NEW
Font size
WorksheetsQuiz tentang Machine Learning Workflow
Total questions: 60
Worksheet time: 30mins
Apa yang dimaksud dengan machine learning workflow dalam pengembangan model AI?
Serangkaian langkah terstruktur dalam membangun model AI
Proses pengumpulan data tanpa analisis
Hanya proses deployment model AI
Langkah acak tanpa urutan tertentu
Mengapa penting memiliki workflow yang jelas dalam proses machine learning?
Agar tidak tersesat di tengah banyaknya konsep yang ada
Supaya model AI bisa berjalan tanpa data
Untuk mempercepat proses deployment saja
Agar model AI bisa digunakan tanpa pelatihan
Tahapan apa saja yang biasanya terdapat dalam machine learning workflow?
Mendefinisikan masalah, deployment, dan pemeliharaan model
Hanya deployment saja
Pengumpulan data tanpa analisis
Pemeliharaan model tanpa deployment
Bagaimana memahami setiap langkah dalam workflow dapat membantu dalam membangun model AI?
Memberikan gambaran menyeluruh tentang perjalanan data dari awal hingga akhir
Membuat model AI menjadi lebih lambat
Mengurangi jumlah data yang digunakan
Menghilangkan kebutuhan untuk deployment
Apa fungsi utama peta dalam konteks perjalanan menurut teks di atas?
Sebagai alat untuk mengukur jarak
Sebagai panduan dan alat navigasi
Sebagai media komunikasi
Sebagai alat untuk mencatat sejarah
Menurut Aurélien Géron dalam bukunya, bagaimana langkah-langkah dalam workflow machine learning dijalankan?
Secara acak tanpa urutan tertentu
Dengan mengikuti langkah-langkah sistematis dari mendefinisikan masalah hingga menerapkan model
Hanya dengan satu langkah saja
Dengan mengabaikan proses penerapan model
Jelaskan secara singkat mengapa analogi peta digunakan untuk menjelaskan workflow machine learning dalam teks tersebut.
Karena peta dan workflow sama-sama berbentuk gambar
Karena peta dan workflow sama-sama memberikan arah dan panduan untuk mencapai tujuan secara efisien dan aman
Karena peta lebih mudah dipahami daripada workflow
Karena workflow tidak membutuhkan panduan
Apa langkah pertama dalam alur kerja machine learning menurut diagram yang ditampilkan?
Data Collecting
Model Training
Deployment
Monitoring
Dua alasan penting memahami data dan masalah dalam machine learning adalah:
Agar data bisa dihapus dengan mudah dan cepat
Untuk memilih alat dan teknik yang tepat serta mencapai tujuan machine learning
Supaya model tidak perlu diuji lagi
Untuk menghindari penggunaan data yang valid
Jika kamu ingin memperkaya pengetahuan dasar tentang machine learning, mengapa mempelajari semua langkah dari nol sangat dianjurkan?
Karena akan sangat membantu dalam proyek-proyek di masa depan
Supaya bisa langsung melewati tahap evaluasi
Agar tidak perlu memahami data sama sekali
Untuk menghindari penggunaan alat dan teknik yang tepat
Sumber data apa yang dapat digunakan jika kamu bekerja di perusahaan?
Database internal
Media sosial
Situs web diskusi
Survei online
Mengapa pemilihan data yang tepat sangat penting dalam membangun model machine learning?
Karena data yang tepat meningkatkan keamanan
Karena data yang tepat menentukan kualitas model yang dibangun
Karena data yang tepat mengurangi biaya
Karena data yang tepat membuat proses lebih cepat
Platform apa yang menyediakan dataset siap pakai untuk analisis dan proyek machine learning, serta memungkinkan pengguna menjelajahi kompetisi dan belajar dari proyek-proyek orang lain?
Kaggle
Yelp
SurveyMonkey
Apa fungsi utama dari API (Application Programming Interface) dalam pengambilan data?
Memudahkan akses data dari platform tertentu
Mengumpulkan opini publik dari media sosial
Mendapatkan data dari survei online
Menyimpan data di database
Sebutkan salah satu contoh platform media sosial yang dapat digunakan untuk mengumpulkan opini publik melalui scraping tools atau API!
Kaggle
Yelp
SurveyMonkey
Mengapa penting untuk selalu memeriksa kebijakan situs saat melakukan web scraping pada situs web atau forum diskusi?
Untuk memastikan tidak melanggar aturan situs
Agar data lebih cepat diambil
Supaya data bisa langsung diolah
Agar bisa menggunakan API gratis
Jika data yang tersedia dirasa kurang, metode apa yang bisa digunakan untuk mendapatkan data tambahan secara langsung dari responden?
Survei dan kuesioner
API
Media sosial
Database management system
Manakah pernyataan yang benar mengenai penggunaan API untuk analisis sentimen di Twitter dan persiapan yang diperlukan sebelum mengakses data tersebut?
Pengguna perlu memahami pemrograman dan autentikasi menggunakan kunci API sebelum mengakses data Twitter untuk analisis sentimen.
Pengguna hanya perlu login ke akun Twitter tanpa autentikasi untuk mendapatkan data sentimen.
Pengguna bisa mendapatkan hasil analisis sentimen tanpa autentikasi hanya dengan mengisi survei di Twitter.
Pengguna tidak perlu memahami pemrograman atau autentikasi untuk mengakses database Twitter.
Apa yang dimaksud dengan "Penggunaan Skrip Otomatis" dalam pengambilan data dari situs web?
Membuat script menggunakan Python untuk mengambil data dari API dan menyimpan dalam format terstruktur
Mengambil data secara manual dari situs web
Menggunakan Excel untuk mengolah data
Menggunakan aplikasi mobile untuk mengakses data
Salah satu library yang dapat digunakan untuk web scraping di Python adalah...
BeautifulSoup
TensorFlow
Matplotlib
Scikit-learn
Mengapa penting memastikan data yang dikumpulkan bersih dari duplikasi?
Untuk menghindari bias dalam analisis data
Agar data lebih banyak
Supaya data lebih berwarna
Untuk mempercepat proses pengambilan data
Apa kepanjangan dari EDA dalam analisis data?
Exploratory Data Analysis
Experimental Data Analysis
Explanatory Data Analysis
External Data Analysis
Apa tujuan utama dari proses Exploratory Data Analysis (EDA)?
Memahami struktur dan pola dalam data
Mengumpulkan data mentah
Membuat model prediksi
Menghapus data yang tidak relevan
Bagaimana EDA dapat membantu seorang engineer dalam proyek machine learning?
Memastikan dasar proyek machine learning kuat dan siap melangkah ke tahap berikutnya
Mengurangi jumlah data yang harus dianalisis
Menghasilkan laporan keuangan
Menghapus semua data yang tidak penting
Bagaimana ExDA mendukung kesimpulan yang dihasilkan dari analisis data?
Dengan menggunakan visualisasi yang terarah dan narasi yang kuat
Dengan mengumpulkan data baru
Dengan mengabaikan data yang tidak relevan
Dengan melakukan eksperimen tambahan
Apa tujuan utama dari Explanatory Data Analysis (ExDA)?
Mengumpulkan data mentah
Membuat laporan yang menjelaskan faktor-faktor yang memengaruhi keputusan bisnis
Menghapus data yang tidak relevan
Melatih model machine learning
Pada tahap EDA, apa yang biasanya ditemukan dalam data?
Pola tak terduga atau anomali
Hasil akhir laporan
Data yang sudah diproses
Grafik sederhana
Apa yang dimaksud dengan data preprocessing dalam konteks machine learning?
Proses mengumpulkan data mentah tanpa modifikasi
Proses membersihkan dan mempersiapkan data mentah agar siap digunakan oleh model machine learning
Proses membuat model machine learning dari data mentah
Proses menguji hasil prediksi dari model machine learning
Salah satu langkah dalam data preprocessing adalah menangani data yang hilang. Apa istilah yang digunakan untuk data yang hilang dalam dataset?
Outliers
Imputasi
Missing values
Median
Teknik imputasi dalam menangani data yang hilang pada dataset dilakukan dengan cara:
Mengganti nilai yang hilang dengan nilai lain seperti mean/rata-rata atau median
Menghapus seluruh dataset yang memiliki data hilang
Mengganti data hilang dengan data dari dataset lain
Mengubah data hilang menjadi data gambar
Apa yang dimaksud dengan outliers dalam analisis data?
Nilai yang sangat berbeda dari mayoritas data lainnya
Nilai yang selalu berada di tengah data
Nilai yang tidak pernah berubah
Nilai yang selalu sama dengan rata-rata
Outliers dapat memengaruhi kinerja model karena dapat menyebabkan model tidak akurat. Manakah di antara berikut ini yang merupakan dua cara untuk menangani outliers?
Menghapus atau mentransformasi data
Menambah outliers atau mengabaikan data
Menggandakan data atau mengurangi data
Membiarkan saja atau menghapus semua data
Apa yang dimaksud dengan normalisasi dalam proses feature scaling pada machine learning?
Mengubah skala data sehingga berada dalam rentang tertentu, biasanya antara 0 dan 1.
Mengubah data sehingga memiliki distribusi dengan rata-rata 0 dan standar deviasi 1.
Mengubah data kategorikal menjadi data numerik.
Menghapus data yang tidak relevan dari dataset.
Mengapa encoding variabel kategorikal diperlukan dalam model machine learning?
Karena model machine learning hanya dapat bekerja dengan data numerik.
Karena model machine learning hanya dapat bekerja dengan data gambar.
Karena model machine learning tidak membutuhkan data kategorikal.
Karena model machine learning hanya dapat bekerja dengan data teks.
Perbedaan utama antara Label Encoding dan One-Hot Encoding dalam pengolahan data kategori adalah...
Label Encoding menghasilkan label numerik, sedangkan One-Hot Encoding menghasilkan kolom biner terpisah.
Label Encoding menghasilkan kolom biner, sedangkan One-Hot Encoding menghasilkan label numerik.
Label Encoding digunakan untuk data numerik, sedangkan One-Hot Encoding untuk data teks.
Label Encoding menghapus kategori, sedangkan One-Hot Encoding menambah kategori.
Mengapa tahap pembangunan model sangat penting dalam machine learning?
Karena mempengaruhi seberapa baik model bekerja di dunia nyata
Karena hanya digunakan untuk menyimpan data
Karena dapat mempercepat proses encoding
Karena mengurangi jumlah data yang digunakan
Berapa persen biasanya data dialokasikan untuk Training Set (Data Latih)?
10-20%
70-80%
40-50%
90-100%
Apa fungsi utama dari Test Set (Data Uji) dalam proses pelatihan model?
Untuk melatih model menemukan pola
Untuk mengevaluasi akurasi prediksi pada data baru
Untuk mengatur hyperparameter
Untuk menggabungkan data latih dan data uji
Evaluasi pada data uji penting dalam proses pelatihan model karena...
data uji membantu model belajar pola baru
data uji memastikan model dapat memprediksi data yang belum pernah dilihat sebelumnya
data uji digunakan untuk mengatur input dan output
data uji membuat dataset menjadi lebih besar
Jika menggunakan data validasi, berapa jumlah data validasi yang diambil dari total 1200 data?
200 data
300 data
900 data
100 data
Apa tujuan utama dari validation set dalam proses machine learning?
Menguji perubahan parameter tanpa menggunakan data uji
Melatih model dengan data baru
Mengumpulkan data dari sumber eksternal
Menghapus data yang tidak relevan
Perbedaan utama antara pembagian data dengan dan tanpa data validasi dalam machine learning adalah...
Dengan data validasi, data latih berkurang dan ada data validasi khusus; tanpa data validasi, semua data selain data uji digunakan untuk pelatihan.
Dengan data validasi, semua data digunakan untuk pelatihan; tanpa data validasi, data uji dihilangkan.
Dengan data validasi, data uji lebih banyak; tanpa data validasi, data validasi lebih banyak.
Dengan data validasi, data latih lebih banyak; tanpa data validasi, data validasi lebih sedikit.
Apa yang dimaksud dengan supervised learning?
Pembelajaran yang menggunakan data tanpa label
Pembelajaran yang menggunakan data dengan label atau target yang jelas
Pembelajaran yang hanya menggunakan data input tanpa output
Pembelajaran yang tidak memetakan hubungan antara input dan output
Teknik machine learning mana yang digunakan untuk melakukan prediksi nilai kontinu?
Classification
Regression
Clustering
Association
Pada supervised learning, apa yang dipelajari oleh model dari data latih?
Hubungan antara input dan output
Hanya fitur input saja
Hanya output saja
Hubungan antara data tanpa label
Manakah dari berikut ini yang merupakan contoh fitur input dalam supervised learning?
Harga rumah
Luas rumah
Waktu penjualan
Lokasi penjualan
Jika sebuah model machine learning digunakan untuk menentukan kelompok dalam data, teknik apa yang digunakan?
Regression
Clustering
Feature Extraction
Anomaly Detection
Mengapa supervised learning dapat melakukan prediksi pada data baru?
Karena model hanya menghafal data latih
Karena model memetakan hubungan antara input dan output
Karena model tidak menggunakan label
Karena model hanya menggunakan output
Apa yang dimaksud dengan metode klasifikasi dalam machine learning?
Metode untuk mengelompokkan data ke dalam kategori atau label tertentu
Metode untuk memprediksi nilai kontinu dari data input
Metode untuk mengelompokkan data tanpa label
Metode untuk mengoptimalkan algoritma tanpa data
Manakah contoh kasus penggunaan klasifikasi dalam machine learning?
Menentukan apakah email adalah spam atau bukan spam
Memprediksi harga rumah berdasarkan fitur
Mengelompokkan data tanpa label
Menghitung rata-rata nilai dari dataset
Salah satu algoritma populer untuk klasifikasi adalah K-Nearest Neighbors (KNN). Apa yang dilakukan oleh KNN?
Membandingkan data baru dengan data terdekat dalam dataset
Membuat pohon keputusan berdasarkan fitur
Menggabungkan beberapa pohon keputusan
Mencari garis lurus terbaik untuk prediksi
Jelaskan perbedaan utama antara Decision Tree dan Random Forest dalam algoritma klasifikasi.
Decision Tree menggunakan satu pohon keputusan, sedangkan Random Forest menggabungkan beberapa pohon keputusan untuk prediksi yang lebih akurat
Decision Tree membandingkan data baru dengan data terdekat, sedangkan Random Forest mencari garis lurus terbaik
Decision Tree digunakan untuk regresi, sedangkan Random Forest hanya untuk klasifikasi
Decision Tree menggunakan regularisasi, sedangkan Random Forest tidak
Linear Regression digunakan untuk apa dalam supervised learning?
Mencari garis lurus terbaik untuk memprediksi nilai kontinu
Mengelompokkan data ke dalam kategori tertentu
Menggabungkan beberapa pohon keputusan
Membandingkan data baru dengan data terdekat
Jika sebuah model digunakan untuk memprediksi harga rumah berdasarkan fitur seperti luas rumah, jumlah kamar, dan lokasi, metode apa yang digunakan?
Regresi
Klasifikasi
Clustering
Decision Tree
Apa tujuan utama dari unsupervised learning?
Untuk memprediksi nilai output berdasarkan label
Untuk menemukan pola tersembunyi, kelompok, atau struktur dalam data
Untuk mengklasifikasikan data berdasarkan kategori yang sudah diketahui
Untuk mengurangi jumlah data tanpa mempertahankan informasi penting
Manakah dari berikut ini yang merupakan contoh kasus unsupervised learning?
Prediksi harga rumah
Clustering (Pengelompokan) dan Dimensionality Reduction (Pengurangan Dimensi)
Klasifikasi email spam
Regresi linear
Apa fungsi utama dari teknik PCA (Principal Component Analysis) dalam unsupervised learning?
Mengelompokkan data ke dalam beberapa cluster
Mengubah fitur-fitur yang ada menjadi komponen baru agar analisis lebih efisien
Mencari titik pusat (centroid) dari data
Mengidentifikasi outlier dalam dataset
Algoritma K-Means dalam unsupervised learning digunakan untuk:
Mengelompokkan data berdasarkan kepadatan titik data
Membentuk struktur hierarki dari data
Mencari titik pusat (centroid) dan mengelompokkan data ke dalam cluster berdasarkan jarak terdekat dengan centroid
Mengurangi jumlah fitur dalam dataset
Algoritma Hierarchical Clustering membentuk cluster dari data dengan cara:
Mencari centroid dan mengelompokkan data berdasarkan jarak terdekat
Mengelompokkan data berdasarkan kepadatan titik data
Membentuk struktur hierarki dan membuat cluster berulang kali dari data yang paling mirip hingga seluruh data tergabung dalam satu cluster besar
Mengubah fitur-fitur menjadi komponen baru
Apa perbedaan utama antara supervised learning dan unsupervised learning dalam proses pelatihan model machine learning?
Supervised learning menghubungkan fitur dengan output, sedangkan unsupervised learning mencari struktur tersembunyi.
Supervised learning hanya menggunakan data tanpa label, sedangkan unsupervised learning menggunakan data berlabel.
Supervised learning tidak memerlukan data, sedangkan unsupervised learning memerlukan data.
Supervised learning selalu menghasilkan hasil yang akurat, sedangkan unsupervised learning tidak.
