1st Quiz 2025/2026

Created onDibuat padaApril 5, 20265 April 2026

Last updated onTerakhir diperbaruiApril 5, 20265 April 2026

16 min read16 menit baca

IDensembleperceptronFFNN

ContributorsKontributor

Tim Dosen IF3270Razi Rachman Widyadhana - @zirachw

IntroductionPendahuluan Bagian I: Ensemble Learning Bagian II: Perceptron Perceptron Training Rule Batch Gradient Descent Bagian III: Feed Forward Neural Network Soal 1 [Nilai: 6]Soal 2 [Nilai: 3]Soal 3 [Nilai: 10]Soal 4 [Nilai: 12]Soal 5 [Nilai: 4]

Kuis 1 IF3270 Pembelajaran Mesin, Semester I 2025-2026.

#Link to this headingBagian I: Ensemble Learning

Diberikan model ensemble dengan 3 base classifiers untuk klasifikasi biner (kelas Yes atau No) dengan training data dan hasil prediksi setiap model pada tabel berikut.

Training data:

Data	$y$	Prediksi model-0	Prediksi model-1	Prediksi model-2
D1	No	Yes	No	No
D2	Yes	Yes	Yes	Yes
D3	Yes	Yes	Yes	Yes
D4	No	No	Yes	No

Validation data:

Data	$y$	Prediksi model-0	Prediksi model-1	Prediksi model-2
V1	No	Yes	No	No
V2	Yes	Yes	Yes	No

Test data:

Data	Prediksi model-0	Prediksi model-1	Prediksi model-2	Agregasi
T1	No	Yes	No	?

Ketika diberikan sebuah data tes T1, tentukanlah kelas dari data tes T1 tersebut sebagai hasil agregasi sesuai dengan skema ensemble berikut ini.

a. Bagging, diasumsikan ketiga base classifiers dilatih secara paralel dengan bootstrap sample yang berbeda.

b. Heterogeneous ensemble with weighting, dengan parameter voting=hard. Hint: voting=hard menyatakan Proba=False, round.

c. AdaBoost. Hint: perhitungan akurasi mempertimbangkan bobot dari setiap data (akurasi = jumlah bobot data yang diklasifikasikan benar / jumlah bobot semua data).

d. Gradient Boosting.

#Link to this headingBagian II: Perceptron

Diberikan data training yang mengandung 3 atribut masukan $x_1, x_2, x_3$ dan 1 atribut keluaran $y$ , sebagai berikut:

$x_1$	$x_2$	$x_3$	$y$
0	0.5	1	−1
−1	−0.5	−1	1
0.5	0	0.5	−1
−1	0	−0.5	1
1	−0.5	0	−1

Dengan bobot awal $w_0$ s.d. $w_3$ semuanya 0, learning rate 0.1, threshold 0.1, max iter 3, tuliskan proses pembelajaran untuk setiap iterasi untuk Perceptron Training Rule dan Batch Gradient Descent.

Encoding: kelas positif = 1, kelas negatif = −1, batas kelas positif $> 0$ .

#Link to this headingPerceptron Training Rule

#Link to this headingBatch Gradient Descent

#Link to this headingBagian III: Feed Forward Neural Network

Sebuah arsitektur backpropagation neural network dengan 2 input unit $X_1$ dan $X_2$ , ada 1 hidden layer dengan 3 unit $H_1$ , $H_2$ , dan $H_3$ , serta ada 1 output unit $Y$ . Fungsi aktivasi di hidden layer adalah Sigmoid, di output layer adalah ReLU, dan learning rate 0.25.

Diberikan satu data training $X_1 = 1$ , $X_2 = 1$ , dan target output $t = 0$ .

Aturan penamaan bobot:

Bobot bias merupakan urutan ke-0
Bobot ke hidden layer adalah $v[m][n]$ , dengan $m$ adalah tujuan dan $n$ adalah asal. Contoh $v_{12}$ adalah bobot ke $H_1$ dari $X_2$ .
Bobot ke output layer adalah $w[m][n]$ , dengan $m$ adalah tujuan dan $n$ adalah asal. Contoh $w_{10}$ adalah bobot ke $Y$ dari bias.

Nilai bobot awal:

	$v_{10}$	$v_{11}$	$v_{12}$	$v_{20}$	$v_{21}$	$v_{22}$	$v_{30}$	$v_{31}$	$v_{32}$	$w_{10}$	$w_{11}$	$w_{12}$	$w_{13}$
Nilai	−0.3	0.2	0.3	0.3	0.3	0.1	0.3	−0.1	−0.1	−0.1	0.5	−0.3	−0.4

#Link to this headingSoal 1 [Nilai: 6]

Gambarkan arsitektur FFNN secara eksplisit sesuai spesifikasi.

#Link to this headingSoal 2 [Nilai: 3]

Tentukan banyaknya parameter yang perlu dipelajari. Tuliskan angka yang terlibat dan tidak hanya hasil akhir saja.

#Link to this headingSoal 3 [Nilai: 10]

Tentukan nilai semua neuron pada hidden layer, dan nilai output $Y$ .

#Link to this headingSoal 4 [Nilai: 12]

Tentukan nilai error term di setiap neuron pada hidden dan output layer.

#Link to this headingSoal 5 [Nilai: 4]

Tentukan nilai update bobot untuk neuron pada output layer.

Reinforcement Learning

1st Quiz 2024/2025

Backlinks

IF3270 - Machine Learning