Worksheetspostes kka TKR 25
Total questions: 51
Worksheet time: 26mins
Langkah pertama dalam Berpikir Komputasional di mana masalah yang kompleks dipecah menjadi bagian-bagian yang lebih kecil dan lebih mudah diatasi disebut...
Decomposition (Dekomposisi)
Algorithm Design (Desain Algoritma)
Abstraction (Abstraksi)
Pattern Recognition (Pengenalan Pola)
Generalization (Generalisasi)
Setelah masalah dipecah, proses mengidentifikasi kesamaan, tren, atau keteraturan di antara bagian-bagian masalah atau antar masalah yang berbeda adalah...
Pattern Recognition
Refactoring
Debugging
Abstraction
Decomposition
Kemampuan untuk menyaring informasi yang tidak penting dan fokus pada detail yang relevan dan esensial dalam suatu masalah disebut...
Abstraction
Algorithm Design
Decomposition
Debugging
Pattern Recognition
Tahap dalam Berpikir Komputasional di mana solusi langkah demi langkah (prosedur) untuk menyelesaikan masalah dikembangkan adalah...
Algorithm Design
Decomposition
Implementation
Abstraction
Pattern Recognition
Dalam membuat aplikasi navigasi GPS, mengabaikan warna mobil atau modelnya dan hanya berfokus pada titik koordinat lokasi saat ini dan tujuan adalah contoh dari...
Abstraksi
Algoritma
Pattern Recognition
Generalisasi
Decomposition
Representasi algoritma yang menggunakan simbol-simbol grafis untuk menggambarkan urutan langkah dan alur kontrol dari suatu program disebut...
Flowchart
Source Code
Natural Language
Binary Code
Pseudocode
Tujuan utama dari Berpikir Komputasional adalah...
Meningkatkan kemampuan pemecahan masalah secara terstruktur dan logis.
Menciptakan kecerdasan buatan (AI) yang canggih.
Menghasilkan kode program yang paling efisien.
Menghasilkan kode program yang paling efisien.
Mengubah semua tugas manusia menjadi otomatisasi.
secara berurutan dalam memori, yang biasanya diakses menggunakan indeks numerik, disebut sebagai...
Array
Linked List
Stack
Tree
Queue
Salah satu manfaat utama menerapkan Berpikir Komputasional dalam kehidupan sehari-hari adalah...
Menyederhanakan tugas-tugas kompleks dengan memecahnya menjadi langkah-langkah yang jelas.
Meningkatkan kecepatan mengetik di keyboard.
Memungkinkan seseorang untuk mengoperasikan perangkat keras komputer lebih baik.
Membuat semua keputusan berdasarkan perhitungan matematis murni.
Menghafal lebih banyak informasi dalam waktu singkat.
Ketika seseorang hanya berfokus pada fungsionalitas tombol 'Print' di komputer tanpa memikirkan bagaimana printer bekerja di dalamnya, ia sedang menerapkan konsep...
Abstraction
Pattern Recognition
Algorithmic thinking
Debugging
Decomposition
Salah satu ciri penting dari algoritma yang baik adalah...
Langkah-langkahnya jelas, terbatas (berakhir), dan menghasilkan output yang benar untuk setiap input yang valid.
Selalu menggunakan teknik rekursif untuk pemecahan masalah.
Selalu menghasilkan output berupa angka.
Hanya dapat dipahami oleh komputer, bukan manusia.
Harus ditulis dalam bahasa pemrograman tertentu.
Representasi algoritma yang menggunakan bahasa yang mirip dengan bahasa pemrograman tetapi tidak terikat pada sintaks spesifik, melainkan menggunakan bahasa sehari-hari atau notasi matematika, disebut...
Pseudocode
Flowchart
Program Code
Markup Language
Data Structure
Menyusun jadwal pelajaran harian yang efisien, mulai dari bangun tidur hingga tidur kembali, dengan urutan kegiatan yang jelas dan terstruktur, dapat dianggap sebagai penerapan dari konsep...
Algorithm Design
Clustering
Abstraksi
Decomposition
Pattern Recognition
Setelah menemukan pola (Pattern Recognition) dari masalah-masalah kecil, langkah selanjutnya yang efektif untuk mempermudah perancangan solusi adalah...
Algorithm Design
Clustering
Abstraksi
Decomposition
Pattern Recognition
Orange Data Mining dikenal sebagai alat visual yang berfokus pada apa?
Eksplorasi data, machine learning, dan visualisasi data interaktif.
Pengembangan aplikasi web dan mobile.
Pembuatan grafis dan desain 3D.
Pemrograman berbasis teks murni.
Manajemen database relasional skala besar.
Dalam antarmuka Orange, area di mana Anda menyeret, menjatuhkan, dan menghubungkan widget untuk membuat alur kerja analisis data disebut...
Canvas atau Workflow Canvas
Data Table
Output Window
Widget Panel
Settings Menu
Widget yang paling umum digunakan untuk memuat data dari file lokal untuk dianalisis di Orange adalah...
File
Data Table
Scatter Plot
Save
Test & Score
Widget untuk mengimpor file CSV atau Excel ke dalam alur kerja Orange adalah...
File
Data Table
Model
Select Columns
Test & Score
Dalam alur kerja Orange, garis atau koneksi yang menghubungkan widget menunjukkan aliran...
Data dan/atau Model
Waktu eksekusi
Sinyal listrik
Instruksi pemrograman tingkat rendah
Perintah SQL
Widget yang paling sesuai untuk visualisasi data guna melihat distribusi nilai atribut individual dalam dataset adalah...
Distributions
Test & Score
Scatter Plot
Table
Box Plot
Dalam tahap pra-pemrosesan data (preprocessing), tujuan utama dari Normalisasi (Normalization) data adalah...
Menyesuaikan semua nilai atribut numerik agar memiliki skala yang sama, biasanya antara 0 dan 1 atau rata-rata 0 dan standar deviasi 1.
Menghitung metrik kinerja model machine learning.
Menghilangkan nilai yang hilang (missing values) dari dataset.
Mengurangi jumlah dimensi (kolom) dalam dataset.
Mengubah tipe data atribut non-numerik menjadi numerik.
Widget Orange yang memungkinkan pengguna untuk secara eksplisit mendefinisikan atribut mana yang akan menjadi 'Feature', 'Target', 'Meta', atau 'Unused' adalah...
Select Columns
Discretize
Sieve
Select Rows
Data Table
Jika sebuah dataset memiliki banyak baris dengan nilai yang hilang (missing values), widget Impute dapat digunakan untuk mengatasinya dengan cara...
Mengganti nilai yang hilang dengan nilai lain, seperti rata-rata (mean), median, atau nilai yang paling sering muncul (modus).
Membuat prediksi nilai hilang menggunakan model machine learning lain.
Membuat visualisasi khusus untuk nilai yang hilang.
Secara otomatis mengubah semua nilai numerik menjadi kategori.
Menghapus semua baris yang mengandung nilai hilang.
Urutan widget yang paling logis untuk membangun alur kerja klasifikasi dasar (supervised learning) di Orange adalah...
File → (Preprocessing) → Model(s) → Test & Score → Results (e.g., Confusion Matrix)
Test & Score → Model → File → Data Table
File → Test & Score → Model → Scatter Plot
Model → Data Table → File → Test & Score
File → Data Table → Test & Score → Model
Widget yang termasuk dalam kategori 'Model' dan dikenal karena menghasilkan seperangkat aturan yang mudah diinterpretasikan berbentuk pohon adalah...
Decision Tree
Logistic Regression
Random Forest
Linear Regression
k-Means
Widget 'Test & Score' di Orange Data Mining berfungsi untuk...
Mengevaluasi kinerja satu atau lebih model machine learning pada dataset dengan berbagai skema pengujian.
Mengubah data kategori menjadi data numerik.
Membuat visualisasi interaktif dari dataset mentah.
Memuat file data dari internet (URL).
Memilih kolom (fitur) yang paling penting secara otomatis.
Salah satu metrik evaluasi yang paling umum dan mudah dipahami, yang dihitung dalam widget Test & Score, adalah rasio prediksi benar dari total prediksi, yang dikenal sebagai...
Accuracy (Akurasi)
Recall (Sensitivitas)
Precision (Presisi)
Area Under Curve (AU)
F1-Score
Dalam konteks evaluasi model klasifikasi, widget 'ROC Analysis' digunakan untuk...
Menunjukkan trade-off antara True Positive Rate dan False Positive Rate pada berbagai ambang batas klasifikasi.
Menghitung koefisien korelasi antar fitur.
Mengukur sensitivitas model terhadap nilai yang hilang.
Membandingkan distribusi atribut numerik.
Melatih model Random Forest.
Jika Anda ingin memvisualisasikan potensi hubungan, pengelompokan (clustering), atau outliers antara dua variabel numerik dalam dataset, widget yang paling tepat adalah...
Scatter Plot
Line Plot
Data Table
Heat Map
Box Plot
Dalam supervised learning (pembelajaran terarah) di Orange, 'Target Variable' adalah atribut yang...
Diprediksi atau diklasifikasikan oleh model.
Digunakan sebagai input (fitur) untuk melatih model.
Selalu dihapus selama pra-pemrosesan data.
Hanya digunakan untuk visualisasi data, bukan pemodelan.
Digunakan untuk mengidentifikasi baris data (seperti ID atau nama).
Pada visualisasi Scatter Plot, jika titik-titik data menunjukkan pola yang rapat dan terkumpul di beberapa lokasi berbeda, ini dapat mengindikasikan adanya...
Adanya pengelompokan alami (clusters) dalam data.
Hubungan linear yang kuat antar variabel.
Nilai yang hilang (missing values) dalam dataset.
Kebutuhan untuk normalisasi data.
Data yang terdistribusi secara normal.
Dalam output 'Confusion Matrix' di Orange, nilai-nilai yang terletak pada diagonal utama (dari kiri atas ke kanan bawah) merepresentasikan...
Kasus-kasus yang berhasil diprediksi dengan benar oleh model (True Positives dan True Negatives).
Jumlah total data dalam dataset.
Kasus-kasus di mana prediksi model salah total (Error Rate).
Tingkat ketidakseimbangan kelas (class imbalance).
Nilai yang hilang dalam data input.
Contoh widget dalam Orange yang digunakan untuk Unsupervised Learning (pembelajaran tak terarah) adalah...
k-Means
Test & Score
Linear Regression
Logistic Regression
Prediction
Untuk menambahkan fungsionalitas lanjutan di Orange Data Mining, seperti alat untuk Text Mining atau Image Analytics, pengguna harus menginstal...
Add-ons (Ekstensi)
Widget Dashboard
Source Code
Dalam tugas klasifikasi (seperti memprediksi apakah seorang pelanggan akan 'Beli' atau 'Tidak Beli'), tipe data yang paling sesuai untuk variabel Target adalah...
Kategori atau Nominal (Categorical/Nominal)
Waktu (Time)
Teks Bebas (Free Text)
ID atau Meta
Numerik Kontinu (Continuous Numerical)
Fungsi utama dari widget 'Impute' di Orange Data Mining adalah...
Mengganti nilai yang hilang dalam dataset dengan nilai yang dihitung (seperti mean, median).
Melakukan visualisasi interaktif dari hasil clustering.
Menghitung metrik evaluasi model seperti Akurasi dan F1-Score.
Mengubah data numerik menjadi data kategori (binning).
Mengekstraksi fitur (feature) baru dari data mentah.
Langkah pertama dalam Berpikir Komputasional yang fokus pada memecah masalah kompleks menjadi sub-masalah yang lebih kecil dan mudah dikelola adalah...
Dekomposisi
Abstraksi
Pengenalan pola
Algoritma
Proses mengidentifikasi kesamaan, tren, atau pola yang berulang dari masalah-masalah yang sudah dipecah disebut...
Pengenalan pola
Abstraksi
Dekomposisi
Algoritma
Kemampuan untuk menyaring informasi yang tidak penting dan hanya berfokus pada detail yang esensial dalam merumuskan solusi adalah...
Abstraksi
Dekomposisi
Pengenalan pola
Algoritma
Serangkaian instruksi atau langkah-langkah yang terstruktur, jelas, dan terbatas yang digunakan untuk menyelesaikan masalah disebut...
Algoritma
Dekomposisi
Abstraksi
Pengenalan pola
Selain algoritma, tujuan utama yang ingin dicapai melalui penerapan Berpikir Komputasional adalah meningkatkan kemampuan...
Pemecahan masalah
Menghafal sintaks
Mengumpulkan data mentah
Mendesain antarmuka
Representasi algoritma yang menggunakan simbol-simbol grafis standar (seperti oval, persegi, dan belah ketupat) untuk menunjukkan alur proses adalah...
Flowchart (Diagram Alir)
Pseudocode
Mockup
Blueprint
Representasi algoritma yang menggunakan bahasa deskriptif mirip bahasa pemrograman tetapi tidak memiliki sintaks formal dan ditujukan agar mudah dibaca manusia disebut...
Pseudocode
Flowchart
Script produksi
Spesifikasi antarmuka
Ketika pola yang ditemukan dari masalah spesifik diterapkan untuk memecahkan masalah-masalah serupa di masa depan, proses ini dikenal sebagai...
Generalisasi
Verifikasi
Eksekusi
Kompilasi
Salah satu ciri penting dari algoritma adalah harus selalu berakhir setelah sejumlah langkah. Ciri ini disebut...
Keterhinggaan (Finiteness)
Deterministik
Portabilitas
Kompleksitas waktu
Dalam konteks pemrograman, ketika pengguna hanya perlu tahu cara menggunakan suatu fungsi tanpa perlu memahami detail kode di dalamnya (konsep 'black box'), hal ini merupakan penerapan dari...
Abstraksi
Debugging
Optimasi
Enkripsi
Bayangkan kamu ingin membuat jus buah. Pilih urutan tahapan berpikir komputasional yang paling tepat untuk menyelesaikan tugas ini.
Dekomposisi → Pengenalan pola → Abstraksi → Algoritma
Algoritma → Abstraksi → Dekomposisi → Pengenalan pola
Pengenalan pola → Dekomposisi → Algoritma → Abstraksi
Abstraksi → Algoritma → Pengenalan pola → Dekomposisi
Kamu sering mengalami macet saat berangkat ke sekolah. Strategi berpikir komputasional manakah yang paling tepat agar perjalanan lebih efisien?
Menganalisis rute menjadi bagian-bagian, mengidentifikasi pola kemacetan, menyaring faktor kunci (waktu dan rute), lalu menyusun langkah memilih rute terbaik.
Menghafal semua nama jalan di kota tanpa menganalisis datanya.
Menggunakan satu rute yang sama setiap hari tanpa memperhatikan kondisi lalu lintas.
Mengandalkan tebakan keberangkatan tanpa data atau pola.
Kamu diminta membuat jadwal belajar harian. Pendekatan berpikir komputasional yang paling efektif adalah...
Mendekomposisi kegiatan harian, mengenali pola waktu fokus, mengabstraksi faktor utama, lalu membuat algoritma penjadwalan.
Memilih waktu acak tanpa mempertimbangkan aktivitas harian.
Meniru jadwal teman tanpa menilai kebutuhan sendiri.
Hanya menulis daftar mata pelajaran tanpa urutan atau durasi.
Kamu sedang di gunung bersama teman-teman. Kompor portable hanya bisa digunakan 2 kali. Rencana yang paling efisien dengan tahapan berpikir komputasional untuk membuat secangkir teh hangat adalah...
Mendekomposisi tugas (memanaskan air, menyeduh), mengenali pola kebutuhan, mengabstraksi batasan penggunaan kompor, lalu membuat algoritma urutan pemanasan agar semua mendapat teh dengan dua kali penggunaan.
Menyalakan kompor setiap kali seseorang ingin teh tanpa memperhatikan batasan.
Membawa kompor tambahan tanpa perencanaan dan data.
Mengabaikan batasan kompor dan berharap cukup.
Sebutkan 4 Pilar berpikir komputasional yang benar.
Dekomposisi, Pengenalan pola, Abstraksi, Algoritma
Debugging, Kompilasi, Enkripsi, Paralelisasi
Perancangan UI, Dokumentasi, Deploy, Monitoring
Pengujian, Integrasi, Backup, Restore
