---
source_file: "Pembelajaran Mesin Mendalam - UTS - 2024 - REG B.pdf"
source_type: "scanned PDF (2 pages, image-only — no embedded text layer)"
duplicate_sources:
  - "UAS_Deep Learning2.jpg  (page 1 of the same exam)"
  - "UAS_Deep Learning3.jpg  (page 2 of the same exam)"
transcription_method: "page rasterization (pypdfium2) + visual reading; cross-checked against the two JPG photographs"
course: "Pembelajaran Mesin Mendalam (KOM B) — Deep Learning"
exam: "Ujian Tengah Semester (UTS) — Midterm"
term: "Semester Genap Tahun Akademik 2024/2025"
program: "Program Studi S1 Ilmu Komputer"
faculty: "Fakultas Matematika dan Ilmu Pengetahuan Alam (FMIPA)"
university: "Universitas Gadjah Mada (UGM)"
date: "Rabu, 2 Oktober 2024 (Wednesday, 2 October 2024)"
duration: "100 menit"
lecturer: "Yunita Sari, Ph.D"
exam_type: "Buku terbuka (Open Book) – Laptop/Gadget is not allowed"
total_marks: "20 points"
pages: 2
topics: [deep-learning-vs-ann, multi-layer-perceptron, forward-pass, relu, MSE, backpropagation, chain-rule, gradient-descent, softmax, sigmoid, multiclass-classification]
---

# UTS Pembelajaran Mesin Mendalam — 2024/2025 (KOM B)

> **Header (as printed):**
> UJIAN TENGAH SEMESTER GENAP TAHUN AKADEMIK 2024/2025
> PROGRAM STUDI S1 ILMU KOMPUTER
> FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
> UNIVERSITAS GADJAH MADA

| Field | Value |
|---|---|
| Mata Kuliah | Pembelajaran Mesin Mendalam (KOM B) |
| Hari, tanggal | Rabu, 2 Oktober 2024 |
| Waktu | 100 menit |
| Dosen | Yunita Sari, Ph.D |
| Sifat ujian | Buku terbuka (Open Book) – Laptop/Gadget is not allowed |
| Total marks | 20 points |

> **Note:** `UAS_Deep Learning2.jpg` and `UAS_Deep Learning3.jpg` in this folder are photographs of page 1 and page 2 of this same exam. Content is identical; this transcription covers both.

---

## CO1 — be able to differentiate Deep Machine Learning from traditional Artificial Neural Networks

### 1. Jelaskan pada kondisi seperti apa algoritma Deep Learning bisa digunakan? Jelaskan dengan mempertimbangkan 3 faktor yaitu: kompleksitas problem, waktu dan alokasi resource, ketersediaan data berlabel. (3 points)

---

## CO2 — able to understand Multi-Layer Perceptron and backpropagation.

### 2. Perhatikan arsitektur berikut ini

**Figure description (transcribed from the printed diagram):**

A feed-forward neural network with 2 inputs, 2 hidden neurons (ReLU-activated), 2 output neurons, and bias terms.

- **Input layer:** `i₁`, `i₂`
- **Hidden layer:** `h₁`, `h₂` — with bias `b₁` into `h₁` and `b₂` into `h₂`
- Connections into the hidden layer:
  - `w₁₁` : `i₁ → h₁`
  - `w₁₂` : `i₂ → h₁`
  - `w₂₁` : `i₁ → h₂`
  - `w₂₂` : `i₂ → h₂`
- Activation between hidden blocks: `h₁ —ReLU→ h₃` and `h₂ —ReLU→ h₄`
- **Output layer:** `o₁`, `o₂` — with bias `b₃` into `o₁` and `b₄` into `o₂`
- Connections into the output layer:
  - `w₃₁` : `h₃ → o₁`
  - `w₃₂` : `h₄ → o₁`
  - `w₄₁` : `h₃ → o₂`
  - `w₄₂` : `h₄ → o₂`
- **Targets:** `t₁`, `t₂`

*Note: the diagram labels the post-ReLU nodes `h₃`/`h₄`; the question part (c) refers to the pre-activation weight `w₂₁` for the update.*

**Dengan value dari variabel-variabelnya sebagai berikut:**

| Variable | i₁ | i₂ | w₁₁ | w₁₂ | w₂₁ | w₂₂ | w₃₁ | w₃₂ | w₄₁ | w₄₂ | b₁ | b₂ | b₃ | b₄ | t₁ | t₂ |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Value | 2.0 | -1.0 | 1.0 | -0.5 | 0.5 | -1.0 | 0.5 | -1.0 | -0.5 | 1.0 | 0.5 | -0.5 | -1.0 | 0.5 | 1.0 | 0.5 |

**a. (Forward Pass)** Hitung output (o₁ dan o₂) dengan menggunakan input dan parameter yang diberikan. Tuliskan *step by step* perhitungannya, termasuk hasil pada *hidden layer* pada iterasi pertama! **(3 points)**

**b. (Loss)** Hitung Mean Squared Error dari output (o₁ dan o₂) dengan target (t₁ dan t₂) pada iterasi pertama! **(1 point)**

**c. (Backward Pass)** Tunjukkan perhitungan dan aplikasikan Chain Rule untuk mengupdate parameter w₂₁, dengan menggunakan algoritma Gradient Descent, learning rate 0.1 dan loss yang telah dihitung pada point b. **(6 points)**

---

### Page 2

## CO3 — able to understand the components in DNN architecture such as softmax, cross entropy loss function, activation function.

### 3. Diberikan output mentah (logits) berikut dari lapisan akhir sebuah jaringan saraf untuk tugas klasifikasi dengan tiga kelas:

- Kelas 1: 2.0
- Kelas 2: 1.0
- Kelas 3: 0.1

**a.** Terapkan fungsi Softmax pada logits ini untuk menghitung distribusi probabilitas pada ketiga kelas tersebut. Tunjukkan semua perhitungan Anda. **(4 points)**

Fungsi Softmax didefinisikan dengan rumus:

$$\text{Softmax}(z_i) = \frac{e^{z_i}}{\sum_{j=1}^{n} e^{z_j}}$$

**b.** Jelaskan mengapa fungsi Softmax lebih banyak digunakan dalam kasus *multiclass classification*? Bagaimana perbedaannya dengan penggunaan fungsi aktivasi Sigmoid dalam skenario tersebut? **(3 points)**

---

*End of exam. Total marks: 20 points.*