FM-BINUS-AA-FPU-78/V2R1
Verified by,
Lay Christian (D5295) and sent to Department/Program on January 06, 2023
Page 1 of 5
BINUS University
Academic Career:
Undergraduate / Master / Doctoral *)
Class Program:
International / Regular / Smart Program / Global Class / BINUS Online Learning *)
Mid Exam
Final Exam
Compact Term Exam
Others Exam : _____________
Term : Odd / Even / Compact *) Period (Only for BOL) : 1 / 2 *)
Kemanggisan
Alam Sutera
Bekasi
Senayan
Bandung
Malang
Semarang Academic Year : 2022 / 2023
Exam Type* : Onsite / Online Faculty / Dept. : School of Information
Systems / Information Systems
Day / Date** : Friday/3 February 2023 Code - Course : ISYS6682003-
Application of Predictive Analytics to Business Data
Time** : 13.00 WIB Code - Lecturer : Team
Exam
Specification***
: Open Book
Close Book
Open E-Book
Open Notes
Submit Project
Oral Test
BULC (Only for BOL) :
Class : All
Equipment*** : Student ID *** :
Exam Booklet
Calculator
Dictionary
Laptop
Tablet
Smartphone
Drawing Paper – A3
Drawing Paper – A2
Notes
Name *** :
Signature *** :
) Strikethrough the unnecessary items **) For Online Exam, this is the due date ***) Only for Onsite Exam
Please insert the test paper into the exam booklet and submit both papers after the test.
The penalty for CHEATING is DROP OUT!
Ketentuan umum:
General Rules:
1. Mohon untuk membaca instruksi soal dibawah ini sebaik mungkin.
Please read the exam instruction carefully
2. Mohon tidak melakukan copy-paste (plagiarism). Tindakan Plagiarism = Mencontek.
Please do not copy-paste (plagiarism). Plagiarism = Cheating Lihat poster dibawah ini:
Look at this poster below:
Verified by,
Lay Christian (D5295) and sent to Department/Program on January 06, 2023
Page 2 of 5
3. Mohon perhatikan deadline waktu penyerahan jawaban ujian sesuai dengan jadwal di binusmaya.
Please pay attention to the deadline of exam answer submission according to Binusmaya 4. Mohon mengerjakan ujian ini secara INDIVIDU, bukan berkelompok.
Please do this exam INDIVIDUAL not in GROUP
5. Tidak ada dispensasi jika mengumpulkan jawaban melewati deadline (TANGGAL dan WAKTU) yang telah ditentukan di Binusmaya dengan alasan apapun. Mahasiswa diharapkan tidak mengumpulkan jawaban mendekati deadline
There is no dispensation if you submit the answer over the deadline (DATE and TIME) specified in Binusmaya for any reason. Students are not expected to submit answers near the deadline.
6. Setelah file jawaban di upload, mohon pastikan kembali dengan cara mendownload kembali jawabannya sesuai dengan matakuliahnya.
After the answer file is uploaded, please make sure it again by downloading the answer according to the course.
7. Setelah file jawaban diupload, mohon untuk melakukan screenshot layar hasil upload jawaban dan pastikan terdapat icon waiting
After the answer file has been uploaded, please take a screenshot of the uploaded answer screen and make sure there is a waiting icon
FM-BINUS-AA-FPU-78/V2R1
Verified by,
Lay Christian (D5295) and sent to Department/Program on January 06, 2023
Page 3 of 5
1. Suatu model regresi linier multivariat telah dibangun untuk memprediksi Heating load suatu bangunan. Heating load adalah jumlah energi panas yang dibutuhkan untuk mempertahankan bangunan pada suhu 65 Fahrenheit selama musim dingin terlepas dari suhu luar. Fitur
deskriptif yang digunakan adalah luas permukaan bangunan secara keseluruhan, tinggi bangunan, luas atap bangunan, dan persentase luas dinding pada bangunan yang diglaze Berikut adalah hasil train model
Heating Load = - 26,030 + 0,0497 x Surface Area + 4,942 x Height - 0,090 x Roof Area + 20,523 x Glazing Area
Gunakan model tersebut untuk memprediksi heating load untuk setiap instance pada table berikut
Surface Area Height Roof Area Glazing Area
784,0 3,5 220,5 0,25
710,5 3,0 210,5 0,10
563,5 7,0 122,5 0,40
637,0 6,0 147,0 0,60
2. Tabel di bawah menampilkan hasil prediksi yang dibuat oleh model klasifikasi untuk set data uji. Berdasarkan rangkaian tes ini buatlah confusion matrix dan hitung accuracy, precision, recall dan F1 measure
Target Prediksi TRUE FALSE FALSE TRUE FALSE FALSE TRUE FALSE TRUE TRUE FALSE FALSE TRUE FALSE
Target Prediksi TRUE TRUE FALSE FALSE FALSE FALSE FALSE FALSE TRUE TRUE FALSE FALSE TRUE TRUE
Target Prediksi FALSE FALSE FALSE FALSE TRUE FALSE TRUE TRUE TRUE TRUE TRUE TRUE
3. Berikut dataset pengukuran yang diambil menggunakan tiga sensor saat katup di sumur minyak dibuka. Tiga fitur deskriptif digunakan untuk mengukur karakteristik oli yang mengalir melalui katup saat dibuka. Pendekatan k-means clustering akan diterapkan pada dataset ini dengan k = 3 dan menggunakan jarak Euclidean. Posisi centroid awal adalah
• c1 = ( -0,929, -1,040, -0,831)
• c2 = (-0,329, -1,099, 0,377)
• c3 = (-0,672, -0,505, 0,110)
Tabel berikut juga menunjukkan jarak ke masing-masing centroid untuk setiap instance dalam dataset
Tekanan Suhu Volum Dist(d,c1) Dist(d,c2) Dist(d,c3) -0,392 -1,258 -0,666 0,603 1,057 1,117 -0,251 -1,781 -1,495 1,204 1,994 2,093 -0,823 -0,042 1,254 2,314 1,460 1,243
0,917 -0,961 0,055 2,049 1,294 1,654
-0,736 -1,694 -0,686 0,697 1,284 1,432
1,204 -0,605 0,351 2,477 1,611 1,894
0,778 -0,436 -0,220 1,911 1,422 1,489
Verified by,
Lay Christian (D5295) and sent to Department/Program on January 06, 2023
Page 4 of 5 1,075 -1,199 -0,141 2,125 1,500 1,896
-0,854 -0,654 0,771 1,650 0,793 0,702 -1,027 -0,269 0,893 1,891 1,201 0,892 -0,288 -2,116 -1,165 1,296 1,848 2,090 -0,597 -1,577 -0,618 0,666 1,136 1,298 -1,113 -0,271 0,930 1,930 1,267 0,960 -0,849 -0,430 0,612 1,569 0,879 0,538
1,280 -1,188 0,053 2,384 1,644 2,069
Tentukan setiap instance ke cluster terdekat untuk menghasilkan clustering pada iterasi pertama k-means berdasarkan centroid cluster awal. Berdasarkan pengelompokan tersebut hitunglah posisi centroid cluster baru.
4. Untuk memahami perilaku bayi, seorang ibu memantau bayinya sepanjang hari dan merekam aktivitasnya dengan interval 20 menit. Data activity stream yang didapat terlihat sebagai berikut:
observasi activity 1 tidur 2 menangis 3 tidur 4 tidur 5 tidur 6 tertawa 7 tertawa 8 tertawa 9 tidur 10 tidur 11 tidur 12 tidur 13 tidur 14 tidur 15 tidur 16 menangis 17 menangis 18 tidur 19 tidur 20 tertawa 21 tidur 22 tertawa 23 tertawa 24 menangis
observasi activity 25 tidur 26 tertawa 27 menangis 28 tidur 29 tidur 30 tertawa 31 tertawa 32 tertawa 33 tertawa 34 tertawa 35 tertawa 36 menangis 37 menangis 38 tertawa 39 tertawa 40 tertawa 41 tertawa 42 tertawa 43 tidur 44 tidur 45 tidur 46 tidur 47 tidur 48 tidur
observasi activity 49 tidur 50 menangis 51 tidur 52 tidur 53 tidur 54 tidur 55 tertawa 56 tertawa 57 tertawa 58 tidur 59 tertawa 60 tidur 61 tidur 62 tertawa 63 tertawa 64 tertawa 65 tertawa 66 tertawa 67 tertawa 68 tidur 69 tidur 70 tidur 71 tidur 72 tidur
Bayi memiliki 3 aktivitas yaitu tertawa, tidur dan menangis. Perubahan aktifitas cukup dinamis. Berdasarkan data activity stream tersebut buatlah transition matrix dan gambarkan Markov Decision Processnya
FM-BINUS-AA-FPU-78/V2R1
Verified by,
Lay Christian (D5295) and sent to Department/Program on January 06, 2023
Page 5 of 5