UAS Pengenalan Pola 2026

Soal text

Transkripsi dicocokkan dengan 3 halaman naskah asli.

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

UAS Pengenalan Pola 2025/2026

Kamis, 11 Juni 2026 · 08.00–09.40 WIB (100 menit) · Cheat sheet satu A4, tidak bolak-balik. Tuliskan NIM/nama; dilarang bekerja sama.

1. Dataset pasien jantung (40%)

ID pasien	Umur	Kolestrol	Detak maks	Tekanan darah	Sakit
DTM-001	45	188	162	118	0
DTM-002	38	172	170	112	0
DTM-003	52	210	0	124	0
DTM-004	69	291	108	161	0
DTM-005	47	0	158	120	1
DTM-006	0	207	148	130	0
DTM-007	33	165	174	108	0
DTM-008	71	0	111	164	1
DTM-009	41	199	161	119	0
DTM-010	50	183	153	122	0
DTM-011	36	158	179	104	0
DTM-012	60	221	143	135	0
DTM-013	44	201	156	121	1
DTM-014	39	177	168	115	0
DTM-015	67	285	0	158	0

Masing-masing8: a. Jelaskan masalah pengenalan pola yang dapat dibentuk, jenis task ML, dan alasannya. b. Tentukan fitur, atribut bukan fitur, target klasifikasi. c. Identifikasi missing value/nilai tidak valid dan penanganannya. d. Jelaskan preprocessing sebelum pelatihan. e. Jelaskan strategi pelatihan dan pemilihan model klasifikasi.

2. Multimodal (20%)

Tiap pasien soal 1 mempunyai CT-scan grayscale 256×256. a. (10) Rancang arsitektur klasifikasi multimodal tabular+citra untuk menentukan penyakit. b. (10) Jelaskan input citra, ekstraksi fitur citra, input tabular, penggabungan fitur, output/pengklasifikasi akhir.

3. Evaluasi (40%)

Prediksi15 pasien;0=tidak terindikasi,1=terindikasi penyakit.

ID	Ground truth	KNN	Decision Tree	Logistic Regression
DTM-016	0	0	0	0
DTM-017	0	0	0	0
DTM-018	0	0	1	0
DTM-019	0	0	0	0
DTM-020	0	1	1	0
DTM-021	0	0	0	0
DTM-022	0	0	0	0
DTM-023	1	1	0	0
DTM-024	0	0	0	0
DTM-025	0	0	0	0
DTM-026	0	0	0	0
DTM-027	0	0	1	0
DTM-028	1	1	1	1
DTM-029	0	0	0	0
DTM-030	1	0	0	0

Masing-masing8: a. Susun confusion matrix tiap model. b. Tentukan minimal tiga metrik yang sesuai. c. Hitung tiap metrik untuk tiap model. d. Interpretasikan evaluasi tiap model dengan memperhatikan metrik. e. Tentukan model terbaik untuk deteksi penyakit.

Lihat naskah asli ↗

1. Data pasien

Prediksi Sakit 0/1 adalah klasifikasi biner supervised, karena tiap contoh memiliki label. Fitur kandidat: umur, kolesterol, detak maksimal, tekanan darah; ID hanya identifier untuk menjaga pemisahan pasien, bukan fitur prediktif; Sakit adalah target. Nilai nol yang mencurigakan: detak maksimal DTM-003 dan DTM-015, kolesterol DTM-005 dan DTM-008, umur DTM-006. Periksa sumber untuk menentukan apakah salah input/missing; jangan otomatis menyimpulkan penyebabnya. Bila tidak dapat dipulihkan, ubah menjadi missing dan imputasi misalnya median dari data pelatihan, dengan indikator missing bila bermanfaat.

Pisahkan pasien dahulu, cek duplikat dan kebocoran, lakukan imputasi dan standardisasi dengan parameter fit pada train saja, serta jaga distribusi label. Dataset hanya 15 pasien dengan 3 positif: gunakan validasi silang terstratifikasi yang layak untuk jumlah positif yang sangat sedikit, baseline, dan evaluasi eksternal yang lebih besar; estimasi akan sangat tidak pasti. Bandingkan model sederhana seperti logistic regression teratur, KNN, dan decision tree menggunakan recall, precision, F1, serta specificity, bukan accuracy saja. Tentukan threshold berdasarkan tujuan dan biaya kesalahan dalam validasi.

2. Arsitektur multimodal

Citra CT grayscale 256×256 masuk cabang CNN/encoder pretrained yang sesuai, diikuti pooling untuk vektor fitur. Fitur tabular yang telah diimputasi dan distandardisasi masuk MLP kecil. Gabungkan kedua vektor (concatenation), lalu dense teratur dan sigmoid menghasilkan probabilitas kelas 1. Latih dengan binary cross entropy dan validasi per pasien/lokasi; augmentasi citra hanya pada train dan harus menjaga makna klinis. Data 15 pasien jauh terlalu kecil untuk mendukung klaim model klinis yang andal; diperlukan data dan evaluasi eksternal yang memadai.

3. Confusion matrix dan metrik

Baris aktual 0/1, kolom prediksi 0/1. Dari 15 baris tabel:

Model	TN	FP	FN	TP	Accuracy	Precision	Recall	F1
KNN	11	1	1	2	0,8667	0,6667	0,6667	0,6667
Decision Tree	9	3	2	1	0,6667	0,2500	0,3333	0,2857
Logistic Regression	12	0	2	1	0,8667	1,0000	0,3333	0,5000

Accuracy = (TP+TN)/15; precision = TP/(TP+FP); recall = TP/(TP+FN); F1 = 2TP/(2TP+FP+FN). KNN dan logistic sama accuracy, tetapi KNN menangkap 2 dari 3 positif sementara logistic hanya 1; logistic tidak menghasilkan false positive pada sampel kecil ini. Untuk deteksi dini yang mengutamakan recall, KNN lebih baik dari ketiga hasil ini, dengan satu false negative dan satu false positive. Hanya tiga pasien positif membuat kesimpulan sangat tidak stabil dan bukan bukti klinis umum.

1 / 3

KNN

Dua dari tiga positif terdeteksi; satu positif terlewat.

TN	FP	FN	TP
11	1	1	2

Langkah

Pembahasan ditulis independen oleh belajar.myudak, bukan kunci jawaban resmi. Soal asli tetap milik pengampu mata kuliah dan ditampilkan langsung dari arsip Google Drive.