Perkembangan teknologi kecerdasan buatan (Artificial Intelligence/AI) telah mendorong berbagai instansi pemerintah untuk memperkuat kapasitas digital dalam pengelolaan data, pengambilan keputusan berbasis analitik, serta pengembangan sistem layanan publik yang lebih cerdas dan efisien. Dalam konteks tersebut, formasi CPNS maupun PPPK Pengembang Kecerdasan Buatan menjadi salah satu posisi strategis yang bertanggung jawab merancang, mengembangkan, serta mengimplementasikan solusi AI di lingkungan pemerintahan. Oleh karena itu, proses seleksi untuk jabatan ini tidak hanya menilai pemahaman konseptual mengenai teknologi AI, tetapi juga menguji kemampuan analitis, logika komputasional, serta pemahaman terhadap penerapan teknologi dalam sistem pemerintahan digital.
Artikel ini menyajikan kumpulan soal CPNS PPPK Pengembang Kecerdasan Buatan yang dilengkapi dengan pembahasan serta kisi-kisi materi rekrutmen yang sering muncul dalam proses seleksi. Soal-soal yang disusun tidak sekadar menguji hafalan teori, tetapi juga dirancang untuk melatih kemampuan berpikir kritis dan pemecahan masalah berbasis skenario teknologi. Dengan memahami pola soal dan cakupan materi yang diujikan, calon peserta diharapkan dapat mempersiapkan diri secara lebih terarah sekaligus memperdalam pemahaman terhadap konsep-konsep penting dalam pengembangan kecerdasan buatan di sektor publik.
Kisi-kisi Soal CPNS PPPK Pengembang Kecerdasan Buatan
Dalam seleksi CPNS dan PPPK Pengembang Kecerdasan Buatan, materi yang diujikan umumnya dirancang untuk menilai kombinasi antara pemahaman teori teknologi AI, kemampuan analisis algoritma, serta penerapan solusi kecerdasan buatan dalam sistem digital pemerintahan. Oleh karena itu, kisi-kisi soal biasanya mencakup berbagai aspek mulai dari dasar-dasar pemrograman, machine learning, pengolahan data, hingga etika penggunaan AI. Memahami ruang lingkup materi ini akan membantu peserta memfokuskan persiapan belajar pada kompetensi yang benar-benar dibutuhkan dalam proses seleksi.
1. Dasar-Dasar Kecerdasan Buatan (Artificial Intelligence Fundamentals)
Menguji pemahaman konsep dasar AI seperti definisi, sejarah perkembangan AI, jenis-jenis AI (Narrow AI, General AI), serta peran AI dalam berbagai sektor termasuk pemerintahan digital.
2. Machine Learning dan Algoritma Pembelajaran
Mencakup konsep supervised learning, unsupervised learning, dan reinforcement learning, serta pemahaman tentang algoritma populer seperti decision tree, random forest, support vector machine, dan neural network.
3. Deep Learning dan Neural Network
Mengukur pemahaman mengenai struktur jaringan saraf tiruan, proses training model, fungsi aktivasi, serta penerapan deep learning dalam pengolahan citra, suara, dan bahasa alami.
4. Pengolahan Data (Data Processing dan Data Engineering)
Menguji kemampuan dalam mengumpulkan, membersihkan, mengolah, dan mempersiapkan data sebelum digunakan dalam proses pelatihan model AI.
5. Pemrograman untuk Pengembangan AI
Meliputi penguasaan bahasa pemrograman yang umum digunakan dalam AI seperti Python atau R, serta pemahaman terhadap library seperti TensorFlow, PyTorch, atau Scikit-learn.
6. Natural Language Processing (NLP)
Membahas teknik pengolahan bahasa alami seperti tokenization, sentiment analysis, text classification, serta penerapan NLP dalam chatbot atau sistem analisis dokumen.
7. Computer Vision
Menguji pemahaman mengenai teknik pengolahan citra digital seperti image recognition, object detection, dan penggunaan convolutional neural networks (CNN).
8. Evaluasi dan Optimasi Model AI
Meliputi teknik evaluasi performa model seperti confusion matrix, precision, recall, F1-score, serta metode tuning model seperti cross-validation dan hyperparameter optimization.
9. Implementasi AI dalam Sistem Pemerintahan
Mengukur kemampuan memahami bagaimana teknologi AI dapat diterapkan dalam layanan publik seperti analisis data kependudukan, sistem rekomendasi kebijakan, atau otomatisasi layanan digital.
10. Etika dan Regulasi Kecerdasan Buatan
Mencakup pemahaman mengenai isu etika AI seperti bias algoritma, privasi data, transparansi model, serta regulasi penggunaan teknologi AI dalam organisasi pemerintahan.
11. Manajemen Proyek Teknologi dan AI
Menilai pemahaman dasar tentang pengelolaan proyek pengembangan sistem AI, termasuk perencanaan, pengujian sistem, implementasi, dan pemeliharaan model.
12. Keamanan Data dan Sistem AI
Menguji pengetahuan tentang keamanan data, perlindungan terhadap manipulasi model, serta praktik keamanan dalam pengembangan dan deployment sistem berbasis AI.
Contoh Soal CPNS PPPK Pengembang Kecerdasan Buatan
Dalam seleksi CPNS dan PPPK Pengembang Kecerdasan Buatan, soal yang diujikan umumnya tidak hanya menguji pemahaman teori, tetapi juga kemampuan menganalisis permasalahan teknologi secara komprehensif. Peserta diharapkan mampu menghubungkan konsep algoritma, pengolahan data, serta implementasi kecerdasan buatan dalam skenario nyata yang sering dihadapi dalam pengembangan sistem digital pemerintahan. Oleh karena itu, bentuk soal sering disajikan dalam kasus atau situasi problem solving yang menuntut pemikiran analitis, pemahaman teknis, serta pertimbangan implementasi yang tepat. Berikut beberapa contoh soal berbasis analisis (HOTS) yang dapat membantu melatih kemampuan tersebut.
Soal 1
Sebuah instansi pemerintah sedang mengembangkan sistem berbasis kecerdasan buatan untuk memprediksi kemungkinan keterlambatan penyaluran bantuan sosial kepada masyarakat. Tim pengembang memiliki dataset besar yang berisi riwayat penyaluran bantuan, lokasi wilayah, kondisi infrastruktur, jumlah penerima, serta data historis keterlambatan distribusi. Target sistem adalah mengklasifikasikan apakah suatu wilayah berpotensi mengalami keterlambatan distribusi atau tidak.
Seorang pengembang AI mengusulkan penggunaan algoritma Random Forest dibandingkan Decision Tree tunggal. Setelah dilakukan eksperimen awal, model Random Forest menunjukkan tingkat akurasi yang lebih tinggi serta lebih stabil terhadap variasi data.
Alasan paling tepat mengapa Random Forest dapat memberikan performa yang lebih baik dalam kasus tersebut adalah …
A. Random Forest hanya menggunakan satu pohon keputusan yang lebih kompleks
B. Random Forest menggabungkan banyak decision tree sehingga mengurangi overfitting dan meningkatkan generalisasi model
C. Random Forest hanya bekerja pada dataset kecil sehingga lebih efisien
D. Random Forest tidak membutuhkan proses pelatihan data
E. Random Forest tidak menggunakan fitur input dalam proses prediksi
Jawaban Benar: B
Pembahasan:
Random Forest merupakan metode ensemble learning yang menggabungkan banyak decision tree untuk menghasilkan prediksi yang lebih stabil. Setiap tree dilatih menggunakan subset data dan subset fitur yang berbeda (bootstrap sampling). Pendekatan ini membantu mengurangi overfitting yang sering terjadi pada decision tree tunggal dan meningkatkan kemampuan model dalam melakukan generalisasi pada data baru.
Soal 2
Sebuah tim pengembang kecerdasan buatan membuat model klasifikasi untuk mendeteksi laporan pengaduan masyarakat yang bersifat mendesak. Model diuji menggunakan dataset validasi dan menghasilkan confusion matrix sebagai berikut:
- True Positive (TP): 80
- False Positive (FP): 20
- True Negative (TN): 150
- False Negative (FN): 50
Dalam sistem pengaduan publik, laporan yang bersifat mendesak tidak boleh terlewatkan karena dapat berdampak pada pelayanan masyarakat.
Metode evaluasi yang paling penting diperhatikan dalam kasus ini adalah …
A. Accuracy
B. Precision
C. Recall
D. Specificity
E. Mean Squared Error
Jawaban Benar: C
Pembahasan:
Dalam kasus ini, sistem tidak boleh melewatkan laporan mendesak. Kesalahan yang paling berbahaya adalah False Negative, yaitu laporan mendesak yang tidak terdeteksi oleh sistem. Oleh karena itu metrik yang paling penting adalah Recall, yang mengukur kemampuan model dalam menangkap semua kasus positif yang sebenarnya. Recall = TP / (TP + FN).
Soal 3
Sebuah kementerian ingin mengembangkan sistem AI untuk menganalisis ribuan dokumen kebijakan dan laporan publik yang diterima setiap hari. Sistem tersebut harus mampu memahami konteks teks dan mengelompokkan dokumen berdasarkan topik secara otomatis tanpa label kategori yang telah ditentukan sebelumnya.
Pendekatan machine learning yang paling tepat untuk menyelesaikan masalah tersebut adalah …
A. Supervised classification menggunakan logistic regression
B. Unsupervised learning menggunakan clustering seperti K-Means
C. Reinforcement learning dengan reward function
D. Decision tree dengan target variabel
E. Linear regression untuk prediksi numerik
Jawaban Benar: B
Pembahasan:
Karena tidak ada label kategori yang tersedia, maka metode yang paling tepat adalah unsupervised learning. Teknik seperti K-Means clustering dapat mengelompokkan dokumen berdasarkan kemiripan fitur teks, misalnya menggunakan representasi TF-IDF atau word embeddings. Metode ini memungkinkan sistem menemukan pola atau topik dalam kumpulan dokumen secara otomatis.
Soal 4
Sebuah proyek pengembangan AI di sektor transportasi publik bertujuan membuat sistem yang dapat mendeteksi pelanggaran lalu lintas melalui kamera jalan raya. Sistem harus mampu mengenali kendaraan, membaca plat nomor, serta mendeteksi pelanggaran seperti melanggar lampu merah.
Tim pengembang memutuskan menggunakan Convolutional Neural Network (CNN) sebagai model utama.
Alasan paling tepat penggunaan CNN dalam kasus tersebut adalah …
A. CNN dirancang khusus untuk memproses data numerik dalam tabel
B. CNN mampu mengekstraksi fitur spasial dari citra secara otomatis melalui operasi konvolusi
C. CNN hanya digunakan untuk analisis teks
D. CNN tidak memerlukan dataset pelatihan
E. CNN hanya bekerja pada data berukuran kecil
Jawaban Benar: B
Pembahasan:
Convolutional Neural Network (CNN) sangat efektif untuk pengolahan citra karena mampu mengekstraksi fitur spasial seperti tepi, bentuk, dan pola visual melalui operasi konvolusi. Struktur layer konvolusi, pooling, dan fully connected layer memungkinkan model memahami struktur gambar secara hierarkis sehingga cocok untuk tugas seperti object detection dan image classification.
Soal 5
Sebuah instansi pemerintah mengembangkan sistem AI untuk membantu proses seleksi penerima bantuan sosial berdasarkan berbagai parameter seperti pendapatan, lokasi, dan kondisi ekonomi keluarga. Setelah sistem digunakan, ditemukan bahwa model AI cenderung memberikan skor kelayakan yang lebih rendah kepada kelompok masyarakat tertentu meskipun memiliki kondisi ekonomi serupa dengan kelompok lainnya.
Permasalahan utama yang kemungkinan terjadi dalam sistem tersebut adalah …
A. Model mengalami overfitting terhadap data pelatihan
B. Model mengalami bias algoritmik akibat dataset yang tidak representatif
C. Model menggunakan metode supervised learning
D. Model menggunakan terlalu banyak parameter
E. Model memiliki tingkat akurasi yang terlalu tinggi
Jawaban Benar: B
Pembahasan:
Kasus tersebut menunjukkan kemungkinan adanya algorithmic bias. Bias dapat muncul jika data pelatihan tidak representatif atau mengandung pola diskriminatif yang kemudian dipelajari oleh model AI. Dalam sistem pemerintahan, hal ini menjadi isu penting karena dapat memengaruhi keadilan dalam pengambilan keputusan. Oleh karena itu pengembang AI harus memastikan kualitas data, fairness model, serta transparansi algoritma dalam implementasinya.
Soal 6
Sebuah tim pengembang AI di sebuah kementerian sedang membangun sistem prediksi permohonan layanan publik berbasis data historis dari berbagai daerah. Dataset yang digunakan berisi jutaan baris data, namun setelah dianalisis ditemukan beberapa permasalahan: terdapat nilai yang hilang (missing values), beberapa fitur memiliki skala nilai yang sangat berbeda, serta terdapat data yang duplikat.
Jika model machine learning dilatih langsung menggunakan dataset tersebut tanpa proses persiapan data yang memadai, maka risiko utama yang kemungkinan terjadi adalah …
A. Model akan selalu menghasilkan akurasi yang sangat tinggi
B. Model akan bekerja lebih cepat karena tidak ada proses tambahan
C. Model dapat menghasilkan prediksi yang tidak stabil dan kurang akurat karena kualitas data yang buruk
D. Model akan secara otomatis memperbaiki seluruh kesalahan data
E. Model tidak membutuhkan dataset untuk proses pelatihan
Jawaban Benar: C
Pembahasan:
Dalam machine learning, kualitas data sangat menentukan performa model. Data yang memiliki missing values, skala fitur yang tidak konsisten, atau duplikasi dapat menyebabkan model belajar pola yang tidak akurat. Oleh karena itu diperlukan proses data preprocessing seperti data cleaning, normalisasi, dan penghapusan duplikasi agar model dapat menghasilkan prediksi yang lebih stabil dan akurat.
Soal 7
Sebuah tim pengembang membuat model deep learning untuk mengklasifikasikan jenis laporan masyarakat berdasarkan isi teks. Setelah proses pelatihan, model menunjukkan akurasi 99% pada data training, namun ketika diuji menggunakan data baru, akurasi turun menjadi 70%.
Fenomena yang paling mungkin terjadi pada model tersebut adalah …
A. Underfitting karena model terlalu sederhana
B. Overfitting karena model terlalu menyesuaikan diri dengan data training
C. Model mengalami kesalahan komputasi
D. Model menggunakan algoritma yang salah
E. Model tidak menggunakan dataset pelatihan
Jawaban Benar: B
Pembahasan:
Overfitting terjadi ketika model terlalu “menghafal” pola pada data training sehingga tidak mampu melakukan generalisasi terhadap data baru. Hal ini biasanya terjadi jika model terlalu kompleks, dataset terlalu kecil, atau proses regularisasi tidak dilakukan dengan baik. Teknik seperti cross-validation, dropout, atau regularization dapat digunakan untuk mengurangi overfitting.
Soal 8
Sebuah tim pengembang AI sedang membangun sistem prediksi tingkat kepadatan lalu lintas di kota besar menggunakan data sensor jalan, data cuaca, serta data waktu perjalanan. Salah satu anggota tim mengusulkan untuk menambahkan fitur baru berupa rasio antara jumlah kendaraan dan kapasitas jalan.
Tujuan utama dari penambahan fitur tersebut dalam proses pengembangan model adalah …
A. Mengurangi ukuran dataset
B. Menghilangkan kebutuhan model machine learning
C. Meningkatkan representasi informasi yang relevan bagi model
D. Mengurangi jumlah algoritma yang digunakan
E. Menghapus seluruh fitur lama
Jawaban Benar: C
Pembahasan:
Feature engineering bertujuan untuk meningkatkan kualitas representasi data sehingga model dapat memahami pola yang lebih bermakna. Penambahan fitur seperti rasio kendaraan terhadap kapasitas jalan dapat membantu model memahami hubungan antara jumlah kendaraan dan kondisi kemacetan dengan lebih baik.
Soal 9
Sebuah instansi pemerintah telah berhasil mengembangkan model machine learning untuk mendeteksi potensi penipuan dalam transaksi layanan digital. Setelah model selesai dilatih, sistem harus diintegrasikan ke dalam aplikasi layanan publik yang digunakan oleh jutaan pengguna setiap hari.
Langkah paling penting yang harus diperhatikan pada tahap deployment sistem AI tersebut adalah …
A. Menghapus dataset pelatihan setelah model selesai dibuat
B. Memastikan model dapat berjalan secara stabil, efisien, dan mampu menangani beban permintaan yang tinggi
C. Mengganti seluruh algoritma dengan metode statistik sederhana
D. Menonaktifkan proses monitoring model
E. Mengurangi jumlah pengguna sistem
Jawaban Benar: B
Pembahasan:
Tahap deployment AI tidak hanya berkaitan dengan implementasi model, tetapi juga memastikan sistem dapat berjalan secara skalabel, stabil, dan efisien dalam lingkungan produksi. Hal ini mencakup integrasi dengan sistem aplikasi, monitoring performa model, serta kemampuan menangani beban pengguna yang besar.
Soal 10
Sebuah model AI dikembangkan untuk membantu proses seleksi pelamar kerja dalam sebuah sistem rekrutmen digital. Setelah beberapa bulan digunakan, ditemukan bahwa model lebih sering merekomendasikan kandidat dari latar belakang tertentu meskipun kualifikasi kandidat lainnya setara.
Langkah yang paling tepat dilakukan oleh tim pengembang untuk mengatasi permasalahan tersebut adalah …
A. Menghapus seluruh model AI dari sistem
B. Mengabaikan hasil analisis karena model memiliki akurasi tinggi
C. Melakukan evaluasi dataset pelatihan serta menerapkan metode fairness dalam model
D. Mengurangi jumlah fitur input model
E. Menggunakan dataset yang lebih kecil
Jawaban Benar: C
Pembahasan:
Permasalahan tersebut menunjukkan kemungkinan adanya bias dalam model AI. Untuk mengatasinya, tim pengembang perlu melakukan audit terhadap dataset pelatihan, memastikan representasi data yang lebih seimbang, serta menerapkan teknik fairness-aware machine learning. Hal ini penting agar sistem AI tidak menghasilkan keputusan yang diskriminatif.
Soal 11
Sebuah tim pengembang AI sedang melatih model Gradient Boosting untuk memprediksi kebutuhan layanan kesehatan di berbagai wilayah. Setelah proses pelatihan awal, model menunjukkan performa yang cukup baik, namun tim ingin meningkatkan akurasi prediksi dengan mengoptimalkan parameter seperti jumlah tree, learning rate, dan depth tree.
Metode yang paling tepat digunakan untuk menemukan kombinasi parameter terbaik secara sistematis adalah …
A. Mengganti algoritma dengan regresi linear
B. Menggunakan teknik hyperparameter tuning seperti Grid Search atau Random Search
C. Menghapus sebagian dataset pelatihan
D. Mengurangi jumlah fitur input secara acak
E. Menjalankan model hanya sekali tanpa evaluasi tambahan
Jawaban Benar: B
Pembahasan:
Dalam machine learning, hyperparameter tuning bertujuan menemukan konfigurasi parameter terbaik agar model memiliki performa optimal. Teknik yang umum digunakan adalah Grid Search, Random Search, atau metode yang lebih canggih seperti Bayesian Optimization. Proses ini dilakukan dengan menguji berbagai kombinasi parameter dan mengevaluasi performanya menggunakan validasi silang.
Soal 12
Sebuah tim pengembang AI ingin memastikan bahwa model prediksi yang mereka bangun tidak hanya bekerja baik pada data pelatihan, tetapi juga mampu melakukan generalisasi pada data baru. Untuk itu, mereka membagi dataset menjadi beberapa bagian dan melatih model secara bergantian menggunakan kombinasi subset data yang berbeda.
Metode evaluasi model yang digunakan dalam skenario tersebut adalah …
A. Feature selection
B. Cross-validation
C. Gradient descent
D. Dimensionality reduction
E. Data augmentation
Jawaban Benar: B
Pembahasan:
Cross-validation adalah teknik evaluasi model yang digunakan untuk mengukur kemampuan generalisasi model terhadap data baru. Salah satu metode yang paling umum adalah k-fold cross validation, di mana dataset dibagi menjadi beberapa subset, lalu model dilatih dan diuji secara bergantian menggunakan subset yang berbeda.
Soal 13
Sebuah instansi pemerintah ingin membuat sistem AI yang mampu menganalisis sentimen masyarakat terhadap kebijakan publik melalui media sosial. Salah satu tantangan utama dalam pengembangan sistem ini adalah bagaimana mengubah teks menjadi representasi numerik yang dapat diproses oleh algoritma machine learning.
Metode yang paling umum digunakan untuk mengubah dokumen teks menjadi vektor numerik dalam tahap awal pemodelan adalah …
A. Convolution operation
B. TF-IDF (Term Frequency–Inverse Document Frequency)
C. Gradient boosting
D. Decision tree pruning
E. Batch normalization
Jawaban Benar: B
Pembahasan:
TF-IDF adalah metode yang digunakan untuk mengubah teks menjadi representasi numerik berdasarkan frekuensi kemunculan kata dalam dokumen dan kelangkaannya dalam seluruh korpus dokumen. Teknik ini banyak digunakan dalam Natural Language Processing (NLP) sebagai fitur input untuk berbagai model klasifikasi teks.
Soal 14
Sebuah sistem AI yang digunakan untuk analisis data kependudukan memiliki ratusan variabel fitur yang berasal dari berbagai sumber data. Setelah dilakukan analisis, tim pengembang menemukan bahwa banyak fitur saling berkorelasi sehingga meningkatkan kompleksitas model tanpa menambah informasi yang signifikan.
Teknik yang paling tepat digunakan untuk mengurangi jumlah dimensi data tanpa kehilangan informasi penting adalah …
A. Logistic regression
B. Principal Component Analysis (PCA)
C. Random forest
D. Linear regression
E. Decision tree
Jawaban Benar: B
Pembahasan:
Principal Component Analysis (PCA) adalah teknik dimensionality reduction yang digunakan untuk mengurangi jumlah fitur dalam dataset dengan cara mentransformasikan fitur asli menjadi sejumlah komponen utama yang menangkap sebagian besar variansi data. Teknik ini membantu menyederhanakan model dan meningkatkan efisiensi komputasi.
Soal 15
Sebuah instansi pemerintah menggunakan sistem AI untuk memverifikasi identitas pengguna dalam layanan digital berbasis pengenalan wajah. Namun tim keamanan menemukan bahwa sistem dapat tertipu oleh gambar wajah yang dimodifikasi secara digital.
Jenis ancaman keamanan yang paling mungkin terjadi dalam kasus tersebut adalah …
A. Data normalization error
B. Adversarial attack terhadap model AI
C. Feature scaling problem
D. Overfitting model
E. Hyperparameter instability
Jawaban Benar: B
Pembahasan:
Adversarial attack adalah teknik manipulasi input yang dirancang untuk menipu model AI agar menghasilkan prediksi yang salah. Dalam sistem computer vision seperti pengenalan wajah, perubahan kecil pada gambar dapat menyebabkan model salah mengidentifikasi objek. Oleh karena itu, pengembang AI perlu menerapkan teknik keamanan seperti adversarial training dan sistem deteksi anomali.
Soal 16
Sebuah tim pengembang di sebuah instansi pemerintah sedang merancang sistem AI yang dapat mengoptimalkan pengaturan lampu lalu lintas di kota besar. Sistem tersebut harus mampu menyesuaikan durasi lampu merah dan hijau secara dinamis berdasarkan kondisi lalu lintas yang berubah setiap saat. Model akan belajar dari interaksi dengan lingkungan dan menerima umpan balik berupa pengurangan kemacetan sebagai “reward”.
Pendekatan kecerdasan buatan yang paling tepat digunakan dalam sistem tersebut adalah …
A. Supervised learning menggunakan regresi linear
B. Reinforcement learning dengan mekanisme reward dan punishment
C. Unsupervised learning menggunakan clustering
D. Dimensionality reduction menggunakan PCA
E. Decision tree classification
Jawaban Benar: B
Pembahasan:
Masalah ini melibatkan pengambilan keputusan berurutan berdasarkan interaksi dengan lingkungan. Model belajar melalui sistem reward dan punishment untuk menemukan strategi terbaik. Pendekatan ini merupakan karakteristik utama reinforcement learning, yang sering digunakan pada sistem optimasi seperti pengaturan lalu lintas, robotika, dan game AI.
Soal 17
Sebuah model machine learning dikembangkan untuk mendeteksi transaksi mencurigakan dalam sistem pembayaran digital pemerintah. Namun setelah dianalisis, dataset menunjukkan bahwa hanya 2% data yang merupakan transaksi penipuan, sementara 98% lainnya adalah transaksi normal.
Jika kondisi ini tidak ditangani dengan baik, dampak yang paling mungkin terjadi pada model adalah …
A. Model akan selalu menghasilkan akurasi rendah
B. Model cenderung memprediksi semua transaksi sebagai normal
C. Model tidak dapat dilatih sama sekali
D. Model akan menghasilkan dataset baru secara otomatis
E. Model akan menghapus fitur yang tidak penting
Jawaban Benar: B
Pembahasan:
Dataset dengan distribusi kelas yang tidak seimbang disebut imbalanced dataset. Model cenderung memprediksi kelas mayoritas karena hal tersebut memberikan akurasi tinggi secara keseluruhan. Akibatnya, model bisa gagal mendeteksi kasus minoritas seperti penipuan. Solusi yang umum digunakan antara lain resampling, SMOTE, atau cost-sensitive learning.
Soal 18
Sebuah proyek AI pemerintah mengembangkan sistem analisis data kependudukan yang memanfaatkan berbagai sumber data seperti sensus, catatan layanan publik, dan data mobilitas. Untuk memastikan proses pengolahan data dan pelatihan model berjalan konsisten dan dapat direproduksi, tim pengembang memutuskan menggunakan pipeline machine learning.
Manfaat utama dari penggunaan pipeline dalam pengembangan model AI adalah …
A. Mengurangi kebutuhan dataset pelatihan
B. Menghapus seluruh proses preprocessing
C. Mengotomatisasi dan menstandarkan alur proses mulai dari preprocessing hingga pelatihan model
D. Menghilangkan kebutuhan evaluasi model
E. Mengganti algoritma machine learning
Jawaban Benar: C
Pembahasan:
Machine learning pipeline memungkinkan seluruh proses pengolahan data, transformasi fitur, pelatihan model, dan evaluasi dilakukan secara terstruktur dan otomatis. Hal ini meningkatkan reproducibility, mengurangi kesalahan manual, serta memudahkan integrasi model ke dalam sistem produksi.
Soal 19
Sebuah kementerian ingin membangun sistem analisis berbasis AI yang mampu memproses data dalam jumlah sangat besar dari berbagai sumber seperti sensor kota pintar, data transaksi layanan publik, dan data media sosial. Volume data yang sangat besar membuat sistem komputasi tradisional tidak lagi memadai.
Pendekatan teknologi yang paling tepat digunakan untuk menangani pemrosesan data skala besar tersebut adalah …
A. Komputasi lokal menggunakan satu komputer
B. Sistem penyimpanan manual berbasis spreadsheet
C. Platform komputasi terdistribusi seperti Hadoop atau Spark
D. Penghapusan sebagian besar dataset
E. Penggunaan algoritma statistik sederhana tanpa komputasi
Jawaban Benar: C
Pembahasan:
Ketika menghadapi big data, dibutuhkan sistem komputasi yang mampu memproses data secara paralel dan terdistribusi. Teknologi seperti Hadoop dan Apache Spark memungkinkan pemrosesan data dalam skala besar secara efisien sehingga sangat cocok untuk mendukung pengembangan sistem AI berbasis data besar.
Soal 20
Sebuah sistem AI telah digunakan selama dua tahun untuk memprediksi kebutuhan layanan publik di berbagai daerah. Namun seiring waktu, performa model mulai menurun karena pola data masyarakat berubah akibat perkembangan ekonomi dan teknologi.
Fenomena yang paling mungkin menyebabkan penurunan performa model tersebut adalah …
A. Data compression
B. Data drift atau concept drift
C. Feature scaling error
D. Model initialization problem
E. Gradient explosion
Jawaban Benar: B
Pembahasan:
Data drift atau concept drift terjadi ketika distribusi data atau hubungan antara variabel berubah seiring waktu. Hal ini menyebabkan model yang dilatih pada data lama tidak lagi relevan untuk kondisi terbaru. Oleh karena itu sistem AI perlu dilengkapi dengan monitoring model dan proses retraining berkala agar performanya tetap optimal.
🚀 Tingkatkan Peluang Lulus Seleksi CPNS PPPK Pengembang AI!
Daripada belajar tanpa arah, latih kemampuan Anda dengan paket soal yang dirancang khusus untuk kebutuhan seleksi CPNS/PPPK. Di Fungsional.id, Anda bisa mendapatkan kumpulan soal yang disusun mengikuti pola tes dan materi yang sering diujikan.
✨ Mengapa Paket Soal di Fungsional.id Layak Anda Coba?
📚 Bank soal lengkap dan relevan
Disusun berdasarkan kisi-kisi seleksi CPNS PPPK Pengembang Kecerdasan Buatan sehingga materi latihan lebih terarah.
🧠 Soal berbasis analisis (HOTS)
Dirancang untuk melatih logika, analisis algoritma, serta pemahaman konsep AI yang sering muncul dalam ujian.
📖 Pembahasan detail dan mudah dipahami
Setiap soal dilengkapi penjelasan yang membantu Anda memahami konsep, bukan sekadar menghafal jawaban.
🎯 Membantu memahami pola soal ujian
Latihan secara rutin membuat Anda lebih terbiasa menghadapi soal panjang dan analitis seperti pada tes sebenarnya.
⏱️ Belajar lebih efektif dan terstruktur
Dengan materi yang sudah disusun sistematis, Anda bisa fokus pada topik yang paling penting.
👉 Kunjungi sekarang juga: Fungsional.id
