---
source_file: "UAS_Deep Learning_2024.jpg"
source_type: "photograph of a printed exam page (single page)"
transcription_method: "direct visual reading of the image"
course: "Pembelajaran Mesin Mendalam [KOMB] (Deep Learning)"
exam: "Ujian Akhir Semester (UAS) — Final Exam"
term: "Semester Gasal (Odd) Tahun Akademik 2024/2025"
program: "Program Studi Sarjana Ilmu Komputer"
faculty: "Fakultas Matematika dan Ilmu Pengetahuan Alam (FMIPA)"
university: "Universitas Gadjah Mada (UGM)"
date: "Rabu, 4 Desember 2024 (Wednesday, 4 December 2024)"
time: "10:00–12:00 (120 menit)"
lecturer: "Wahyono, Ph.D."
exam_type: "Open Book, Tanpa Alat Elektronik (Open Book, no electronic devices)"
weight: "PLO3; CO-5 → 10%; PLO3; CO-6 → 10%"
pages: 1
topics: [CNN, hyperparameters, depthwise-convolution, MobileNet, residual-connection, ResNet, vanishing-gradient, GoogleNet, Inception, parameter-counting, RNN, GRU, LSTM, autoencoder, speech-recognition]
---

# UAS Pembelajaran Mesin Mendalam — 2024/2025 [KOMB]

> **Header (as printed):**
> PROGRAM STUDI SARJANA ILMU KOMPUTER
> FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
> UNIVERSITAS GADJAH MADA
>
> Ujian Akhir Semester
> Semester Gasal Tahun Akademik 2024/2025

| Field | Value |
|---|---|
| Nama Mata Kuliah | Pembelajaran Mesin Mendalam [KOMB] |
| Hari/Tanggal | Rabu, 4 Desember 2024 |
| Waktu | 10:00–12:00 (120 menit) |
| Dosen | Wahyono, Ph.D. |
| Jenis Ujian | Open Book, Tanpa Alat Elektronik |

---

## PLO3; CO-5: Mahasiswa memiliki pemahaman tentang algoritma Convolutional Neural Network dan variasinya.; nilai: 10%;

### 1. Jawab pertanyaan di bawah ini:

**a. (Point 10)** Jelaskan pengaruh penggunaan hiperparameter, termasuk ukuran dan jumlah kernel, jumlah *layer*, dan *learning rate* terhadap akurasi dalam *Convolutional Neural Network* (CNN)!

**b. (Point 15)** Jelaskan bagaimana *Depthwise Convolution* dapat mengurangi jumlah parameter dalam model MobileNet!

**c. (Point 15)** Jelaskan bagaimana *residual connection* dalam ResNet membantu memecahkan masalah *vanishing gradient* dalam very deep neural network.

**d. (Point 20)** Dalam banyak kasus, CNN dengan banyak lapisan akan menghasilkan akurasi yang lebih baik. Namun, proses pelatihan akan lebih rumit dan lebih lama. Jelaskan bagaimana GoogleNet (Inception) memecahkan masalah ini!

**e. (Point 40)** Jika CNN akan diterapkan dengan arsitektur seperti pada tabel berikut:

| Layer | Description |
|---|---|
| Input Layer | Input size 1×24×24 |
| Convolutional Layer-RELU | 10 kernels @3×3, stride 1, no-padding |
| Convolutional Layer-RELU | 10 kernels @5×5, stride 1, no-padding |
| Max Pooling Layer | 2×2 kernel, stride 2 |
| Convolutional Layer-RELU | 8 kernels @3×3, stride 1, no-padding |
| Convolutional Layer-RELU | 8 kernels @5×5, stride 1, no-padding |
| Max Pooling Layer | 2×2 kernel, stride 2 |
| Full Connected Layer | Dense 15 Nodes |
| Output Layer | 5 Classes |

Gambarkan arsitektur beserta ukuran activation maps pada setiap lapisan. Hitung jumlah parameter/bobot yang akan dioptimalkan.

---

## PLO3; CO-6: Mahasiswa memiliki pemahaman tentang algoritma Recurrent Neural Network, Long Short Term Memory Network, dan auto encoder.; nilai: 10%;

### 2. Answer the following questions:

**a. (Point 20)** Jelaskan cara kerja RNN untuk memproses data sekuensial dan apa saja kendala utama yang dihadapi oleh model ini!

**b. (Point 20)** Jelaskan mekanisme kerja *update gate* dan *reset gate* di GRU dan bagaimana gerbang ini memengaruhi aliran informasi!

**c. (Point 25)** Berikan contoh aplikasi nyata di mana GRU lebih baik daripada LSTM, dan jelaskan alasannya!

**d. (Point 35)** Dalam pengenalan suara, LSTM sering digunakan untuk memproses audio sebagai data input. Jelaskan tantangan utama dalam melatih model LSTM untuk pengenalan suara dan solusi apa yang dapat diterapkan untuk mengatasi tantangan ini!

---

-- Semoga Sukses --

*(Page 1)*