Final Exam 2023/2024

UAS IF3270 Pembelajaran Mesin, Semester II 2023-2024. Sifat: Individu, tutup buku & tutup catatan. Boleh menggunakan kalkulator (selain dari mobile devices).

#Link to this headingBagian I: FFNN

Sebuah dataset terdiri atas 2 fitur $(x, y)$ dengan setiap instance memiliki multi-label. Untuk melakukan hampiran fungsi yang mepresentasikan dataset, dibuat jaringan saraf tiruan (Artificial Neural Network) FFNN. Arsitektur yang dibuat terdiri atas 1 hidden layer dan terdapat 2 neuron pada hidden layer. Output layer terdiri atas 2 neuron.

Aturan penamaan:

• Input terdiri atas $x$ dan $y$
• Neuron di hidden layer diberi nama $h_x$, dengan $x$ dimulai dari 1 untuk neuron pertama di hidden layer
• Neuron di output layer diberi nama $o_x$, dengan $x$ dimulai dari 1 untuk neuron pertama di output layer
• Bobot di seluruh jaringan diberi nama $w_x$, dengan $x$ dimulai dari 1
• Variabel tambahan lain jika diperlukan silakan diberi nama unik

#Link to this headingSoal 1 [Nilai: 4]

Gambarkanlah arsitektur dari FFNN tersebut dengan lengkap menggunakan explicit style.

#Link to this headingSoal 2 [Nilai: 2]

Dari jawaban soal nomor 1, berapa banyak parameter yang perlu dipelajari dalam arsitektur tersebut?

#Link to this headingSoal 3 [Nilai: 10]

Jika diketahui sebuah instance untuk arsitektur FFNN jawaban nomor 1 sebagai berikut:

dengan semua bobot bernilai masing-masing 0.2, hitunglah nilai output untuk semua neuron di hidden layer, dan nilai output untuk semua neuron di output layer. Fungsi aktivasi semuanya menggunakan fungsi aktivasi sigmoid. Harus dituliskan semua angka yang terlibat dalam formula penghitungan.

#Link to this headingSoal 4

Berdasarkan soal dan jawaban nomor 3, hitung:

#Link to this headinga. Error term ($\delta$) pada neuron output pertama

#Link to this headingb. Error term ($\delta$) pada neuron output kedua

#Link to this headingc. Error term ($\delta$) pada hidden neuron pertama

#Link to this headingd. Update bobot (bobot baru) yang menghubungkan hidden neuron pertama ke output neuron pertama, jika learning rate: 0.1

#Link to this headingBagian II: SVM

#Link to this headingSoal 1 [Nilai: 25]

Diketahui data mahasiswa di sebuah universitas, yang terdiri atas ID mahasiswa ($x_1$), jenis kelamin ($x_2$), usia ($x_3$), nilai akhir ($x_4$), dan jumlah kehadiran per semester ($x_5$). Data disajikan sebagai berikut:

Manajemen universitas ingin mengelompokkan mahasiswa tersebut menjadi dua kelompok: 1 dan -1 (kolom $y$). Untuk menyederhanakan masalah, data yang digunakan untuk pengelompokan tersebut adalah kolom nilai akhir ($x_4$) dan jumlah kehadiran per semester ($x_5$). Pengelompokan tersebut dilakukan dengan menggunakan algoritma SVM. Dari hasil perhitungan QP Solver, diperoleh data mahasiswa yang menjadi support vector adalah data IF002, IF003, dan IF005.

a. Hitunglah nilai alpha dari ketiga support vector tersebut, beserta nilai biasnya. [Nilai: 15]

b. Lakukan prediksi kelas untuk 2 data mahasiswa berikut: [Nilai: 10]

Tuliskan juga langkah perhitungan untuk kedua subsoal tersebut.

#Link to this headingSoal 2 [Nilai: 10]

Diketahui sebuah sistem yang digunakan untuk mengklasifikasikan jenis penyakit pada daun tanaman berdasarkan data berikut:

Sistem ini menggunakan algoritma SVM untuk mengklasifikasikan jenis penyakit pada daun tanaman berdasarkan empat fitur. Algoritma SVM yang digunakan harus dapat menangani lebih dari dua kelas, yaitu Penyakit A, Penyakit B, dan Penyakit C.

a. Metode multi-class SVM mana yang lebih tepat digunakan? [Nilai: 5]

b. Jelaskan alasan anda. [Nilai: 5]

#Link to this headingBagian III: Clustering

#Link to this headingSoal 1

Diketahui data pelanggan dari sebuah warung online yang berisi jumlah transaksi produk makanan dan jumlah transaksi produk kebersihan sebagai berikut:

Jika kita akan melakukan clustering berdasarkan kedekatan dari jumlah transaksi produk makanan dan produk kebersihan dan akan kita bagi menjadi 3 cluster menggunakan algoritma K-means, dengan initial cluster adalah pelanggan B, E, dan H sebagai centroid, menggunakan jarak euclidean distance, maka setelah melakukan 2 iterasi:

#Link to this headinga. [Nilai: 7]

Tuliskan anggota dari ketiga cluster tersebut.

#Link to this headingb. [Nilai: 2]

Pada iterasi kedua tuliskan berapa nilai centroid cluster 1, centroid cluster 2, dan centroid cluster 3.

#Link to this headingSoal 2 [Nilai: 16]

Dari setiap pernyataan berikut ini, tentukan apakah pernyataan tersebut benar atau salah. Jika salah, tuliskan bagaimana pernyataan yang seharusnya. Jika benar, tuliskan alasannya.

a. K-Medoids clustering umumnya membutuhkan waktu yang lebih singkat daripada K-Means.

b. Centroid dari suatu cluster pada teknik K-Means adalah nilai tengah dari kumpulan data yang ada pada cluster tersebut, jadi mungkin bukan data yang ada pada dataset training.

c. Dalam DBSCAN, sebuah cluster mungkin saja berisi border point saja tanpa core point.

d. Pada Agglomerative clustering, penggunaan single linkage dapat memberikan hasil yang lebih baik daripada complete linkage.

e. Pada MST (Minimum Spanning Tree)-based Clustering, pembentukan cluster dilakukan bersamaan dengan proses pembentukan minimum spanning tree, dengan menghapus sisi yang jaraknya paling besar.

f. Pengukuran validitas hasil clustering selalu dapat dilakukan dengan External Index, Internal Index, dan Relative Index.

g. Cluster Cohesion (WSS) dihitung dengan mengukur jarak antara setiap titik dalam cluster dengan titik tengah cluster.

h. Jika nilai Silhouette Coefficient suatu hasil clustering bernilai 0.1 berarti terjadi overlapping antara cluster yang cukup tinggi.

#Link to this headingSoal 3 [Nilai: 10]

Seorang AI Engineer melakukan clustering terhadap dataset berukuran 793 baris dengan 2 metode K-Means dan DBSCAN. Banyaknya cluster yang didapat adalah 3 cluster yaitu cluster 1, 2, 3. Dataset tersebut sudah berlabel dengan 3 kelas A, B, dan C. Hasil clustering selengkapnya sebagai berikut:

Hasil K-Means Clustering:

Hasil DBSCAN:

a. Ukurlah validitas dari hasil clustering K-Means dalam metrik Entropy dan Purity. [Nilai: 3]

b. Ukur juga validitas dari hasil clustering DBSCAN dalam metrik Entropy dan Purity. [Nilai: 3]

c. Bandingkan kedua hasil clustering dengan menggunakan kedua metrik dan tentukan mana yang lebih baik. [Nilai: 4]