UTS Pembelajaran Mesin 2025

Soal text

Transkripsi dicocokkan dengan 6 halaman naskah asli.

Redaksi dirapikan untuk dibaca. Data, pilihan jawaban, dan subsoal mengikuti naskah; diagram dijelaskan dalam teks atau tabel.

UTS Pembelajaran Mesin 2025/2026 — Kode A

Kamis, 16 Oktober 2025 · 08.00–09.40 (100 menit) · Buku tertutup; boleh kalkulator tanpa internet. Isi identitas. Lingkari True/False; silang pilihan jawaban a–e langsung pada soal. Uraian dijawab lengkap dengan langkah pada folio. Kumpulkan semua lembar soal, folio, dan coretan; pelanggaran petunjuk menyebabkan nilai UTS 0.

True/False (masing-masing 2%)

Salah satu tujuan utama machine learning adalah meningkatkan kemampuan sistem membuat keputusan akurat berdasarkan data sebelumnya.
Memprediksi harga rumah berdasarkan luas, lokasi, dan jumlah kamar adalah klasifikasi supervised learning.
Error Tipe I disebut False Positive, sedangkan Error Tipe II disebut False Negative.
Overfitting terjadi ketika model gagal mempelajari pola utama data dan justru menghasilkan error besar pada data latih.
Dalam Bayesian Learning, hipotesis dengan posterior tertinggi selalu identik dengan hipotesis ber-likelihood tertinggi.

Pilihan ganda (masing-masing 2%)

6

Learning tasks, real-time decisions, skill acquisition, dan robot navigation merupakan aplikasi dari: a. Supervised Learning: Classification b. Supervised Learning: Regression c. Reinforcement Learning d. Unsupervised Learning e. Semua salah

7

Algoritma yang tidak termasuk supervised learning: a. Support Vector Machine b. Decision Tree c. Naïve Bayes d. Logistic Regression e. Principal Component Analysis

8

k=4 untuk klasifikasi biner k-NN. Tetangga terdekat terdiri dari dua kelas A dan dua kelas B. Prediksi: (i) kelas ditentukan acak; (ii) berdasarkan tetangga terdekat pertama; (iii) berdasarkan kelas dengan probabilitas tertinggi; (iv) kelas tidak dapat ditentukan.

a. (i) dan (iii) benar b. (ii) dan (iv) benar c. (i), (ii), (iii) benar d. Semua salah e. Semua benar

9

Dataset dua kelas seimbang. Pernyataan benar tentang k pada k-NN: a. k terlalu besar membuat decision boundaries tidak stabil, k terlalu kecil membuat stabil b. k terlalu besar overfitting, k terlalu kecil underfitting c. k terlalu besar underfitting, k terlalu kecil overfitting d. k terlalu besar/kecil tidak menimbulkan masalah e. Semua salah

10

Bayesian Learning menggunakan prior untuk: a. Mengabaikan evidence b. Mencerminkan keyakinan awal sebelum data c. Menghitung posterior langsung tanpa observasi data d. Menentukan distribusi Gaussian e. Menentukan probabilitas data jika kelas diketahui

11

Tujuan kernel trick pada SVM: a. Mentransformasikan permasalahan non-linier menjadi linier b. Mentransformasikan regresi menjadi klasifikasi c. Mentransformasikan data non-linearly separable menjadi linearly separable d. Mentransformasikan supervised menjadi unsupervised learning e. Mentransformasikan dimensi tinggi ke lebih rendah

12

SVM linear menemukan dua hyperplane sejajar pembatas margin maksimum. Jaraknya: a. $1/(2\lVert w\rVert)$ b. $1/\lVert w\rVert$ c. $\lVert w\rVert$ d. $2\lVert w\rVert$ e. $2/\lVert w\rVert$

13. Definisi (6%)

Jelaskan machine learning dan definisi formal matematisnya.

14. Prediksi views blog (20%)

Kembangkan algoritma memprediksi jumlah views artikel blog dari fitur seperti nama penulis dan jumlah artikel yang ditulis penulis. a. Apa task kasus tersebut? Jelaskan alasannya. b. Bagaimana pipeline pengembangannya? Sertakan teknik pembagian dataset, teknik evaluasi, dan alasan pilihan.

15. Deteksi dini kanker payudara (25%)

Dua algoritma deep learning menghasilkan model A dan B.

Prediksi	Aktual kanker (A)	Aktual sehat (A)	Aktual kanker (B)	Aktual sehat (B)
Kanker	92	18	85	8
Sehat	10	80	17	90

Tentukan model terbaik, jelaskan alasan lengkap dengan perhitungan metrik pilihan Anda.

16. Decision tree (25%)

Prediksi apakah pasien perlu tes lanjutan Yes/No berdasarkan kategori usia dan tekanan darah.

No	Usia	Tekanan darah	Tes lanjutan
1	Remaja	Normal	Tidak
2	Remaja	Tinggi	Ya
3	Dewasa	Normal	Tidak
4	Lansia	Tinggi	Ya
5	Lansia	Normal	Ya
6	Dewasa	Tinggi	Ya

Terapkan decision tree, gambar strukturnya, dan lengkapi perhitungan pembentukan tree.

Lihat naskah asli ↗

1–5. Benar/salah

1 Benar: model belajar pola dari pengalaman/data untuk tugas tertentu. 2 Salah: harga numerik adalah regresi. 3 Benar: type I = false positive, type II = false negative. 4 Salah: error latih besar karena gagal menangkap pola adalah underfitting; overfitting cocok pada latih tetapi buruk menggeneralisasi. 5 Salah: posterior proporsional likelihood × prior; prior berbeda dapat mengubah urutan hipotesis.

6–12. Pilihan ganda

6 c, reinforcement learning. 7 e, PCA umumnya unsupervised. 8 tidak ada jawaban tunggal yang ditentukan: 2–2 seri dan perlu aturan tie-break yang dinyatakan sebelumnya; acak atau tetangga terdekat dapat menjadi kebijakan, sedangkan probabilitas yang dihitung dari voting sama-sama 0,5 dan tidak menyelesaikan seri. 9 c, k besar cenderung underfit, k kecil sensitif/noisy dan dapat overfit. 10 b, prior menyatakan keyakinan sebelum observasi. 11 c, kernel menghitung inner product dalam ruang fitur yang dapat membuat pemisahan linear mungkin, tanpa jaminan untuk setiap kernel/data. 12 e, jarak dua bidang margin kanonik

2/\|w\|

13. Definisi

Pembelajaran mesin membangun fungsi/policy dari data untuk meningkatkan kinerja pada tugas. Secara formal, program belajar dari pengalaman E terhadap tugas T dan ukuran performa P bila performanya pada T, diukur oleh P, meningkat dengan E. Misalnya data historis E, prediksi views T, dan MAE pada data baru P.

14. Prediksi views

Ini regresi karena target jumlah views numerik. Kumpulkan artikel beserta fitur yang diketahui saat prediksi, validasi dan bersihkan data, bagi berdasarkan waktu menjadi train/validasi/test untuk mencegah kebocoran masa depan, fit encoding/imputasi hanya pada train, latih baseline dan model, tuning pada validasi, lalu evaluasi sekali pada test yang ditahan. Gunakan MAE untuk kesalahan absolut rata-rata dan RMSE bila kesalahan besar perlu lebih dihukum; bandingkan dengan baseline. Pastikan target dihitung pada horizon yang sama dan fitur agregat penulis hanya menggunakan informasi sebelum waktu prediksi.

15. Model kanker

Ambil kanker sebagai positif. A: TP=92, FN=10, FP=18, TN=80; recall

92/102=90,20\%

, specificity

80/98=81,63\%

, precision

92/110=83,64\%

, accuracy

172/200=86\%

. B: TP=85, FN=17, FP=8, TN=90; recall

85/102=83,33\%

, specificity

90/98=91,84\%

, precision

85/93=91,40\%

, accuracy

175/200=87,5\%

. Untuk skrining awal yang memprioritaskan mengurangi kanker terlewat, A lebih sesuai karena recall lebih tinggi dan FN lebih sedikit; B lebih baik untuk mengurangi false positive. Pilihan akhir bergantung biaya kesalahan dan validasi pada populasi relevan.

16. Decision tree

Empat Ya, dua Tidak: entropi awal

H(4/6,2/6)=0,9183

. Split BP: Tinggi (3 Ya, 0 Tidak), Normal (1 Ya, 2 Tidak), entropi tertimbang

0,5(0)+0,5(0,9183)=0,4591

, gain 0,4591. Split usia: remaja dan dewasa masing-masing (1,1), lansia (2,0), entropi tertimbang

2/3

, gain 0,2516. Pilih BP sebagai akar. Pada cabang Normal, usia memisahkan lansia = Ya dari remaja/dewasa = Tidak secara sempurna.

BP? ├─ Tinggi → Ya └─ Normal → Usia? ├─ Lansia → Ya ├─ Remaja → Tidak └─ Dewasa → Tidak

UTS Pembelajaran Mesin 2025

Soal text

UTS Pembelajaran Mesin 2025/2026 — Kode A

True/False (masing-masing 2%)

Pilihan ganda (masing-masing 2%)

6

7

8

9

10

11

12

13. Definisi (6%)

14. Prediksi views blog (20%)

15. Deteksi dini kanker payudara (25%)

16. Decision tree (25%)

1–5. Benar/salah

6–12. Pilihan ganda

13. Definisi

14. Prediksi views

15. Model kanker

16. Decision tree

Data awal