- 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) Pengolahan gambar
B) Klasifikasi dan regresi
C) Penyuntingan video
D) Pengenalan suara
- 2. Apa itu trik kernel dalam SVM?
A) Menyederhanakan batas keputusan
B) Menambahkan kebisingan ke data
C) Menghilangkan pencilan (outlier)
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) Memperbarui bobot model.
B) Memetakan data input ke ruang dimensi yang lebih tinggi.
C) Memilih vektor pendukung (support vectors).
D) Menghitung lebar margin.
- 5. Fungsi kerugian apa yang digunakan dalam SVM?
A) Kesalahan kuadrat rata-rata
B) Regularisasi L2
C) Kerugian Hinge
D) Kerugian entropi silang
- 6. Apa itu parameter regularisasi C dalam SVM?
A) Parameter kernel.
B) Jumlah vektor pendukung.
C) Keseimbangan antara margin dan kesalahan.
D) Jumlah dimensi.
- 7. Apa fungsi dari 'kernel trick' dalam SVM?
A) Menyederhanakan kompleksitas model.
B) Menghilangkan 'noise' (gangguan) dalam data.
C) Menangani data yang tidak dapat dipisahkan secara linear dengan efisien.
D) Mencegah terjadinya 'overfitting'.
- 8. Algoritma optimasi apa yang umumnya digunakan dalam pelatihan SVM (Support Vector Machine)?
A) Optimasi Minimal Berurutan (SMO)
B) Metode Gradien
C) Metode Newton
D) Adam
|