PAPER STRUKTUR DATA DAN ALGORITMA GRAPH ALGORITHM OLEH : AHMAD HUSEN ARISSA APRILIA N DHANI FATIMA R INDAH

PUSPITASARI MIRANDA NUR QOLBI A PATRICIA VENI SANZA YUNITA PRIMASARI M0511002 M0511010 M0511018 M0511026 M0511034 M0511043 M0511051 JURUSAN INFORMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SE BELAS MARET SURAKARTA 2012

PENDAHULUAN Latar Belakang Graph merupakan struktur data yang paling umum. Jika struktur linear memungkinkan pendefinisian keterhubungan sikuensial antara entit as data, struktur data tree memungkinkan pendefinisian keterhubungan hirarkis, m aka struktur graph memungkinkan pendefinisian keterhubungan tak terbatas antara entitas data. Banyak entitas-entitas data dalam masalah-masalah nyata secara ala miah memiliki keterhubungan langsung (adjacency) secara tak terbatas demikian. C ontoh: informasi topologi dan jarak antar kota-kota di pulau Jawa. Dalam masalah ini kota x bisa berhubungan langsung dengan hanya satu atau lima kota lainnya. Untuk memeriksa keterhubungan dan jarak tidak langsung antara dua kota dapat dip eroleh berdasarkan data keterhubungan-keterhubungan langsung dari kota-kota lain nya yang memperantarainya. Representasi data dengan struktur data linear ataupun hirarkis pada masalah ini masih bisa digunakan namun akan membutuhkan pencarian -pencarian yang kurang efisien. Struktur data graph secara eksplisit menyatakan keterhubungan ini sehingga pencariannya langsung (straightforward) dilakukan pad a strukturnya sendiri. Tujuan Mengenal dan mengetahui seluk beluk graf algoritma Mengetahui masalah-masalah yang ada pada graf algoritma Menunjukkan beberapa ma salah kehidupan nyata, yang dapat dikonversi menjadi grafik. Membuat algoritma u ntuk memecahkan beberapa masalah grafik umum. Menunjukkan bagaimana memilih pili han yang tepat dari struktur data secara yang drastis dapat mengurangi waktu ber jalan algoritma ini. Melihat teknik penting, yang dikenal sebagai depth-first, d an menunjukkan bagaimana hal itu dapat digunakan untuk memecahkan masalah yang t ampaknya trivial beberapa waktu linier. METODOLOGI 1. Menerjemahkan Data Structu res And Algorithm Analysis by Mark Allen Weis ke bahasa Indonesia 2. Mempelajari buku Data Structures And Algorithm Analysis by Mark Allen Weiss 3. Merangkum da ri buku Data Structures And Algorithm Analysis by Mark Allen Weis

HASIL DAN PEMBAHASAN 9.1 Definition Teori graf adalah cabang kajian yang mempela jari sifat-sifat graf. Secara informal, suatu graf adalah himpunan benda-benda y ang disebut simpul (vertex atau node) yang terhubung oleh sisi (edge) atau busur (arc). Biasanya graf digambarkan sebagai kumpulan titik-titik (melambangkan sim pul) yang dihubungkan oleh garis-garis (melambangkan sisi) atau garis berpanah ( melambangkan busur). Suatu sisi dapat menghubungkan suatu simpul dengan simpul y ang sama. Sisi yang demikian dinamakan gelang (loop). Banyak sekali struktur yan g bisa direpresentasikan dengan graf, dan banyak masalah yang bisa diselesaikan dengan bantuan graf. Jaringan persahabatan pada facebook bisa direpresentasikan dengan graf, yakni simpul-simpulnya adalah para pengguna facebook dan ada sisi a ntar pengguna jika dan hanya jika mereka berteman. Perkembangan algoritma untuk menangani graf akan berdampak besar bagi ilmu komputer. Sebuah struktur graf bis a dikembangkan dengan memberi bobot pada tiap sisi. Graf berbobot dapat digunaka n untuk melambangkan banyak konsep berbeda. Sebagai contoh jika suatu graf melam bangkan jaringan jalan maka bobotnya bisa berarti panjang jalan maupun batas kec epatan tertinggi pada jalan tertentu. Ekstensi lain pada graf adalah dengan memb uat sisinya berarah, yang secara teknis disebut graf berarah atau digraf (direct ed graph). Digraf dengan sisi berbobot disebut jaringan. Jaringan banyak digunak an pada cabang praktis teori graf yaitu analisis jaringan. Perlu dicatat bahwa p ada analisis jaringan, definisi kata "jaringan" bisa berbeda, dan sering berarti graf sederhana (tanpa bobot dan arah). 9.1.1. Representation of Graph Salah sat u cara yang mudah untuk merepresentasikan graph adalah menggunakan sebuah array 2 dua dimensi yang dikenal dengan Adjacency Matrix. Adjacency Matrix merupakan r epresentasi matriks n x n yang menyatakan hubungan antar simpul dalam suatu graf . Kolom dan baris dari matriks ini merepresentasikan simpul-simpul, dan nilai en tri dalam matriks ini menyatakan hubungan antar simpul, apakah terdapat sisi yan g menghubungkan kedua simpul tersebut. Pada sebuah matriks nxn, entri non-diagon al aij merepresentasikan sisi dari simpul i dan simpul j. Sedangkan entri diagon al aii menyatakan sisi kalang(loop) pada simpul i. Gambar 4: Graf tak berarah berlabel

Gambar 5: Adjacency matrix Gambar 5 merupakan adjacency matrix yang berkorelasi dengan graf tak berarah pada gambar 4. Kolom dan baris pada matriks merupakan si mpul- simpul berlabel 1-6. Kelebihan dari adjacency matrix ini adalah elemen mat riksnya dapat diakses langsung melalui indeks, dengan begitu hubungan ketetangga n antara kedua simpul dapat ditentukan dengan langsung. Sedangkan kekurangan pad a representasi ini adalah bila graf memiliki jumlah sisi atau busur yang relativ e sedikit, karena matriksnya bersifat jarang yaitu hanya mengandung elemen bukan nol yang sedikit. Kasus seperti ini merugikan, karena kebutuhan ruang memori un tuk matriks menjadi boros dan tidak efisien karena komputer menyimpan elemen 0 y ang tidak perlu. Jika graph tidak rapat dengan kata lain jika graph renggang, so lusi yang lebih baik adalah menggunakan representasi Adjacency list. adjacency l ist merupakan bentuk representasi dari seluruh sisi atau busur dalam suatu graf sebagai suatu senarai. Simpul-simpul yang dihubungkan sisi atau busur tersebut d inyatakan sebagai simpul yang saling terkait. Dalam implementasinya, hash table digunakan untuk menghubungkan sebuah simpul dengan senarai berisi simpul-simpul yang saling terkait tersebut. Gambar 3 : Undirected Cyclic Graph Graf pada gambar 3 dapat dideskripsikan sebag ai senarai {a,b},{a,c},{b,c}. Dan representasi adjacency list dapat digambarkan melalui tabel di bawah ini.

Tabel 1. Representasi Adjacency List Vertex Adjacency a Adjacent to b Adjacent t o c Adjacent to Array of Adjacent b,c a,c a,b Salah satu kekurangan dari teknik representasi ini adalah tidak adanya tempat un tuk menyimpan nilai yang melekat pada sisi. Contoh nilai ini antara lain berupa jarak simpul, atau beban simpul. 9.2 Topological Sort Topological sort adalah su atu urutan simpul dengan graf acyclic terarah. Dengan kata lain jika ada jalanda ri vI ke vj, maka vj muncul setelah vi saat pengurutan. Gambar diatas merupakan contoh graf acyclic yang merepresentasikan struktur pras yarat rangkaian. Pengurutan topological dari rangkaian ini adalah setiap urutan rangkaian tidak boleh melanggar syarat prasyarat. Sudah jelas bahwa dalam pengur utan topologi tidak mungkin jika grafik memiliki siklus, karena pada dua simpul v dan w pada siklus, v mendahului w, dan w mendahului v. selain itu, pengurutan tidak harus unik, hanya pengurutan yang sah yang dilakukan.

Pada graf diatas, v1, v2, v5, v4, v3, v7, v6 dan v1, v2, v5, v4, v7, v3, v6 adal ah pengurutan topological. Algoritma yang sederhana untuk menemukan pengurutan t opological adalah pertama, menemukan simpul tanpa ujung. Nantinya simpul ini dap at dicetak dn dihapus bersama dengan tepinya dari graf tersebut. Strategi yang s ama dapat diterapkan oleh seluruh grafik. Untuk merumuskannya, kita definisikan indegree dari simpul v sebagai nilai dari sisi(u,v). kita hitung indegree dari s eluruh simpul pada graf. Dengan asmusi bahwa indegree dari setiap simpul disimpa n dan ditafsirkan oleh sebuah adjacency list. Method findNewVertexOfIndegreeZero meninjau array untuk mencari simpul dengan in degree 0 yang belum diberi nomor topological. Method inin mengembalikan nilai nu ll bila simpul yang dicari tidak ada. Hal ini menunjukkan bahwa graf tersebut me miliki siklus.

Karena findNewVertexOfIndegreeZero adalah peninjauan sekuensial secara sederhana dari array simpul, maka setiap proses membutuhkan waktu O (| V |). Karena ada | V | seperti panggilan, waktu berjalan dari algoritma ini adalah O (| V | 2). De ngan lebih berhati-hati memperhatikan struktur data, tidak mustahil untuk melaku kan yang lebih baik. Penyebab waktu berjalan yang buruk adalah peninjauan secara sekuensial melalui array simpul. Jika grafik jarang, kita akan mengharapkan bah wa hanya sedikit simpul yang indegrees-nya diperbarui setiap iterasi. Namun, dal am pencarian simpul dari indegree 0, kita berpotensi melihat semua simpul, meski pun hanya sedikit yang berubah. Kita dapat menghapus ketidak-efisiensi-an ini de ngan menjaga semua (unassigned) simpul dari indegree 0 dalam kotak khusus. Metho d findNewVertexOfIndegreeZero kemudian kembali (dan menghapus) setiap titik dala m kotak. Ketika pengurangan indegrees dari simpul yang berdekatan, kita periksa setiap titik dan tempatkan dalam kotak jika indegree nya 0. Untuk mengimplementa sikan kotak, kita dapat menggunakan salah satu stack atau queue, kita akan mengg unakan antrian. Pertama, indegree dihitung untuk setiap simpul. Kemudian semua s impul dari indegree 0 ditempatkan pada antrian yang awalnya kosong. Selama antri an tidak kosong, simpul v akan dihapus, dan semua simpul yang berdekatan dengan v indegreenya diturunkan. Sebuah simpul disimpan di antrian segera setelah indeg ree nya 0. Urutan topological selanjutnya adalah urutan simpul dequeue. Tabel di bawah menunjukkan status setelah setiap tahap.

Implementasi pseudocode dari algoritma ini ditunjukkan pada Gambar 9.7. Kita ang gap setiap simpul memiliki bidang bernama topNum, dimana penomorannya secara top ological. Waktu untuk mengeksekusi algoritma ini adalah O (| E | + | V |) jika m enggunakan adjacency list meskipun ada nested loop. Sudah jelas bahwa tubuh loop dieksekusi paling banyak satu kali per tepi. Operasi antrian dilakukan paling b anyak satu kali per titik, dan langkah-langkah inisialisasi lainnya, termasuk pe rhitungan indegrees, juga membutuhkan waktu sebanding dengan ukuran graf. 9.3 Sh ortest-Path Algorithm Pada bagian ini kita akan mengkaji berbagai masalah shorte st-path. Inputnya adalah grafik berbobot: yang terkait dengan setiap tepi (vi, v j) adalah nilai ci,j untuk melintasi tepi. Nilai yang dibutuhkan untuk perjalana n v1v2. . . vN adalah

. Hal ini disebut sebagai panjang jalan berbobot. Panjang jalan tak berbobot ada lah jumlah tepi pada jalur, yaitu N - 1. Single-source Shortest-Path Problem Dib erikan sebagai input graf berbobot G = (V, E), dan sebuah simpul yang dibedakan, s, menemukan jalur terpendek berbobot dari s ke setiap simpul lainnya di G. Sebagai contoh, dalam grafik pada Gambar 9,8, jalan terpendek berbobot dari v1 k e v6 memiliki nilai 6 dan jalurnya dari v1 ke v4 ke v7 ke v6. Jalan terpendek te rpendek tak berbobot antara simpul ini adalah 2. Grafik di Gambar 9.9 menunjukkan masalah yang dapat menyebabkan tepi bernilai ne gatif. Jalan dari v5 ke v4 memiliki nilai 1, tapi jalan yang lebih pendek bisa d ihasilkan dengan mengikuti loop v5, v4, v2, v5, v4, yang memiliki nilai -5. Jala n ini bukan terpendek, karena kita melakukan loop panjang seenaknya. Dengan demi kian, jalur terpendek antara dua titik tidak terdefinisi. Demikian pula, jalur t erpendek dari v1 ke v6 tidak terdefinisi, karena kita bisa masuk ke dalam lingka ran yang sama. Loop ini dikenal sebagai siklus nilai negatif. Nilai negatif tepi bukan merupakan hal yang buruk, sebagai siklus, tapi dapat membuat masalah lebi h rumit. Untuk kenyamanan, siklus nilai negative ditiadakan, jalur terpendek dar i s ke s adalah nol.

Pengujian algoritma untuk memecahkan empat versi dari masalah ini adalah pertama , kita pertimbangkan masalah jalan terpendek tak berbobot dan menunjukkan bagaim ana mengatasinya dalam O (| E | + | V |). Selanjutnya, kita tunjukkan cara untuk memecahkan masalah jalan terpendek berbobot jika kita menganggap bahwa tidak ad a tepi negatif. Waktu berjalan untuk algoritma ini adalah O (| E | log | V |) ke tika diimplementasikan dengan struktur data yang wajar. Jika grafik memiliki tep i negatif, ada solusi yang sederhana, namun sayangnya memiliki waktu yang buruk terikat O (| E | | V |). sehingga, kita harus memecahkan berbobot masalah untuk khusus kasus grafik asiklik dalam waktu linier. 9.3.1. Unweighted Shortest Paths Gambar 9.10 menunjukkan grafik tak berbobot, G. Menggunakan beberapa simpul, s, yang merupakan parameter input, kita akan mencari jalur terpendek dari s ke semu a simpul lainnya. Kita hanya tertarik pada jumlah tepi yang terdapat pada jalan, sehingga tidak ada beban pada tepi. Hal ini jelas merupakan kasus khusus dari m asalah jalan terpendek berbobot, karena kita bisa menetapkan semua sisi berat ad alah 1. Misalkan kita memilih untuk menuju v3. Dapat dikatakan bahwa jalan terpe ndek dari s ke v3 adalah jalan dari panjang 0. Seprti pada Gambar 9.11.

Sekarang kita dapat mulai mencari semua simpul yang jaraknya 1 dari s. Simpul in i yang bisa ditemukan dengan melihat simpul yang berdekatan dengan s. Jika kita melakukan ini, kita melihat bahwa v1 dan v6 adalah satu sisi dari s. Hal ini dit unjukkan pada Gambar 9.12. Sekarang kita dapat menemukan simpul yang terpendek jalur dari s = 2, dengan men cari semua berdekatan dengan v1 dan v6 (simpul pada jarak 1), yang jalur terpend eknya belum diketahui. Pencarian ini memberitahu kita bahwa jalur terpendek ke v 2 dan v4 adalah 2. Gambar 9.13 menunjukkan kemajuan yang telah dibuat sejauh ini . Akhirnya kita dapat menemukan, dengan memeriksa simpul berdekatan dengan v2 dan v4 baru-baru ini dievaluasi, yaitu v5 dan v7 yang memiliki jalur terpendek dari tiga sisi. Semua simpul kini telah dihitung, dan Gambar 9.14 menunjukkan hasil a khir dari algoritma.

Strategi untuk mencari grafik ini dikenal sebagai breadth-first search. Menginga t kita harus menerjemahkan strategi inivkode. Gambar 9.15 menunjukkan awal konfi gurasi meja bahwa algoritma kita akan menggunakan untuk melacak kemajuannya. Algoritma dasarnya digambarkan pada Gambar 9.16. Algoritma pada Gambar 9.16 meni ru diagram dengan pendeklarasian sebagai simpul yang diketahui pada jarak d = 0, maka d = 1, maka d = 2, dan seterusnya, dan mengatur semua simpul yang berdekat an w yang nilainya masih dw = ke dw = d + 1.

Waktu berjalan dari algoritma ini adalah O (| V | 2), karena terdapat doubly nes ted loops. Sebuah ketidak-efisiensi-an yang jelas adalah bahwa loop terluar teru s berjalan sampai NUM_VERTICES - 1, bahkan jika semua simpul sudah diketahui seb elumnya. Meskipun pengujian tambahan dapat dibuat untuk menghindari hal ini, tid ak akan mempengaruhi running time terburuk, seperti dapat dilihat dengan general isasi apa yang terjadi ketika input adalah grafik pada Gambar 9.17 dengan start vertex v9. Kita dapat menghapus ketidak-efisiensian ini dengan cara yang sama dengan topolo gi. Pada setiap titik waktu, hanya ada dua jenis simpul yang tidak diketahui yan g memiliki dv . Beberapa dv = currDist dan sisanya memiliki dv = currDist + 1. Na mun hal ini sangat mebuang-buang waktu karena harus mencari di seluruh tabel unt uk menemukan simpul yang sebenarnya.

Solusi yang sangat sederhana namun abstrak adalah dengan menjaga dua kotak. Kota k #1 memiliki simpul tidak diketahui dengan currDist = dv, dan kotak #2 memiliki dv = currDist + 1. Untuk menguji penemuan simpul v yang tepat, v dapat diganti dengan mencari setiap titik di dalam kotak #1. Setelah memperbarui w (ada di pal ing dalam jika blok), kita dapat menambahkan w untuk kotak #2. Setelah loop terl uar berakhir, kotak #1 kosong, dan kotak #2 dapat ditransfer ke kotak #1 untuk t ahap berikutnya. Algoritmanya ditunjukkan pada Gambar 9.18 dan Gambar 9.19 menun jukkan bagaimana nilai-nilai pada grafik berubah selama proses. Dengan analisis yang sama dengan jenis topologi, dapat dilihat bahwa running time nya adalah O ( | E | + | V |), selama daftar adjacency digunakan.

9.3.2. Dijkstras Algorithm Jika grafik diberi bobot, masalah (ternyata) menjadi l ebih sulit, tetapi kita masih dapat menggunakan cara dari kasus tak berbobot. Me tode umum untuk memecahkan masalah single-source shortest-path dikenal sebagai A lgoritma Dijkstra. Algoritma Greedy umumnya memecahkan masalah secara bertahap d engan mengerjakan yang terlihat terbaik pada setiap tahap. Misalnya, untuk membu at perubahan dalam mata uang AS, yang paling menghitung orang keluar kuartal per tama, kemudian dime, sen, dan uang. Algoritma rakus memberikan perubahan menggun akan jumlah minimum koin. Masalah utama dengan algoritma greedy adalah bahwa mer eka tidak selalu bekerja. Penambahan sepotong 12-sen dapat merubah algoritma koi n untuk mengembalikan 15 sen, karena jawaban yang diberikan (sebuah 12-sen dan t iga sen) tidak optimal (satu dime dan satu nikel). Grafik pada Gambar 9.20 adala h contoh kita. Gambar 9.21 merupakan konfigurasi awal, dengan asumsi bahwa node awal, s, adalah v1.Simpul pertama yang

dipilih adalah v1, dengan panjang jalan 0. Simpul inidiketahui. Sehingga sekaran g v1 diketahui, beberapa entri perlu disesuaikan. Simpul yang berdekatan dengan v1 adalah v2 dan v4. Kedua simpul mendapatkan masukan mereka disesuaikan, sebaga i ditunjukkan pada Gambar 9.22. Kemudian v4 dipilih dan diketahui. Simpul v3, v5, v6, v7 dan berdekatan, dan ter nyata semua memerlukan penyesuaian, seperti yang ditunjukkan pada Gambar 9.23.

Selanjutnya, v2 dipilih. v4 berdekatan tapi sudah diketahui, sehingga tidak ada pekerjaan dilakukan disini. v5 berdekatan tapi tidak disesuaikan, karena nilai y ang melalui v2 adalah 2 + 10 = 12 dan jalur dengan panjang 3 sudah diketahui. Ga mbar 9.24 menunjukkan tabel setelah ini adalah simpul dipilih. Simpul berikutnya yang dipilih adalah v5 dengan biaya 3. v7 adalah satusatunya t itik yang berdekatan, tetapi tidak disesuaikan, karena 3 + 6> 5. Kemudian v3 dip ilih, dan jarak untuk v6 disesuaikan ke bawah sampai 3 + 5 = 8. Tabel yang dihas ilkan digambarkan pada Gambar 9.25. v7 Berikutnya dipilih; v6 diperbarui menjadi 5 + 1 = 6. Tabel yang dihasilkan ad alah Gambar 9.26. Akhirnya, v6 dipilih. Tabel terakhir ditunjukkan pada Gambar 9 .27. Gambar 9.28 secara grafis menunjukkan bagaimana tepi ditandai dikenal dan t itik diperbarui dalam algoritma Dijkstra.

Sekarang kita berikan pseudocode untuk mengimplementasikan algoritma Dijkstra. S etiap Vertex disimpan di berbagai field data yang digunakan dalam algoritma. Hal ini ditunjukkan pada Gambar 9.29. Jalan itu dapat dicetak menggunakan routine rekursif pada Gambar 9.30. Routine r ekursif mencetak jalan sepanjang jalan sampai ke titik sebelum v di jalan dan ke mudian mencetak v. Hal ini bekerja secara sederhana. Gambar 9.31 menunjukkan alg oritma utama, yang hanya loop untuk mengisi tabel dengan menggunakan aturan gree dy selection.

Waktu berjalan tergantung pada bagaimana simpul dimanipulasi, yang belum diperti mbangkan. Jika kita menggunakan algoritma nyata dari pemindaian berurutan simpul untuk menemukan dv minimum, setiap tahap akan memerlukan waktu O (|V|) untuk me nemukan nilai minimum, dengan demikianwaktu selama O (|V|2) akan dihabiskan untu k menemukan nilai minimum selama satu algoritma. Waktu untuk memperbarui dw adal ah konstan per pembaruan, dan paling banyak adalah satu pembaruan per tepi untuk total O (|E|). Dengan demikian, waktu berjalan total adalah O(|E|+|V|2) = O(|V| 2). Jika grafik padat, dengan | E | = (|V|2), algoritma ini tidak hanya sederhan a tetapi juga optimal, karena berjalan dalam waktu linier dalam jumlah tepi. Jik a grafiknya jarang, dengan |E| = (|V|), algoritma ini terlalu lambat. Dalam hal i ni, jarak perlu disimpan dalam antrian prioritas. Sebenarnya ada dua cara untuk melakukan ini; keduanya sama.

9.3.3. Graph with Negative Edge Cost Jika grafik memiliki nilai tepi negatif, ma ka algoritma Dijkstra tidak akan bekerja. Masalahnya adalah sekali u simpul diny atakan diketahui, ada kemungkinan dari beberapa simpul lainnya, simpul v yang ti dak diketahui memiliki jalan kembali ke u yang sangat negatif. Dalam kasus seper ti itu, mengambil jalan dari s ke v kembali ke u lebih baik daripada pergi dari s ke u tanpa menggunakan v. Sebuah solusi yang menarik adalah menambahkan konsta n untuk setiap biaya tepi, sehingga menghilangkan tepi negatif, menghitung jalur terpendek pada grafik baru, dan kemudian menggunakan hasilnya kepada yang asli. Implementasi naif dari strategi ini tidak bekerja karena jalan dengan banyak te pi menjadi lebih berat daripada jalan dengan beberapa tepi. Kombinasi algoritma berbobot dan tak berbobot akan memecahkan masalah, tetapi pada nilai peningkatan yang drastis saat waktu berjalan. Kita mulai dengan menempatkan s pada antrian. Kemudian, pada setiap tahap, kita dequeue simpul v. Kita akan menemukan semua s impul w yang berdekatan dengan v sehingga dw > dv + cv,w. Kita perbarui dw dan p w, dan tempatkan w di antrian jika belum ada. Sedikit dapat diatur untuk setiap simpul untuk menunjukkan kehadiran dalam antrian. Antrian diulangi terus menerus hingga kosong. Gambar 9.32(hampir) mengimplementasikan algoritma ini.

Meskipun algoritma bekerja jika tidak ada nilai siklus negatif, maka tidak lagi benar bahwa kode di dalam loop dijalankan sekali per tepi. Setiap simpul dapat d idequeue paling tidak |V| kali, sehingga waktu berjalannya adalah O(|E| |V|) jik a adjacency list digunakan. Hal ini cukup meningkat dari algoritma Dijkstra, seh ingga sangat menguntungkan dalam prakteknya, nilai tepi adalah nonnegatif. Jika nilai siklus negative yang hadir, maka algoritma seperti yang tertulis akan beru lang tanpa batas. Dengan menghentikan algoritma ini setelah setiap simpul memili ki dequeued |V| + 1 kali, kita dapat menjamin penghentian. 9.3.4. Acyclic Graphs Jika grafik diketahui asiklik, kita dapat meningkatkan algoritma Dijkstra denga n mengubah urutan simpul dinyatakan diketahui, atau diketahui sebagai aturan pem ilihan simpul. Aturan baru adalah dengan memilih simpul untuk topologi. Algoritm a ini dapat diselesaikan dalam satu proses, karena pilihan dan pembaruan dapat b erlangsung sebagai jenis topologi sedang dilakukan. Aturan seleksi bekerja karen a ketika simpul v dipilih, jarak, d v, tidak bisalagi diturunkan, karena dengan aturan pengurutan topologi, ini tidak memiliki ujung masukan yang berasal dari n ode diketahui. Sebuah grafik asiklik bisa meniru beberapa masalah skiing (kita a kan pergi dari titik a ke b tetapi hanya dapat turun bukit), jadi jelas tidak ad a siklus. Aplikasi lain yang mungkin bisa ditiru adalah reaksi kimia (nonreversi ble). Suatu penggunaan yang lebih penting dari grafik asiklik adalah critical pa th analysis (analisa jalur kritis). Grafik di Gambar 9.33 akan menjadi contoh ki ta. Setiap node merupakan suatu aktivitas yang harus dilakukan, bersama dengan w aktu yang dibutuhkan untuk menyelesaikan aktivitas. Grafik ini dikenal sebagai s ebuah grafik aktivitas-node. Tepi mewakili hubungan yang diutamakan: tepi (v, w) berarti bahwa aktivitas v harus diselesaikan sebelum kegiatan w mungkin dimulai . Tentu saja, ini berarti bahwa grafik harus asiklik. Kita asumsikan bahwa setia p kegiatan yang tidak tergantung (baik secara langsung atau tidak langsung) satu sama lain dapat dilakukan secara paralel oleh server yang berbeda.

Untuk melakukan perhitungan ini, kita mengubah grafik aktivitas-node ke event-no de graph. Setiap event sesuai dengan selesainya suatu aktivitas dan semua aktivi tas yang tergantung. Event dicapai dari simpul v dalam grafik event-node mungkin tidak dapat dimulai sampai event v selesai. Grafik ini dapat dibangun secara ot omatis atau dengan tangan. Tepi tiruan dan simpul mungkin perlu dimasukkan dalam kasus di mana suatu kegiatan tergantung pada yang lainnya. Hal ini diperlukan u ntuk menghindari dependensi palsu (atau salah kurangnya dependensi). Grafik even t-node yang sesuai dengan grafik pada Gambar 9.33 ditunjukkan oleh Gambar 9.34. Untuk menemukan waktu penyelesaian awal proyek, kita hanya perlu menemukan panja ng jalan terpanjang dari event pertama ke event terakhir. Untuk grafik biasanya, masalah jalan-terpanjang umumnya tidak masuk akal, dikarenakan kemungkinan nila i siklus positif. Ini adalah setara dengan masalah nilai siklus negative pada ja lan terpendek. Jika siklus positif yang hadir, kita bisa meminta jalan terpanjan g sederhana, tetapi tidak ada solusi yang memuaskan dikenal untuk masalah ini. K arena graf event-node adalah asiklik, kita tidak perlu khawatir tentang siklus. Dalam hal ini, adaptasi mudah dilakukan oleh algoritma-jalan terpendek untuk men ghitung awal penyelesaian waktu untuk semua node dalam grafik. Jika ECi adalah w aktu penyelesaian paling awal untuk node i, maka aturan yang berlaku adalah:

Gambar 9.35 menunjukkan waktu penyelesaian paling awal untuk setiap peristiwa da ri contoh grafik event-node. Kita juga dapat menghitung waktu terakhir, LCi, bah wa setiap peristiwa dapat menyelesaikan tanpa mempengaruhi waktu akhir penyelesa ian. Rumus untuk melakukan hal ini adalah Nilai-nilai ini dapat dihitung dalam waktu linier dengan mempertahankan, untuk s etiap simpul, sebuah daftar dari simpul yang berdekatan dan terdahulu. Waktu sel esai terbaru yang ditunjukkan pada Gambar 9.36. Waktu slack untuk setiap tepi dalam grafik event-node merupakan jumlah waktu yan g penyelesaian aktivitasnya dapat ditunda tanpa menunda penyelesaian keseluruhan . Sangat mudah untuk melihat bahwa Gambar 9.37 menunjukkan kendur (sebagai entri ketiga) untuk setiap kegiatan dalam grafik event-node. Untuk setiap node, nomor teratas adalah waktu penyelesaian paling awal dan masuknya bawah adalah terbaru penyelesaian waktu. Beberapa aktivitas memiliki slack nol. Ini adalah aktivitas kritis, yang harus d iselesaikan sesuai dengan jadwal. Setidaknya ada satu jalur yang seluruhnya terd iri dari tepi zero-slack, jalan semacam itu disebut jalur kritis.

9.3.5. All-Pairs Shortest Path Kadang-kadang penting untuk menemukan jalan terpe ndek antara semua pasang simpul dalam grafik. Meskipun kita bisa menjalankan sin gle-source algorithm yang tepat |V| kali, kita mungkin mengharapkan solusi yang agak lebih cepat, terutama pada grafik padat, jika kita menghitung semua informa si sekaligus. Dalam Bab 10, kita akan melihat algoritma O (|V|3) untuk memecahka n masalah ini untuk grafik berbobot. Meskipun, untuk grafik padat, hal ini sama dengan menjalankan secara sederhana algoritma Dijkstra (antrian tidak dipriorita skan) |V| kali, loop terjadi begitu ketat yang dispesialkan untuk semua-pasangan algoritma yang mungkin akan lebih cepat dalam praktek. Pada grafik jarang, tent u saja, itu lebih cepat untuk menjalankan |V| algoritma Dijkstra yang dikodekan dengan antrian prioritas. 9.3.6. Shortest-Path Example Pada bagian ini kita menu lis beberapa rutinitas Java untuk menghitung tangga kata. Dalam tangga kata seti ap kata dibentuk dengan mengubah satu karakter dalam kata sebelumnya tangga ters ebut. Sebagai contoh, kita dapat mengkonversi zero sampai five dengan urutan sat u karakter substitusi sebagai berikut: zero hero here hire fire five. Ini adalah masalah terpendek tak berbobot di mana setiap kata adalah simpul, dan dua simpu l memiliki tepi (dua arah) antara mereka jika mereka dapat dikonversi ke satu sa ma lain dengan substitusi satu karakter. Pada Bagian 4.8, kita menjelaskan dan m enulis routine Java yang akan menciptakan sebuah himpunan dengan kunci kata-kata , dan nilai-nilainya adalah daftar yang berisi kata-kata yang dapat mengakibatka n dari transformasi satu karakter. Dengan demikian, himpunan ini merupakan grafi k, dalam format adjacency list, dan kita hanya perlu menulis satu routine untuk menjalankan single-source unweighted algoritma terpendek dan rountine kedua untu k output urutan kata-kata, setelah single-source unweighted algoritma terpendek selesai. Kedua rutinitas ini ditunjukkan pada Gambar 9.38.

9.4 Network Flow Problem Misal diberikan grafik G = (V, E) dengan kapasitas tepi cv, w. Kapasitas ini bisa mewakili jumlah air yang mengalir melalui pipa atau j umlah lalu lintas yang dapat

mengalir di jalan di antara dua persimpangan. Kita memiliki dua simpul: s, yang kita sebut sumber, dan t, yang merupakan muara. Melalui tepi apapun, (v, w),di u nit cv, w aliran bisa terlewati. Pada setiap titik v, yang bukan s atau t, alira n masuk harus sama dengan total aliran keluar. Masalah arus maksimum adalah mene ntukan jumlah maksimum aliran yang dapat lewat dari s ke t. Sebagai contoh, untu k grafik pada Gambar 9.39 aliran maksimum kiri adalah 5, seperti ditunjukkan ole h grafik di kanan. Meskipun contoh grafik ini adalah asiklik, ini bukan ketentua n; algoritma akan bekerja bahkan jika grafik memiliki siklus. Sebagaimana disyaratkan oleh pernyataan masalah, tidak ada tepi yang membawa ali ran lebih dari kapasitasnya. Vertex memiliki tiga unit aliran masuk, yang didist ribusikan untuk c dan d. Vertex d mengambil tiga unit aliran dari a dan b dan me nggabungkan keduanya, mengirimkan hasilnya ke t. Sebuah simpul dapat menggabungk an dan mendistribusikan aliran dengan cara apapun yang ia suka, selama kapasitas tepi tidak dilanggar dan selama konservasi aliran tetap terjaga (apa yang masuk harus keluar). Melihat grafik, kita melihat bahwa s memiliki tepi kapasitas 4 d an 2 meninggalkannya, dan t memiliki tepi kapasitas 3 dan 3 memasukinya. Jadi mu ngkin aliran maksimum bisa menjadi 6 bukan 5. Namun, Gambar 9.40 menunjukkan bag aimana kita dapat membuktikan bahwa aliran maksimum adalah 5. Kita potong grafik menjadi dua bagian, satu bagian berisi s dan beberapa simpul lainnya; bagian la in berisi t. Karena aliran harus menyeberang melalui potongan, total kapasitas s emua sisi (u, v) dimana u di partisi s dan v adalah di partisi t adalah ikatan p ada aliran maksimum. Ujung-ujungnya (a, c) dan (d, t), dengan total kapasitas 5, jadi aliran maksimum tidak dapat melebihi 5. Setiap grafik memiliki sejumlah be sar potongan; cut dengan total kapasitas minimal menyediakan ikatan pada aliran maksimum, dan ternyata, kapasitas pemotongan minimum persis sama dengan arus mak simum.

9.4.1. A Simple Maximum-Flow Algorithm Upaya pertama untuk memecahkan masalah di lakukan secara bertahap. Kita mulai dengan grafik kita, G, dan membangun Gf graf ik aliran. Gf menceritakan aliran yang telah dicapai pada setiap tahap dalam alg oritma. Awalnya semua sisi di Gf memiliki tidak memiliki arus, dan kita berharap bahwa ketika algoritma berakhir, Gf berisi aliran.Kita maksimal juga membangun sebuah grafik, Gy, yang disebut sisa grafik. Gy mengatakan, untuk setiap sisi, b erapa banyak aliran yang lebih dapat ditambahkan. Kita bisa menghitung ini denga n mengurangi aliran arus dari kapasitas untuk setiap sisinya. Kelebihan Gy diken al sebagai sisa tepi. Pada setiap tahap, kita menemukan jalan di Gy dari s ke t. Jalan ini dikenal sebagai penambah jalan. Tepi minimum di jalan ini adalah juml ah arus yang dapat ditambahkan untuk setiap tepi di jalan. Kami melakukan ini de ngan menyesuaikan Gf dan Gy recomputing. Ketika kita tidak menemukan jalan dari s ke t di Gy, proses diakhiri. Algoritma ini tidak dideterminasi, kita bebas unt uk memilih jalur dari s ke t; jelas beberapa pilihan lebih baik daripada yang la in, dan kita akan mengatasi masalah ini nanti. Kita akan menjalankan algoritma i ni pada contoh. Grafik di bawah ini adalah G, Gf, Gy, masing-masing. Perlu diket ahui bahwa ada sedikit cacat dalam algoritma ini. Awal konfigurasi pada Gambar 9 .41. Ada banyak jalan dari s ke t pada grafik sisa. Misalkan kita pilih s, b, d, t. L alu kita bisa mengirim dua unit mengalir melalui tepi setiap di jalan ini. Kita akan mengadopsi konvensi bahwa sekali kita telah mengisi (penuh), tepi tersebut akan dihapus dari sisa grafik. Kemudian kita dapatkan Gambar 9.42.

Berikutnya, kita mungkin memilih jalur s, a, c, t, yang juga memungkinkan dua un it aliran. Hal ini ditunjukkan grafik pada Gambar 9.43. Satu-satunya jalan kiri untuk memilih adalah s, a, d, t, yang memungkinkan satu unit aliran. Ditunjukkan pada Gambar 9.44. Algoritma ini berakhir pada titik ini, karena t tidak bisa diakses dari s. Yang dihasilkan aliran dari 5 terjadi menjadi maksimal. Untuk melihat apa masalahnya, misalkan dengan grafik awal kita memilih jalan s, a, d, t. Jalur ini memungkink an tiga

unit aliran dan dengan demikian tampaknya menjadi pilihan yang baik. Hasil pilih an ini, bagaimanapun, hanya meninggalkan satu jalur dari s ke t pada grafik sisa , yang memungkinkan satu unit lebih banyak aliran, dan dengan demikian, algoritm a kita mengalami kegagalan menemukan solusi optimal. Ini adalah contoh dari algo ritma rakus yang tidak bekerja. Gambar 9.45 menunjukkan mengapa algoritma gagal. Untuk membuat algoritma ini bekerja, kita perlu membuat algoritma mengubah pikir annya. Untuk melakukan ini, untuk setiap sisi (v, w) dengan aliran fv,w pada gra fik aliran, kita akan menambahkan sebuah sisi dalam grafik sisa (w, v) dari kapa sitas fv,w. Akibatnya, kita membiarkan algoritma untuk membatalkan nya keputusan dengan mengirimkan arus kembali ke arah berlawanan. Hal ini paling baik dilihat dengan contoh. Mulai dari grafik asli kita dan memilih jalan menambah s, a, d, t, kita memperoleh grafik dalam Gambar 9,46. Perhatikan bahwa dalam grafik sisa, ada tepi di kedua arah antara a dan d. Entah satu unit aliran lagi dapat didorong dari a ke d, atau sampai dengan tiga unit dapat didorong kembali kita dapat membatalkan aliran. Sekarang algoritma

menemukan cara untuk menambah jalan s, b, d, a, c, t, dari aliran 2. Dengan mend orong dua unit mengalir dari d ke a, algoritma mengambil dua unit aliran jauh da ri tepi (a, d) dan pada dasarnya mengubah pikirannya. Gambar 9.47 menunjukkan gr afik baru. Tidak ada jalur menambah dalam grafik ini, sehingga algoritma berakhir. Perhatik an bahwa hasil yang sama akan terjadi jika pada Gambar 9.46, jalan menambah s, a , c, t dipilih yang memungkinkan satu unit aliran, karena dengan begitu jalan me nambah berikutnya dapat ditemukan. Sangat mudah untuk melihat bahwa jika algorit ma berakhir, maka harus berakhir dengan aliran maksimal. Pemutusan menyiratkan b ahwa tidak ada jalan dari s ke t pada grafik sisa. Jadi memotong sisa grafik, me nempatkan simpul dicapai dari s di satu sisi, dan tidak bisa dicapai (termasuk t ) di sisi lain. Gambar 9.48 menunjukkan pemotongan. Jelas setiap tepi dalam graf G asli yang melintasi pemotongan harus penuh, jika tidak, akan ada sisa aliran yang tersisa di salah satu tepi, yang kemudian akan berarti keunggulan yang meli ntasi pemotongan (di arah yang salah) di Gy. Tapi itu berarti bahwa aliran dalam G persis sama dengan kapasitas pemotongan G, maka kita memiliki aliran maksimum .

Jika biaya tepi dalam grafik adalah bilangan bulat, maka algoritma harus berhent i, masing-masing augmentasi menambahkan unit aliran, jadi kita akhirnya mencapai aliran maksimum, meskipun tidak ada jaminan bahwa ini akan menjadi efisien. Sec ara khusus, jika kapasitas semua bilangan bulat dan aliran maksimum adalah f, ma ka, karena masing-masing jalan menambah meningkatkan nilai aliran dengan di 1 se tidaknya, f tahap cukup, dan waktu berjalan total adalah O (f | E |), karena jal an yang dapat menambah ditemukan dalam O (| E |) waktu dengan algoritma terpende k-jalan unweighted. Contoh klasik dari mengapa ini adalah waktu yang berjalan bu ruk ini ditunjukkan oleh grafik pada Gambar 9.49. Aliran maksimum dilihat dengan inspeksi menjadi 2.000.000 dengan mengirimkan 1.0 00.000 bawah setiap sisi. Augmentations acak terus bisa menambah sepanjang jalur yang mencakup tepi terhubung dengan a dan b. Jika ini terjadi berulang kali, 2. 000.000 augmentations akan diperlukan, ketika kita bisa bertahan dengan hanya 2. Sebuah metode sederhana untuk mengatasi masalah ini selalu memilih menambah jal an yang memungkinkan peningkatan terbesar dalam aliran. Menemukan jalan semacam itu mirip dengan memecahkan masalah-jalan terpendek tertimbang dan modifikasi si ngle-line untuk algoritma Dijkstra akan melakukan trik. Jika capmax adalah kapas itas maksimum tepi, maka salah satu dapat menunjukkan yang O (| E | Log capmax) augmentations akan cukup untuk menemukan aliran maksimum. Dalam hal ini, sejak O (| E | log | V |) waktu digunakan untuk setiap perhitungan jalur menambah, tota l terikat O (| E | 2 log | V | Log capmax) diperoleh. Jika kapasitas semua bilan gan bulat kecil, ini mengurangi ke O (| E | 2 log | V |).

SIMPULAN Teori graf adalah cabang kajian yang mempelajari sifat-sifat graf. Seca ra informal, suatu graf adalah himpunan benda-benda yang disebut simpul (vertex atau node) yang terhubung oleh sisi (edge) atau busur (arc). Biasanya graf digam barkan sebagai kumpulan titik-titik (melambangkan simpul) yang dihubungkan oleh garis-garis (melambangkan sisi) atau garis berpanah (melambangkan busur). Suatu sisi dapat menghubungkan suatu simpul dengan simpul yang sama. Sisi yang demikia n dinamakan gelang (loop). Untuk merepresentasikan graf ada 2 cara yaitu dengan menggunakan Adjacency matrix atau Adjacency list. Pengurutan pada algoritma graf dapat menggunakan cara topological sort. Topological sort adalah suatu urutan s impul dengan graf acyclic terarah. Dalam Algoritma graf terdapat permasalahan me genai Algoritma jalan terpendek yang inputnya adalah grafik berbobot dan tak ber bobot. Untuk memecahkan masalah tersebut terdapat solusi yaitu menggunakan Algor itma Dijkstra. Namun ALgoritma Dijkstra idak akan bekerja jika memiliki nilai te pi negative, sehingga harus dihilangkan. Untuk meningkatkan Algoritma Djikstra, kita dapat mengubah urutan simpul sehingga berbentuk asiklik. Untuk pemecahan ma salah pencarian jalan terpendek untuk simpul yang berpasangan, kita bisa saja me nggunakan single-source algorithm. Namun kita bisa menggunakan solusi yang lebih cepat yaitu menggunakan loop. Selain itu, kita juga memiliki masalah jaringan a rus pada graf yang dapat diselesaikan menggunakan algoritma sederhana untuk menc ari aliran maksimal.