Berbagiruang.com – Berikut adalah Kumpulan Soal Pilihan Ganda dan Kunci Jawaban Datawarehouse & Data Minning Tentang Association Rule menggunakan Apriori yang terdiri dari 20 soal pilihan ganda. Dengan adanya soal latihan ini semoga bisa sebagai bahan pembelajaran dan latihan sebelum menghadapi ujian.
1. Fungsi formula berikut ini digunakan untuk ?
a. Mencari nilai support dari banyak item
b. Mencari nilai support dari seluruh data yang akan dianalisis
c. Mencari nilai support dari dua item*
d. Mencari nilai support sebuah item
2. Aturan assosiatif biasanya dinyatakan dalam bentuk : {roti, mentega} -> {susu} (support = 40%, confidence = 50%). Bagaimanakah penjelasannya ?
a. Seorang konsumen yang membeli roti dan mentega punya kemungkinan 50% untuk juga membeli susu. Aturan ini cukup signifikan karena mewakili lebih dari 40% dari catatan transaksi selama ini.
b. Seorang konsumen yang membeli roti dan mentega punya kemungkinan 40% untuk juga membeli susu. Aturan ini cukup signifikan karena mewakili 50% dari catatan transaksi selama ini.
c. Seorang konsumen yang membeli roti dan mentega punya kemungkinan lebih dari 50% untuk juga membeli susu. Aturan ini cukup signifikan karena mewakili 40% dari catatan transaksi selama ini.
d. Seorang konsumen yang membeli roti dan mentega punya kemungkinan 50% untuk juga membeli susu. Aturan ini cukup signifikan karena mewakili 40% dari catatan transaksi selama ini.*
3. Pada algoritma asosiasi, istilah simbol “D” digunakan untuk ?
a. Himpunan seluruh transaksi*
b. Himpunan bagian murni
c. Himpunan yang akan dianalisis
d. Himpunan yang saling berkaitan
4. Apakah kelemahan utama dari algoritma apriori ?
a. Tidak dapat membentuk aturan yang dapat digunakan untuk mendukung keputusan
b. Harus melakukan scan database setiap kali iterasi, sehingga waktu yang diperlukan bertambah dengan makin banyak iterasi*
c. Tidak bisa membentuk rule/aturan yang baik
d. Tidak bisa membuat aturan asioasi dalam jumlah data yang sangat banyak
5. Algoritma apriori pada umumnya digunakan untuk ?
a. Mengklasifikasikan data
b. Market Basket Analisis*
c. Memprediksi data penjualan
d. Estimasi data penjualan pada periode berikutnya
6. Algoritma apriori adalah ?
a. Penggunaan suatu metode agar sistem dapat mempelajari aturan asosiasi, mencari pola hubungan antar satu atau lebih item dalam suatu dataset.
b. Penggunaan suatu metode agar alat dapat mempelajari aturan asosiasi, mencari pola hubungan antar satu atau lebih item dalam suatu dataset.
c. Penggunaan suatu metode agar algoritma dapat mempelajari aturan asosiasi, mencari pola hubungan antar satu atau lebih item dalam suatu dataset.
d. Penggunaan suatu metode agar komputer dapat mempelajari aturan asosiasi, mencari pola hubungan antar satu atau lebih item dalam suatu dataset.*
7. Algoritma lain yang dapat digunakan untuk mengatasi kelemahan dari apriori adalah ?
a. C.45
b. FP-Growth*
c. K-NN
d. Naive Bayes
8. Fungsi formula berikut ini digunakan untuk ?
a. Mencari nilai support dari dua item
b. Mencari nilai support dari banyak item
c. Mencari nilai support dari seluruh data yang akan dianalisis
d. Mencari nilai support sebuah item*
9. Suatu proses untuk menemukan semua aturan assosiatif yang memenuhi syarat minimum untuk support (minimum support) dan syarat minimum untuk confidence (minimum confidence) merupakan pengertian dari ?
a. Analisis Asosiasi*
b. Analisis Data Mining
c. Analisis Klaster
d. Analisis Apriori
10. Apakah yang dikembangkan oleh google dalam memanfaatkan aturan asosiasi ?
a. Auto Delete
b. Auto Search
c. Auto Repair
d. Auto Complete*
11. Item set adalah ?
a. Himpunan item atau item-item pada himpunan “E”*
b. Jumlah unsur yang terdapat pada suatu Himpunan
c. Item set yang terdiri dari item yang ada pada himpunan “E”
d. Item set yang bersifat 2 unsur
12. Penting atau tidaknya suatu aturan asosiasi dapat diketahui dengan dua parameter yaitu ?
a. Support dan Dataset
b. Support dan Value
c. Confidence dan Dataset
d. Support dan Confidence*
13. Apakah yang dikembangkan oleh amazon.com dalam memanfaatkan aturan asosiasi ?
a. Mengembangkan program untuk mencari barang yang paling sedikit untuk dibeli
b. Program untuk merekomendasikan barang-barang lain kepada pembeli pada saat pembeli melakukan browsing atau membeli suatu barang berdasarkan tingkat keyakinan (confidence).*
c. Mengembangkan aplikasi sesuai dengan barang yang sering dicari oleh konsumen
d. Mengembangkan program untuk mencari barang yang paling banyak dibeli
14. Suatu proses untuk menemukan semua aturan assosiatif yang memenuhi syarat minimum untuk support (minimum support) dan syarat minimum untuk confidence (minimum confidence) merupakan pengertian dari ?
a. Analisis Apriori
b. Analisis Asosiasi*
c. Analisis Data Mining
d. Analisis Klaster
15. Pada algoritma asosiasi, istilah simbol “D” digunakan untuk ?
a. Himpunan seluruh transaksi*
b. Himpunan yang akan dianalisis
c. Himpunan yang saling berkaitan
d. Himpunan bagian murni
16. Berikut ini, manakah yang bukan merupakan contoh penerapan dari algoritma asosiasi ?
a. Meletakkan barang-barang yang sering dibeli bersamaan dengan posisi berdekatan agar mudah dijangkau*
b. Prediksi jumlah stok yang harus ada di suatu toko/swalayan
c. Rekomendasi stok barang yang tidak boleh habis/kosong pada waktu tertentu
d. Pemberian rekomendasi barang
17. Pada algoritma asosiasi, istilah simbol “E” digunakan untuk ?
a. Himpunan seluruh transaksi
b. Himpunan yang akan dianalisis*
c. Himpunan yang saling berkaitan
d. Himpunan bagian murni
18. Proper Subset adalah ?
a. Item set yang terdiri dari item yang ada pada himpunan “E”
b. Jumlah unsur yang terdapat pada suatu Himpunan
c. Item set yang bersifat 2 unsur
d. Himpunan bagian murni*
19. Fungsi formula berikut ini digunakan untuk ?
a. Mencari nilai support dari banyak item
b. Mencari nilai support dari seluruh data yang akan dianalisis
c. Mencari nilai support sebuah item
d. Mencari nilai confidence*
20. Berikut ini, manakah yang bukan merupakan cara kerja dari algoritma apriori ?
a. Tentukan minimum support.
b. Iterasi 2 : untuk mendapatkan 2-itemset, harus dilakukan kombinasi dari k-itemset sebelumnya, kemudian scan database lagi untuk hitung item-item yang memuat support. itemset yang memenuhi minimum support akan dipilih sebagai pola frequent tinggi dari kandidat.
Tetapkan nilai k-itemset dari support yang telah memenuhi minimum support dari k-itemset.
c. Tentukan himpunan-himpunan / data yang akan dianalisis*
d. Iterasi 1 : hitung item-item dari support(transaksi yang memuat seluruh item) dengan men-scan database untuk 1-itemset, setelah 1-itemset didapatkan, dari 1-itemset apakah diatas minimum support, apabila telah memenuhi minimum support, 1-itemset tersebut akan menjadi pola frequent tinggi.
