RNN Exercises

Created onDibuat pada
Last updated onTerakhir diperbarui
9 min read9 menit baca
IDRNNdeep-learningdata-science
ContributorsKontributor
Razi Rachman Widyadhana - @zirachw
IntroductionPendahuluanSoal 1Soal 2Soal 3Soal 4Soal 5Soal 6Soal 7Soal 8Soal 9Soal 10Soal 11Soal 12Soal 13

Latihan Recurrent Neural Network (RNN) dari kuis IF3270 Pembelajaran Mesin, April 2026.

#Link to this headingSoal 1

Perhatikan beberapa pernyataan berikut.

  1. Memiliki forward link
  2. Menggunakan sharing parameter
  3. Sharing parameter dilakukan melalui sequence
  4. Menangani aspek urutan pada data

Pernyataan yang benar tentang RNN adalah:

a. 1, 2, 3, 4

b. 1, 2, 3

c. 1, 2

d. 1

#Link to this headingSoal 2

Perhatikan beberapa pernyataan berikut.

  1. Data teks kalimat
  2. Data ucapan (speech)
  3. Sekuens data pada interval waktu yang seragam
  4. Sekuens kejadian pada interval waktu yang seragam

Contoh data yang dapat ditangani oleh RNN adalah:

a. 1, 2, 3, 4

b. 1, 2, 3

c. 1, 2

d. 1

#Link to this headingSoal 3

RNN bersifat neuron dependent, artinya:

a. sangat tepat digunakan untuk data sekuensial

b. hasil untuk setiap time step bergantung pada nilai hidden state timestep sebelumnya

c. memungkinkan penyaluran informasi antar neuron pada lapisan yang berdekatan

d. menggunakan forward dan backward link

#Link to this headingSoal 4

Arsitektur RNN dengan input 3 neuron, hidden 4 neuron, beserta matriks U yang ditandai
Arsitektur RNN dengan input 3 neuron, hidden 4 neuron, beserta matriks U yang ditandai

Pada RNN tersebut, ukuran matriks UU adalah:

a. 4×14 \times 1

b. 3×43 \times 4

c. 4×34 \times 3

d. 4×44 \times 4

#Link to this headingSoal 5

RNN dengan matriks parameter W, U, dan b_xh yang ditampilkan secara eksplisit
RNN dengan matriks parameter W, U, dan b_xh yang ditampilkan secara eksplisit

Berikut ini yang merupakan bagian dari matriks parameter untuk RNN di atas adalah:

a. UU

b. VV

c. WW

d. bxhb_{xh}

e. ht−1h_{t-1}

f. bhyb_{hy}

#Link to this headingSoal 6

RNN dengan x1=[1 0 0]T, tanda panah merah menunjuk neuron pada hidden layer (tanh, 4 hidden neurons)
RNN dengan x1=[1 0 0]T, tanda panah merah menunjuk neuron pada hidden layer (tanh, 4 hidden neurons)

Pada RNN tersebut, jika x1=[1 0 0]Tx_1 = [1\ 0\ 0]^T, fungsi aktivasi hidden layer adalah tanh, dan output layer adalah softmax, maka nilai yang dihasilkan pada neuron yang ditunjuk tanda panah merah adalah:

a. [0.1  0.15  0.2  0.3]T[0.1\ \ 0.15\ \ 0.2\ \ 0.3]^T

b. [0.149  0.245  0.363  0.197]T[0.149\ \ 0.245\ \ 0.363\ \ 0.197]^T

c. [0.15  0.2  0.25  0.35]T[0.15\ \ 0.2\ \ 0.25\ \ 0.35]^T

d. [0.149  0.197  0.245  0.336][0.149\ \ 0.197\ \ 0.245\ \ 0.336]

#Link to this headingSoal 7

RNN dengan x1=[1 0 0]T, tanda panah merah menunjuk neuron pada output layer (softmax, 3 kelas)
RNN dengan x1=[1 0 0]T, tanda panah merah menunjuk neuron pada output layer (softmax, 3 kelas)

Pada RNN tersebut, jika x1=[1 0 0]Tx_1 = [1\ 0\ 0]^T, fungsi aktivasi hidden layer adalah tanh, dan output layer adalah softmax, maka nilai yang dihasilkan pada neuron yang ditunjuk tanda panah merah adalah:

a. [0.211  0.197  0.197]T[0.211\ \ 0.197\ \ 0.197]^T

b. [1.235  1.218  1.218]T[1.235\ \ 1.218\ \ 1.218]^T

c. [0.336  0.332  0.332]T[0.336\ \ 0.332\ \ 0.332]^T

d. [0.05  0.05  0.05]T[0.05\ \ 0.05\ \ 0.05]^T

#Link to this headingSoal 8

Pada task language model of character, alfabet yang digunakan adalah {\{'a', 'i', 'u', 'e', 'o'}\}. Vektor output yang dihasilkan dari suatu vektor input adalah sebagai berikut.

Tabel vektor output softmax untuk tiga timestep: nilai probabilitas per karakter di setiap posisi
Tabel vektor output softmax untuk tiga timestep: nilai probabilitas per karakter di setiap posisi

Karakter outputnya adalah:

a. 'a', 'i', 'u'

b. 'o', 'e', 'e'

c. 'e', 'i', 'o'

d. 'o', 'e', 'a'

#Link to this headingSoal 9

Arsitektur RNN many-to-many: X1 sampai X6 sebagai input kata, y sebagai output kelas di setiap timestep
Arsitektur RNN many-to-many: X1 sampai X6 sebagai input kata, y sebagai output kelas di setiap timestep

Jika X1X_1 s.d. X6X_6 adalah input kata dan yy adalah output kelas, maka arsitektur RNN tersebut adalah:

a. one-to-many

b. many-to-one

c. one-to-one

d. many-to-many

#Link to this headingSoal 10

Arsitektur Bidirectional LSTM untuk pembangkitan tanda baca dari input teks
Arsitektur Bidirectional LSTM untuk pembangkitan tanda baca dari input teks

RNN untuk pembangkitan tanda baca tersebut menggunakan arsitektur:

a. one-to-many

b. many-to-one

c. one-to-one

d. many-to-many

#Link to this headingSoal 11

Arsitektur RNN beserta jumlah neuron di setiap layer untuk perhitungan total parameter
Arsitektur RNN beserta jumlah neuron di setiap layer untuk perhitungan total parameter

Jumlah parameter pada RNN tersebut adalah (1 buah bias pada layer hidden dan output):

a. 29

b. 44

c. 56

d. 80

#Link to this headingSoal 12

Arsitektur NN dengan Simple RNN tiga hidden layer: input 3 neuron, hidden 5-1-5 neuron, output 3 neuron
Arsitektur NN dengan Simple RNN tiga hidden layer: input 3 neuron, hidden 5-1-5 neuron, output 3 neuron

NN berikut menggunakan Simple RNN pada ketiga hidden layer-nya dengan jumlah neuron pada setiap layer dari input s.d. output sebesar 3, 5, 1, 5, 3. Jumlah parameternya adalah (1 buah bias pada layer hidden dan output):

a. 15

b. 54

c. 75

d. 105

#Link to this headingSoal 13

Perhatikan beberapa pernyataan berikut.

  1. Bidirectional RNN pasti menggunakan 2 hidden layer
  2. Bidirectional RNN digunakan untuk task yang bergantung pada informasi dari bagian akhir data saja
  3. Bidirectional RNN melakukan forward link dan juga backward link
  4. Bidirectional RNN cocok untuk task yang menggunakan konteks urutan data secara utuh

Pernyataan yang benar tentang Bidirectional RNN adalah:

a. 1, 2

b. 3, 4

c. 1, 2, 3

d. 1, 2, 3, 4

CNN Exercises
LSTM Exercises

Backlinks