi
65.
Backtracking Search dalam Constraint Satisfaction Problems (CSP) dilakukan dengan:
a)
Mencoba assignment variabel satu per satu
b)
Menghasilkan semua solusi sekaligus
c)
Menggunakan heuristik lokal
d)
Menghilangkan constraints redundan
66.
AC-3 Algorithm digunakan untuk:
a)
Arc Consistency
b)
Mencari solusi awal
c)
Optimasi fungsi objektif
d)
Reduksi domain variabel
67.
Minimum Remaining Values (MRV) adalah heuristik untuk:
a)
Memilih variabel domain tersedikit
b)
Memilih nilai paling sering muncul
c)
Menghindari backtracking
d)
Meminimalkan jumlah constraints
68.
Contoh constraint penjadwalan kuliah (dosen sama):
a)
Unary constraint
b)
Binary constraint
c)
Global constraint
d)
Soft constraint
69.
Solusi optimal untuk 5x + 3y dengan x + y ≤ 10:
a)
x=10, y=0
b)
x=0, y=10
c)
x=5, y=5
d)
x=7, y=3
70.
Genetic Algorithms terinspirasi dari:
a)
Evolusi biologis
b)
Fisika kuantum
c)
Pembelajaran statistik
d)
Jaringan saraf
71.
Perbedaan Local Beam Search dengan Hill Climbing:
a)
Menyimpan beberapa keadaan sekaligus
b)
Menggunakan fungsi heuristik
c)
Selalu menerima solusi lebih baik
d)
Tidak perlu evaluasi keadaan
72.
Simulated Annealing bisa keluar dari local maxima:
a)
Benar
b)
Salah
c)
-
d)
-
73.
Constraint Satisfaction Problems (CSP) hanya bisa diselesaikan dengan Backtracking Search:
a)
Benar
b)
Salah
c)
-
d)
-
74.
Masalah N-Queens adalah contoh:
a)
CSP
b)
Linear Programming
c)
Genetic Algorithm
d)
Simulated Annealing
75.
Traveling Salesman Problem (TSP) dapat dioptimasi dengan:
a)
Semua jawaban benar
b)
Hanya Hill Climbing
c)
Hanya Genetic Algorithms
d)
Hanya Linear Programming
Reset
