- 1. Mesin vektor pendukung (SVM) adalah algoritma pembelajaran mesin terawasi yang umum digunakan untuk tugas klasifikasi dan regresi. Tujuan SVM adalah untuk menemukan bidang pemisah (hyperplane) yang paling baik dalam memisahkan titik-titik data ke dalam kelas-kelas yang berbeda, dengan margin yang jelas antara kelas-kelas tersebut. SVM bekerja dengan memetakan data input ke dalam ruang fitur berdimensi tinggi dan menemukan bidang pemisah optimal yang memaksimalkan margin antara kelas-kelas. Bidang pemisah optimal ini ditemukan dengan menyelesaikan masalah optimasi yang bertujuan untuk meminimalkan kesalahan klasifikasi dan memaksimalkan margin. SVM dikenal karena kemampuannya menangani data berdimensi tinggi dan tugas klasifikasi yang kompleks. SVM juga efektif dalam menangani data non-linear dengan menggunakan fungsi kernel untuk memetakan data ke ruang berdimensi lebih tinggi. SVM banyak digunakan dalam berbagai aplikasi seperti klasifikasi teks, pengenalan gambar, dan bioinformatika karena fleksibilitas, akurasi, dan ketahanannya.
Apa kegunaan dari Mesin Vektor Pendukung (SVM)?
A) Pengenalan suara
B) Penyuntingan video
C) Klasifikasi dan regresi
D) Pengolahan gambar
- 2. Apa itu trik kernel dalam SVM?
A) Menyederhanakan batas keputusan
B) Menghilangkan pencilan (outlier)
C) Menambahkan kebisingan ke data
D) Pemetaan data ke ruang dimensi yang lebih tinggi
- 3. Kernel apa yang umumnya digunakan dalam SVM untuk klasifikasi non-linear?
A) Kernel RBF (Radial Basis Function)
B) Kernel sigmoid
C) Kernel linear
D) Kernel polinomial
- 4. Apa peran fungsi kernel dalam SVM?
A) Menghitung lebar margin.
B) Memilih vektor pendukung (support vectors).
C) Memperbarui bobot model.
D) Memetakan data input ke ruang dimensi yang lebih tinggi.
- 5. Fungsi kerugian apa yang digunakan dalam SVM?
A) Kesalahan kuadrat rata-rata
B) Kerugian entropi silang
C) Kerugian Hinge
D) Regularisasi L2
- 6. Apa itu parameter regularisasi C dalam SVM?
A) Keseimbangan antara margin dan kesalahan.
B) Jumlah dimensi.
C) Parameter kernel.
D) Jumlah vektor pendukung.
- 7. Apa fungsi dari 'kernel trick' dalam SVM?
A) Menyederhanakan kompleksitas model.
B) Mencegah terjadinya 'overfitting'.
C) Menangani data yang tidak dapat dipisahkan secara linear dengan efisien.
D) Menghilangkan 'noise' (gangguan) dalam data.
- 8. Algoritma optimasi apa yang umumnya digunakan dalam pelatihan SVM (Support Vector Machine)?
A) Metode Newton
B) Metode Gradien
C) Adam
D) Optimasi Minimal Berurutan (SMO)
|