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