Jul 08, 2025 | 11 views
A. Sistem rekomendasi film di platform streaming.
B. Pengenalan suara dalam asisten virtual seperti Siri atau Google Assistant.
C. Perangkat lunak yang secara otomatis mengatur jadwal pertemuan.
D. Pembuatan program game yang sepenuhnya dikendalikan oleh manusia tanpa interaksi AI.
Pembahasan :
Pembuatan program game yang sepenuhnya dikendalikan oleh manusia tanpa interaksi AI merupakan konsep yang tidak memanfaatkan AI secara signifikan. Contoh lain seperti sistem rekomendasi, pengenalan suara, dan penjadwalan pertemuan jelas melibatkan elemen AI.
A. Membuat mesin berpikir seperti manusia.
B. Memberikan komputer kemampuan untuk belajar dari data tanpa diprogram secara eksplisit.
C. Memecahkan masalah matematika yang kompleks.
D. Membuat sistem untuk mengendalikan robot secara manual.
Pembahasan :
Machine Learning fokus pada pengembangan algoritma yang memungkinkan komputer belajar dari data. Algoritma ini kemudian dapat digunakan untuk membuat prediksi atau keputusan tanpa perlu diprogram secara eksplisit untuk setiap kasus.
A. Algoritma Sorting
B. Algoritma Pencarian
C. Algoritma Regresi Logistik
D. Algoritma Interpolasi
Pembahasan :
Regresi Logistik adalah algoritma yang sering digunakan dalam klasifikasi biner (dua kelas) dan juga dapat digunakan dalam klasifikasi multi-kelas. Algoritma lainnya lebih fokus pada pengurutan, pencarian, atau interpolasi data.
A. Algoritma sederhana untuk analisis data.
B. Jaringan saraf tiruan dengan banyak lapisan (layers).
C. Metode statistik untuk memprediksi nilai.
D. Algoritma berbasis aturan untuk pengambilan keputusan.
Pembahasan :
Deep Learning menggunakan jaringan saraf tiruan dengan banyak lapisan (deep neural networks). Lapisan-lapisan ini memungkinkan model untuk belajar representasi data yang semakin kompleks.
A. Membutuhkan data yang sangat besar untuk pelatihan.
B. Cocok untuk memecahkan masalah yang kompleks seperti pengenalan gambar dan suara.
C. Membutuhkan keahlian khusus dalam bidang matematika dan pemrograman.
D. Secara otomatis menghasilkan model yang sepenuhnya optimal tanpa kebutuhan penyesuaian lebih lanjut.
Pembahasan :
Deep Learning umumnya membutuhkan data yang sangat besar dan keahlian khusus. Model deep learning jarang menghasilkan model yang sepenuhnya optimal tanpa penyesuaian (tuning) lebih lanjut.
A. Model yang terlalu sederhana sehingga tidak dapat menangkap pola dalam data.
B. Model yang terlalu kompleks sehingga mempelajari noise dalam data dan berkinerja buruk pada data baru.
C. Model yang tidak dapat di-train karena kekurangan data.
D. Model yang tidak dapat di-train karena data yang tidak konsisten.
Pembahasan :
Overfitting terjadi ketika model terlalu menyesuaikan diri dengan data pelatihan, sehingga berkinerja buruk pada data baru (data yang belum pernah dilihat).
A. Menentukan jenis data yang akan digunakan.
B. Mengoptimalkan parameter model untuk meminimalkan kesalahan.
C. Mencari solusi matematis untuk masalah yang dihadapi.
D. Membuat aturan-aturan yang akan diikuti oleh model.
Pembahasan :
Pelatihan model Machine Learning melibatkan penyesuaian parameter model (seperti bobot pada jaringan saraf tiruan) sehingga model dapat memprediksi atau mengklasifikasikan data dengan akurat.
A. Unit pemrosesan yang melakukan perhitungan matematika kompleks.
B. Algoritma untuk mengoptimalkan model.
C. Database yang menyimpan data pelatihan.
D. Metode untuk memecah masalah menjadi bagian-bagian yang lebih kecil.
Pembahasan :
Neuron dalam Deep Learning adalah unit dasar dari jaringan saraf tiruan. Neuron ini menerima input, melakukan perhitungan, dan menghasilkan output.
A. Meningkatkan efisiensi proses produksi.
B. Meningkatkan pengalaman pelanggan.
C. Mengurangi ketergantungan pada pekerja manusia dalam tugas-tugas repetitif.
D. Meningkatkan harga produk atau jasa secara otomatis.
Pembahasan :
Meningkatkan harga produk atau jasa secara otomatis adalah praktik yang tidak etis dan seringkali ilegal. Kegunaan AI lainnya fokus pada peningkatan efisiensi, pengalaman pelanggan, dan otomatisasi tugas.
A. Untuk memperkirakan biaya pengembangan model.
B. Untuk membandingkan kinerja model dengan model lain dan memilih model yang terbaik.
C. Untuk memastikan model sesuai dengan standar keamanan.
D. Untuk mengidentifikasi bug dalam kode model.
Pembahasan :
Evaluasi model bertujuan untuk mengukur seberapa baik model berkinerja dalam memprediksi atau mengklasifikasikan data baru. Ini membantu dalam memilih model yang paling sesuai untuk aplikasi tertentu.
