Midterm Exam 2023/2024

UTS IF3270 Pembelajaran Mesin, Semester II 2023-2024. Tanggal 28 Maret 2024, 100 menit, tutup buku & tutup catatan.

#Link to this headingBagian I: Pengantar, Logistic Regression

#Link to this headingSoal 1 [Nilai: 10]

Tentukan tipe pembelajaran sistem ini berdasarkan feedback dan berdasarkan proses pembelajaran. Tuliskan juga alasan jawaban tersebut.

Sistem A: Sebuah sistem perawatan kesehatan mobile Oralytics memberikan notifikasi kepada pengguna untuk meningkatkan perilaku sikat giginya. Pada pagi hari, sistem dapat memberikan notifikasi atau tidak, tergantung kondisi user. Kemudian sistem akan melakukan pengamatan selama seharian. Pada malam hari sistem juga akan memutuskan memberikan notifikasi atau tidak kepada user, tergantung hasil pengamatan. Keputusan akan memberikan notifikasi atau tidak diberikan berdasarkan waktu saat itu dan kondisi penyikatan gigi terakhir. Sistem juga akan memberikan reward atas kualitas penyikatan gigi user, yang ditangkap menggunakan sensor khusus.

Sistem B: Pap smear merupakan salah satu metode untuk melakukan deteksi dini dari kanker leher rahim. Sebuah sistem menggunakan metode segmentasi dan analisis citra sel Pap smear menggunakan algoritma K-means agar sel sitoplasma, sel nukleus, dan sel radang dapat tersegmentasi secara otomatis. Hasil analisis tekstur dan fitur area digunakan untuk membangun model yang dapat mengelompokkan citra sel menjadi kelas sel sitoplasma, sel nukleus, atau sel radang.

#Link to this headingSoal 2

Seorang data engineer akan melakukan eksperimen pembelajaran mesin untuk imbalanced dataset dengan proporsi kelas positif sebanyak 250 instances, dan kelas negatif 11.750 instances. Eksperimen dilakukan dengan strategi grid-search terhadap 4 faktor dengan 3 nilai masing-masing faktor, serta dengan skema 10-fold cross validation.

#Link to this headinga. [Nilai: 4]

Jelaskanlah bagaimana skema 10-fold cross validation untuk data 12 ribu instances yang diberikan.

#Link to this headingb. [Nilai: 3]

Jelaskanlah berapa kombinasi nilai faktor yang dilakukan pada eksperimen ini.

#Link to this headingc. [Nilai: 3]

Pilihlah sebuah strategi penanganan imbalanced dataset dan tentukanlah ukuran dataset dari hasil strategi penanganan tersebut.

#Link to this headingSoal 3 [Nilai: 10]

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

Seorang mahasiswa melakukan proses pembelajaran dengan Logistic Regression. Berikut hasil pembaharuan bobot per instance yang dilakukan:

Bobot akhir $(w_0, w_1, w_2)$ adalah $(1.243873, 1.028086, 0.70176)$.

Apakah proses pembelajaran di atas sudah benar? Jika tidak, sebutkan letak kesalahannya. Jelaskan jawaban Anda.

#Link to this headingBagian II: DTL, FFNN

#Link to this headingSoal 1-4: Decision Tree

Tabel dataset $S$ berikut ini digunakan untuk menjawab soal nomor 1 hingga nomor 4.

Keterangan:

• Nilai ? menandakan missing value
• $A_1$ memiliki 2 kemungkinan nilai ($v_{1\_1}$, $v_{1\_2}$)
• $A_2$ memiliki 4 kemungkinan nilai ($v_{2\_1}$ hingga $v_{2\_4}$)
• Terdapat dua kelas (Y, N)

#Link to this heading1. [Nilai: 5]

Jika missing value pada instance 6 dibiarkan tetap kosong, hitung entropi dari dataset $S$. Tuliskan formula lengkap dengan angka yang terlibat, tidak perlu menghitung hasil akhirnya.

#Link to this heading2. [Nilai: 5]

Jika missing value pada instance 6 dibiarkan tetap kosong, hitung Gain dari atribut $A_1$. Tuliskan formula lengkap dengan angka yang terlibat, tidak perlu menghitung hasil akhirnya.

#Link to this heading3. [Nilai: 5]

Jika atribut $A_1$ terpilih menjadi akar pohon, gambarkan hasil pencabangan untuk akar tersebut, dan tuliskan kumpulan instance yang ada di tiap cabang pohon.

#Link to this heading4. [Nilai: 5]

Jika missing value untuk $A_1$ diisi dengan $v_{1\_1}$, dan semua kelas untuk seluruh enam instance pada dataset $S$ adalah Y, bagaimana pohon yang terbentuk? Tidak perlu dilakukan penghitungan, cukup definisikan hasilnya tanpa algoritma ID3.

#Link to this headingSoal 5 [Nilai: 7]

Gambarkan arsitektur FFNN dengan spesifikasi berikut:

• Input layer memiliki 1 fitur $x$ dan 1 bias
• Hidden layer 1 memiliki 1 neuron dan 1 bias
• Hidden layer 2 memiliki 2 neuron dan 1 bias
• Output layer memiliki 1 neuron

Neuron di input layer diberi nama $x$. Neuron di hidden layer 1 diberi nama $h1x$. Neuron di hidden layer 2 diberi nama $h2x$. Neuron di output layer diberi nama $ox$. Bobot di seluruh jaringan diberi nama $wx$.

#Link to this headingSoal 6 [Nilai: 13]

Jika semua neuron pada hidden layer menggunakan fungsi aktivasi ReLU, dan neuron pada output layer menggunakan fungsi aktivasi sigmoid, tentukan formula forward propagation lengkap dari input hingga output, beserta semua variabel/bobot yang terlibat.

#Link to this headingBagian III: Perceptron dan Gradient Descent

Diberikan tabel dataset yang mengandung 3 atribut masukan $x_1, x_2, x_3$ dan 1 atribut keluaran $y$:

#Link to this heading1. [Nilai: 15]

Lakukan proses pembelajaran menggunakan Perceptron sebanyak 2 iterasi untuk mendapatkan bobot akhir $w_0$ s.d $w_3$, jika digunakan: bobot awal $w_0$ s.d $w_3$ sebesar 0, nilai bias 1, learning rate 0.2 dan fungsi aktivasi sign.

#Link to this heading2. [Nilai: 15]

Lakukan proses perhitungan Stochastic Gradient Descent sebanyak 2 iterasi jika digunakan bobot awal $w_0$ s.d $w_3$ sebesar 0, learning rate 0.2, $\theta$ (error threshold) = 0.01 dan fungsi aktivasi linear. Berikan bobot akhir dari $w_0$ s.d $w_3$.