Algoritma Pencarian - Rachman Marangga

Algoritma Pencarian | Rachman Marangga
http://rachmanmarangga.wordpress.com/2012/10/22/algoritma-pencarian/
Algoritma Pencarian
Posted by Rachman Marangga on 22 Oktober 2012 Posted in: Tulisan. Tinggalkan Sebuah Komentar About these ads (h p://en.wordpress.com/about-these-ads/)
i 2 Votes Algoritma pencarian
Dalam ilmu komputer, sebuah algoritma pencarian dijelaskan secara luas yaitu sebuah algoritma yang menerima masukan berupa sebuah masalah dan menghasilkan sebuah solusi untuk masalah tersebut, algoritma biasanya di dapat dari evaluasi beberapa kemungkinan solusi. Sebagian besar algoritma yang dipelajari oleh ilmuwan komputer adalah algoritma pencarian. Himpunan semua kemungkinan solusi dari sebuah masalah disebut ruang pencarian. Algortima pencarian brute-force atau pencarian uninformed menggunakan metode yang sederhana dan sangat intuitif pada ruang pencarian, sedangkan algoritma pencarian informed menggunakan heuristik untuk menerapkan pengetahuan tentang struktur dari ruang pencarian untuk berusaha mengurangi banyaknya waktu yang dipakai dalam pencarian.
Adapun macam-macam algoritma dapat dijelaskan sebagai berikut: 1. 1. Algoritma Pencarian Pohon A*
A* adalah algoritma best-rst search yang menggabungkan Uniform Cost Search dan Greedy Best-First Search. Biaya yang diperhitungkan didapat dari biaya sebenarnya ditambah dengan biaya perkiraan. Dalam notasi matematika dituliskan sebagai f(n)= g(n) + h(n). Dengan perhitungan biaya seperti ini, algoritma A* adalah complete dan optimal. Algoritma pencarian pohon adalah jantung dari teknik-teknik pencarian. Algoritma ini mencari node dari pohon, terlepas apakah pohon tersebut eksplisit atau implisit (dibangkitkan saat pengerjaan). Prinsip dasarnya adalah sebuah node diambil dari sebuah struktur data, suksesornya algoritma ini diperiksa dan ditambahkan pada struktur data. Dengan memanipulasi struktur data, pohon dieksplorasi dalam urutan yang berbeda-beda, dieksplore dari satu tingkat ke tingkat. Contoh dari pencarian pohon antara lain adalahg pencarian iterative deepening depth dan Pencarian uninformed. Pencarian uninformed adalah algoritma yang tidak mempertimbangkan sifat alami dari permasalahan. Oleh karena itu algoritma tersebut dapat diimplementasikan secara umum, sehingga dengan implementasi yang sama dapat digunakan pada lingkup permasalahan yang luas, hal ini berkat abstraksi. Kekurangannya adalah sebagian besar ruang pencarian adalah sangat besar, dan sebuah pencarian uninformed (khususnya untuk pohon) membutuhkan banyak waktu walaupun hanya untuk contoh yang kecil. Sehingga untuk mempercepat proses, kadang-kadang hanya pencarian informed yang dapat melakukannya.
1. 2.
Algoritma Semut
Algoritma Semut diadopsi dari perilakukoloni semut yang dikenal sebagai sistem semut Secara alamiah koloni semutmampu menemukan rute terpendek dalam perjalanandari sarang ke tempat-tempat sumber makanan. Intensitas jejak semut antar kota danperubahannya:
1 of 15
16/05/2013 17:18

1. 3. Algoritma Dept-Firs Search
Algoritm depth-rst search (DFS) melakukan pencarian secara preorder. Algoritma ini mengunjungi anak suatu simpul sebelum simpul tetangganya. Berikut gambar yang mengiilustrasikan urutan simpul yang dikunjungi pada algoritma DFS:
Ilustrasi urutan kunjungan simpul pada algoritma DFS
Dari gambar, dapat dilihat bahwa dengan algoritma DFS, setiap anak simpul pertama yang bertetangga dengan simpul akar dikunjungi sampai tingkat terdalamnya lebih dahulu, lalu seluruh simpul pada subpohon tersebut, sebelum simpul lain yang juga bertetangga dengan simpul akar.
Berikut ini adalah algoritma Depth-First Search : Deklarasi w : integer
Algoritma: write(v) dikunjungi[v] true for tiap simpul w yang bertetangga dengan simpul v do if not dikunjungi[w] then DFS(w) Endif Endfor
Keuntungan Dari Algoritma Depth-First Search v Membutuhkan memori yang relative kecil, karena hanya node-node pada lintasan yang aktif saja. v Secara kebetulan, metode depth-rst search akan menemukan solusi tanpa harus menguji lebih banyak lagi dalam ruang keadaan.
Kelemajan Dari Algoritma Depth-First Search v Memungkinkan tidak ditemukannya tujuan yang diharapkan. v Hanya akan menemukan satu solusi pada setiap pencarian.
1. 4.
Algoritma Breadth-First Search
Algoritma breadth-rst search adalah algoritma yang melakukan pencarian secara melebar yang mengunjungi simpul secara preorder yaitu mengunjungi suatu simpul kemudian mengunjungi semua simpul yang bertetangga dengan simpul tersebut terlebih dahulu. Selanjutnya, simpul yang belum dikunjungi dan bertetangga dengan simpul-simpul yang tadi dikunjungi, demikian seterusnya. algoritma BFS menggunakan graf sebagai media representasi persoalan, tidak sulit untuk mengaplikasikan algoritma ini dalam persoalan-persoalan teori graf.
2 of 15
16/05/2013 17:18
Cara Kerja Algoritma BFS Dalam algoritma BFS, simpul anak yang telah dikunjungi disimpan dalam suatu antrian. Antrian ini digunakan untuk mengacu simpulsimpul yan bertetangga dengannya yang akan dikunjungi kemudian sesuai urutan pengantrian. Untuk memperjelas cara kerja algoritma BFS beserta antrian yang digunakannya, berikut langkah-langkah algoritma BFS: 1. 2. 3. 4. 5. 6. Masukkan simpul ujung (akar) ke dalam antrian. Ambil simpul dari awal antrian, lalu cek apakah simpul merupakan solusi. Jika simpul merupakan solusi, pencarian selesai dan hasil dikembalikan. Jika simpul bukan solusi, masukkan seluruh simpul yang bertetangga dengan simpul tersebut (simpul anak) ke dalam antrian. Jika antrian kosong dan setiap simpul sudah dicek, pencarian selesai dan mengembalikan hasil solusi tidak ditemukan. Ulangi pencarian dari langkah kedua.
1. 5.
Algoritma Best-rst Search
Algoritma best-rs search pertama kali, dibangkitkan node A. Kemudian semua suksesor A dibangkitan, dan dicari harga paling minimal. Pada langkah 2, node D terpilih karena harganya paling rendah, yakni 1. Langkah 3, semua suksesor D dibangkitkan, kemudian harganya akan dibandingkan dengan harga node B dan C. Ternyata harga node B paling kecil dibandingkan harga node C, E, dan F. Sehingga B terpilih dan selanjutnya akan dibangkitkan semua suksesor B. Demikian seterusnya sampai ditemukan node tujuan. Ilustrasi algoritma best-rst search dapat dilihat pada gambar 3.4 dibawah ini.
langkah-langkah yang dilakukan algoritma best-rst search
1. 6.
Algoritma ID3
ID3 singkatan dari Iterative Dichotomiser Three. Ada juga yang menyebut Induction of Decision Tree. ID3 adalah suatu algooritma matematika yang digunakan untuk menghasilkan suatu pohon keputusan yang mampu mengklasikasi suatu obyek. ID3 merepresentasi konsep-konsep dalam bentuk pohon keputusan. Aturan-aturan yang dihasilkan oleh ID3 mempunyai relasi yang hirarkis seperti suatu pohon (mempunyai akar, titik, cabang, dan daun). Beberapa peneliti menyebut struktur model yang dihasilkan ID3 sebagai pohon keputusan (decision tree) sementara peneliti yang lain menyebutnya pohon aturan (rule tree). Contoh Flowchart:
Keuntungan dan kekurangan
Keuntungan : Dapat membuat aturan prediksi yang mudah dimengerti. Membangun pohon keputusan dengan cepat. Membangun pohon keputusan yang pendek. Hanya membutuhkan beberapa tes atribut hingga semua data diklasikasikan.
Kerugian : Jika contoh yang diteliti terlalu kecil / sederhana mungkin membuat data over-classied. Hanya satu atribut yang dapat dites dalam satu waktu untuk membuat keputusan. Mengelompokkan data yang berkelanjutan mungkin terhitung mahal, sebanyak pohon yang harus dibuat untuk melihat dimana menghentikan proses kelanjutannya.
3 of 15
16/05/2013 17:18
1. 7.
Algoritma C4.5
Algoritma C4.5 merupakan algoritma yang digunakan untuk membentuk pohon keputusan. Sedang pohon keputusan dapat diartikan suatu cara untuk memprediksi atau mengklarikasi yang sangat kuat. Pohon keputusan dapat membagi kumpulan data yang besar menjadi himpunan-himpunan record yang lebih kecil dengan menerapkan serangkaian aturan keputusan. Dalam algoritma C4.5 untuk membangun pohon keputusan hal pertama yang dilakukan yaitu memilih atribut sebagai akar. Kemudian dibuat cabang untuk tiap-tiap nilai didalam akar tersebut. Langkah berikutnya yaitu membagi kasus dalam cabang. Kemudian ulangi proses untuk setiap cabang sampai semua kasus pada cabang memiliki kelas yang sama. Untuk memilih atribut dengan akar, didasarkan pada nilai gain tertinggi dari atribut-tribut yang ada. Untuk menghitung gain digunakan rumus sebagai berikut:
1. 8.
Algoritma J48
J48 merupakan implementasi C4.5 di WEKA.
Gambar algoritma J48
1. 9.
Algoritma Bellman-Ford
Algoritma Bellman-Ford menyelesaikan masalah garis terpendek single-source untuk grak dengan dua simpul (node) positive dan negative. Jika hanya membutuhkan untuk menyelesaikan masalah jalur terpendek untuk node positive, Algoritma Dijkstra memberikan alternatif yang lebih esien. Ada dua pilihan utama untuk memperoleh output dari fungsi Bellman. Jika user memberikan jarak peta melalui parameter distance_map() kemudian jarak yang paling pendek dari node utama untuk setiap root di grak akan direkam dip peta jarak (diberikan jika fungsi bernilai true). Pilihan kedua adalah merekam jalur pohon terpendek di predecessor_map(). Untuk setiap root u di V, p[u] akan menjadi predesesor dari u di jarak terpendek pohon (kalau tidak p[u] = u, pada kasus u adalah root utama).Pada dua pilihan tersebut, user dapat memberikan pengunjung buatan sendiri yang dapat mengambil aksi pada setiap poin dari kebanyakan algoritma.
1. 10. Metode Pencarian Jalur Terpendek (Dijkstra Algorithm) Algoritma ini bertujuan untuk menemukan jalur terpendek berdasarkan bobot terkecil dari satu titik ke titik lainnya. Misalkan titik mengambarkan gedung dan garis menggambarkan jalan, maka algoritma Dijkstra melakukan kalkulasi terhadap semua kemungkinan bobot terkecil dari setiap titik.
Contoh keterhubungan antar titik dalam algoritma Dijkstra
Dibawah ini penjelasan langkah per langkah pencarian jalur terpendek secara rinci dimulai dari node awal sampai node tujuan dengan nilai jarak terkecil. 1. Node awal 1, Node tujuan 5. Setiap edge yang terhubung antar node telah diberi nilai
Contoh kasus Djikstra Langkah 1
1. Dijkstra melakukan kalkulasi terhadap node tetangga yang terhubung langsung dengan node keberangkatan (node 1), dan hasil yang didapat adalah node 2 karena bobot nilai node 2 paling kecil dibandingkan nilai pada node lain, nilai = 7 (0+7).
4 of 15
16/05/2013 17:18
1. Node 2 diset menjadi node keberangkatan dan ditandai sebagi node yang telah terjamah. Dijkstra melakukan kalkulasi kembali terhadap node-node tetangga yang terhubung langsung dengan node yang telah terjamah. Dan kalkulasi dijkstra menunjukan bahwa node 3 yang menjadi node keberangkatan selanjutnya karena bobotnya yang paling kecil dari hasil kalkulasi terakhir, nilai 9 (0+9).
1. Perhitungan berlanjut dengan node 3 ditandai menjadi node yang telah terjamah. Dari semua node tetangga belum terjamah yang terhubung langsung dengan node terjamah, node selanjutnya yang ditandai menjadi node terjamah adalah node 6 karena nilai bobot yang terkecil, nilai 11 (9+2).
1. Node 6 menjadi node terjamah, dijkstra melakukan kalkulasi kembali, dan menemukan bahwa node 5 (node tujuan ) telah tercapai lewat node 6. Jalur terpendeknya adalah 1-3-6-5, dan niilai bobot yang didapat adalah 20 (11+9). Bila node tujuan telah tercapai maka kalkulasi dijkstra dinyatakan selesai.
1. 11. Algoritma Kruskal Algoritma Kruskal Adalah salah satu algoritma yang digunakan untuk mendapatkan minimum spanning tree dengan weight terkecil.
1. 12. Algoritma Floyd-Warshall
Algoritma oyd-warshall adalah satu varian dari pemrograman dinamis,yaitu dengan memandang solusi yang akan diperoleh sebagai suatu keputusan yang saling terkait. Sehingga solusi tersebut terbentuk dari solusi yang berasal dari tahap seblumnya. Algoritma warshall ini berbeda dengan algoritma greedy.karena algoritma greedy tidak diperhatikan konsekuensi yang akan terjadi seandainya kita memilih suatu keputusan pada suatu tahap. Algoritma warshall disebut juga algoritma dinamis.
Karakteristik dari algoritma dinamis ialah : 1. 2. 3. 4. 5. 6. persoalannya dibagi atas beberapa tahap,yang setiap tahapnya diambil satu keputusan. Masing-masing tahap terdiri dari sejumlah status yang saling berhubungan. Hasil keputusan akan di transformasikan. Ongkos tergantung dari ongkos tahapan yang telah berjalan dan ongkos pada tahap itu sendiri. Keputusan terbaik pada tahap bersifat independen. Terdapat hubungan rekursif yang menyatakan bahwa keputusan terbaik dalam setiap status pada tahap -k.
Pada algoritma ini dilakukan pendekatan ,yaitu pendekatan maju dan pendekatan mundur. Analisisnya :
5 of 15
16/05/2013 17:18
Melakukan perbandingan terlebih dahulu,yaitu pada tiap tahap antara 2 simpul hingga perkiraan tersebut diketahui sebagai nilai optimal. Ada 2 kemungkinan yang terjadi jika kita mencari jalur terpendek (shortest path) dari setiap i ke simpul j dan perantara simpul 1 s.d ke k+1,
1. Jalur terpendek hanya berasal dari simpul yang berada antara 1 hingga k. 2. Ada sebagian jalur yang berasal dari simpul 1 s/d k+1 dan juga dari k+1 hingga i. 3. Maka dari itu rumus fungsi shortest path dengan algoritma ini ; basis -0 shortest path(i,j,0)=edgecost(i,j); rekurens shortest path (i,j,k) = min(shortestpath (i,,j,k-1),shortestpath(i,k,k-1)+shortestpath(k,j,k-1);
1. 13. Algoritma Prim Algoritma Prim adalah sebuah algoritma dalam teori graf untuk mencari pohon rentang minimum untuk sebuah graf berbobot yang saling terhubung. Ini berarti bahwa sebuah himpunan bagian dari edge yang membentuk suatu pohon yang mengandung node, di mana bobot keseluruhan dari semua edge dalam pohon diminimalisasikan. Bila graf tersebut tidak terhubung, maka graf itu hanya memiliki satu pohon rentang minimum untuk satu dari komponen yang terhubung. Langkah-langkahnya adalah sebagai berikut: Buat sebuah pohon yang terdiri dari satu node, dipilih secara acak dari graf. Buat sebuah himpunan yang berisi semua cabang di graf. Loop sampai semua cabang di dalam himpunan menghubungkan dua node di pohon. Hapus dari himpunan satu cabang dengan bobot terkecil yang menghubungkan satu node di pohon dengan satu node di luar pohon. Hubungkan cabang tersebut ke pohon. Dengan struktur data binary heap sederhana, algoritma Prim dapat ditunjukkan berjalan dalam waktu O(Elog V), di mana E adalah jumlah cabang dan V adalah jumlah node. Dengan Fibonacci heap, hal ini dapat ditekan menjadi O(E + Vlog V), yang jauh lebih cepat bila grafnya cukup padat sehingga E adalah (Vlog V). Contoh: Ini adalah graf berbobot awal. Graf ini bukan pohon karena ada circuit. Nama yang lebih tepat untuk diagram ini adalah graf atau jaringan. Angka-angka dekat garis penghubung adalah bobotnya. Belum ada garis yang ditandai, dan node D dipilih secara sembarang sebagai titik awal. Node kedua yang dipilih adalah yang terdekat ke D: A jauhnya 5, B 9, E 15, dan F 6. Dari keempatnya, 5 adalah yang terkecil, jadi kita tandai node A dan cabang DA. Node berikutnya yang dipilih adalah yang terdekat dari D atau A. B jauhnya 9 dari D dan 7 dari A, E jauhnya 15, dan F 6. 6 adalah yang terkecil, jadi kita tandai node F dan cabang DF.
Algoritma ini berlanjut seperti di atas. Node B, yang jauhnya 7 dari A, ditandai. Di sini, cabang DB ditandai merah, karena baik node B dan node D telah ditandai hijau, sehingga DB tidak dapat digunakan.
Dalam hal ini, kita dapat memilih antara C, E, dan G. C jauhnya 8 dari B, E 7 dari B, dan G 11 dari F. E yang terdekat, jadi kita tandai node E dan cabang EB. Dua cabang lain ditandai merah, karena kedua node yang terhubung telah digunakan.
6 of 15
16/05/2013 17:18
Di sini, node yang tersedia adalah C dan G. C jauhnya 5 dari E, dan G 9 dari E. C dipilih, jadi ditandai bersama dengan cabang EC. Cabang BC juga ditandai merah.
Node G adalah satu-satunya yang tersisa. Jauhnya 11 dari F, dan 9 dari E. E lebih dekat, jadi kita tandai cabang EG. Sekarang semua node telah terhubung, dan pohon rentang minimum ditunjukkan dengan warna hijau, bobotnya 39.
1. 14. Algoritma Bayesian Learning Algoritma Bayesian learning digunakan untuk menghitung probabilitas dari setiap hipotesis.
1. 15. Algoritma Boruvka
Algoritma ini digunakan untuk mencari pohon merentang minimum dari suatu graf. Untuk menentukan pohon merentang minimum dari sebuah graf dengan menggunakan Algoritma Boruvka maka diperlukan langkah-langkah sebagai berikut: Mencari pohon merentang minimum pada graf G, maka Langkah 1 : Salin titik dari G ke graf baru L yang kosong. Langkah 2 : Sedangkan L tidak terhubung (artinya hutan lebih dari satu pohon) Untuk setiap pohon di L, hubungkan sebuah titik ke titik yang lain pada pohon yang lain di L dengan menambahkan sisi yang berbobot minimum.
1. 16. EdmondsKarp algorithm
Dalam ilmu komputer dan teori graf, algoritma Edmonds-Karp merupakan implementasi dari metode Ford-Fulkerson untuk menghitung aliran maksimum dalam jaringan aliran dalam waktu. Hal ini asimtotik lebih lambat dari algoritma mengubah sebutan-ke-depan, yang berjalan di O (V3) waktu, tetapi sering lebih cepat dalam praktek sedangkan untuk grak jarang.
Pseudocode
7 of 15
16/05/2013 17:18

Algorithm EdmondsKarp
input: C[1..n, 1..n] (Capacity matrix) E[1..n, 1..?] (Neighbour lists) s t output: f F (Value of maximum ow) (A matrix giving a legal ow with the maximum value) (Source) (Sink)
f := 0 (Initial ow is zero) F := array(1..n, 1..n) (Residual capacity from u to v is C[u,v] F[u,v]) forever m, P := BreadthFirstSearch(C, E, s, t, F) if m = 0 break f := f + m (Backtrack search, and write ow) v := t while v s u := P[v] F[u,v] := F[u,v] + m F[v,u] := F[v,u] m v := u return (f, F)
algorithm BreadthFirstSearch input: C, E, s, t, F output: M[t] P (Capacity of path found) (Parent table)
P := array(1..n)
8 of 15
16/05/2013 17:18

for u in 1..n P[u] := -1 P[s] := -2 (make sure source is not rediscovered) M := array(1..n) (Capacity of found path to node) M[s] := Q := queue() Q.push(s) while Q.size() > 0 u := Q.pop() for v in E[u] (If there is available capacity, and v is not seen before in search) if C[u,v] F[u,v] > 0 and P[v] = -1 P[v] := u M[v] := min(M[u], C[u,v] F[u,v]) if v t Q.push(v) else return M[t], P return 0, P
Path Capacity Resulting network
1. 17. Simulated annealing
9 of 15
16/05/2013 17:18
Simulated annealing (SA) adalah salah satu algoritma untuk untuk optimisasi yang bersifat generik. Berbasiskan probabilitas dan mekanika statistik, algoritma ini dapat digunakan untuk mencari pendekatan terhadap solusi optimum global dari suatu permasalahan. Masalah yang membutuhkan pendekatan SA adalah masalah-masalah optimisasi kombinatorial, di mana ruang pencarian solusi yang ada terlalu besar, sehingga hampir tidak mungkin ditemukan solusi eksak terhadap permasalahan itu.
Keterangan Pseudo Code Evaluasi : Fungsi evaluasi (cost function). Contoh dalam Traveling Salesman Problem (TSP) fungsi ini adalah jarak yang harus ditempuh oleh si penjaja keliling.
Modikasi : Mekanisme sederhana untuk mengubah solusi yang sudah ada, untuk menghasilkan solusi baru yang berbeda tidak terlalu jauh dengan solusi yg sudah ada. Biasanya disebut neighbour solution. Contoh dalam TSP bila solusi sementara dari TSP dengan 3 kota adalah : A B C. Hasil fungsi modikasi adalah solusi baru dengan urutan A C B. exp(-Delta/T) : Probabilitas bahwa langkah/solusi baru yang tidak lebih baik, akan diterima sebagai solusi sementara. Perhatikan tanda minus dalam kurung. Delta bernilai positif, yang berarti solusi baru pada tahap ini lebih buruk daripada solusi sementara yang sudah ada. Expresi ini menyatakan bahwa semakin buruk solusi baru, kemungkinan diterima sebagai solusi sementara semakin kecil. Tetapi pada awal proses Annealing, karena faktor T sebagai pembagi masih bernilai besar, probabilitas ini akan tetap cukup besar. Tidak demikian halnya setelah T menurun, dalam proses pendinginan. T = 0.9*T : hanya merupakan salah satu contoh jadwal penurunan temperatur. Sebenarnya tidak selalu harus seperti ini. Biasanya juga dalam implementasi SA, diadakan perulangan proses modikasi dan update solusi sementara untuk suhu tertentu. (Jadi mestinya ada loop lagi di dalam while ini, untuk mengulang simulasi pada suhu yang sama).
1. 18. Algoritma SVM (Support Vector Machine) Algoritma SVM terutama teknik SMO (Sequential Minimal Optimization) juga merupakan algoritma paling popular dalam teknik klasikasi maupun regresi. Support Vector Machine (SVM) adalah sistem pembelajaran yang pengklasikasiannya menggunakan ruang hipotesis berupa fungsifungsi linear dalam sebuah ruang tur (feature space) berdimensi tinggi, dilatih dengan algoritma pembelajaran yang didasarkan pada teori optimasi dengan mengimplementasikan learning bias yang berasal dari teori pembelajaran statistic.
1. 19. Algoritma Genetik Algoritma genetik adalah teknik pencarian yang di dalam ilmu komputer untuk menemukan penyelesaian perkiraan untuk optimisasi dan masalah pencarian. Algoritma genetik adalah kelas khusus dari algoritma evolusioner dengan menggunakan teknik yang terinspirasi oleh biologi evolusioner seperti warisan, mutasi, seleksi alam dan rekombinasi (atau crossover). Algoritma Genetik khususnya diterapkan sebagai simulasi komputer dimana sebuah populasi representasi abstrak (disebut kromosom) dari solusi-solusi calon (disebut individual) pada sebuah masalah optimisasi akan berkembang menjadi solusi-solusi yang lebih baik. Secara tradisional, solusi-solusi dilambangkan dalam biner sebagai string 0 dan 1, walaupun dimungkinkan juga penggunaan penyandian (encoding) yang berbeda. Evolusi dimulai dari sebuah populasi individual acak yang lengkap dan terjadi dalam generasigenerasi. Dalam tiap generasi, kemampuan keseluruhan populasi dievaluasi, kemudian multiple individuals dipilih dari populasi sekarang (current) tersebut secara stochastic (berdasarkan kemampuan mereka), lalu dimodikasi (melalui mutasi atau rekombinasi) menjadi bentuk populasi baru yang menjadi populasi sekarang (current) pada iterasi berikutnya dari algoritma.
1. 20. Algoritma Reverse-Delete Algoritma reverse-delete adalah suatu algoritma dalam teori graf yang digunakan untuk mendapatkan pohon rentang minimum dari graf terhubung yang diberikan, ujung-ditimbang. Jika grak terputus, algoritma ini akan menemukan pohon rentang minimum untuk setiap bagian terputus dari grak. Himpunan pohon-pohon rentang minimum disebut hutan rentang minimum, yang berisi setiap titik dalam grak.
10 of 15
16/05/2013 17:18
Algoritma ini merupakan algoritma serakah, memilih pilihan terbaik yang diberikan setiap situasi. Ini adalah kebalikan dari algoritma Kruskal, yang merupakan algoritma greedy untuk menemukan pohon rentang minimum. Algoritma Kruskal dimulai dengan grak kosong dan menambahkan tepi sementara algoritma Reverse-Delete dimulai dengan grak asli dan tepi menghapus dari itu. Algoritma ini bekerja sebagai berikut:
Mulailah dengan graph G, yang berisi daftar tepi E. Pergi melalui E dalam urutan penurunan bobot edge. Untuk setiap tepi, memeriksa apakah menghapus tepi lanjut akan melepas grak. Lakukan penghapusan yang tidak mengarah pada pemutusan tambahan.
Pseudocode
function ReverseDelete(edges[] E) sort E in decreasing order Dene an index i 0 while i < size(E) Dene edge temp E[i] delete E[i] if temp.v1 is not connected to temp.v2 E[i] temp ii+1 return edges[] E
1. 21. Algoritma Hungaria
Algoritma ini memodikasi baris dan kolom dalam matriks efektitas sampai muncul sebuah komponen nol tunggal dalam setiap baris atau kolom sehingga komponen tersebut dapat dipilih sebagai alokasi penugasan baris dan kolom yang sesuai dengan komponen tersebut. Semua alokasi penugasan yang dibuat adalah alokasi yang optimal, dan saat diterapkan pada matriks efektitas awal, maka akan memberikan hasil biaya alokasi penugasan yang paling minimum. Penggambaran masalah penugasan dalam bentuk jaringan ditunjukan pada gambar berikut :
Langkah-langkah algoritma Hungaria Algoritma Hungaria akan mencari alokasi pasangan untuk setiap node sumber (A) masing-masing tepat ke satu node tujuan (T) dengan biaya (C) seminimal mungkin. Langkah langkah algoritma Hungaria adalah sebagai berikut : 1. Mulai 2. Tentukan penyelesaian sibel awal berupa matriks C (n x n) 3. Dalam setiap baris, tentukan sel yang memiliki nilai terkecil. Kurangkan seluruh sel pada baris tersebut dengan sel yang memiliki nilai terkecil. 4. Dalam setiap kolom, tentukan sel yang memiliki nilai terkecil. Kurangkan seluruh sel pada kolom tersebut dengan sel yang memiliki nilai terkecil. 5. Periksa setiap baris yang hanya memiliki 1 buah nol yang belum ditandai. Jika ada, maka tandai sel ini dengan simbol () dan tandai
11 of 15
16/05/2013 17:18
6.
7.
8.
9.
10. 11. 12. 13. 14.
sel nol lainnya yang terletak pada kolom yang sama dengan simbol (). Ulangi sampai setiap baris tidak punya nol yang belum ditandai atau paling sedikit 2 buah nol yang belum ditandai. Periksa setiap kolom yang hanya memiliki 1 buah nol yang belum ditandai. Jika ada maka tandai sel ini dengan simbol () dan tandai sel nol lainnya yang terletak pada baris yang sama dengan simbol (). Ulangi sampai setiap kolom tidak punya nol yang belum ditandai atau paling sedikit 2 buah nol yang belum ditandai. Ulangi langkah 5 dan 6 sampai salah satu kemungkinan berikut terjadi : a. Semua baris sudah mempunyai alokasi penugasan (), b. Ada paling sedikit 2 buah nol yang belum ditandai pada setiap baris atau kolom, c. Tidak ada nol yang belum ditandai dan alokasi penugasan yang lengkap belum tercapai. Jika (a) maka alokasi penugasan lengkap sudah tercapai lanjutkan ke langkah 14, Jika (b) maka pilih salah satu sel nol yang belum ditandai dan berikan tanda () sebagai alokasi penugasan, dan tandai semua sel nol lain pada baris dan kolom yang bersesuaian lalu kembali ke langkah 5. Jika (c) maka Lanjutkan ke langkah 9. Lakukan langkah berikut : 1. Tandai baris (check) yang belum punya alokasi penugasan, 2. Tandai kolom (check) yang belum ditandai yang mempunyai nol di baris yang sudah ditandai, 3. Tandai baris (check) yang belum ditandai yang punya penugasan di kolom yang sudah ditandai. Lakukan langkah 2 dan 3 sampai terbentuk perulangan tertutup. Gambar garis melewati semua baris yang belum diberi tanda (check) dan gambar garis melewati semua kolom yang sudah diberi tanda (check). Garis-garis ini akan menutupi semua elemen nol dalam matriks penugasan. Dari sel-sel yang tidak tertutup garis, tentukan sel yang memiliki nilai terkecil. Bobotnya adalah k. Kurangkan setiap sel yang tidak tertutup garis dengan k. Tambahkan setiap sel yang tertutup 2 garis dengan k. Kembali ke langkah 5. Selesai.
1. 22. Algoritma Pencarian Biner atau Binary Seach Binary seach adalah algoritma yang memperkecil jumlah operasi pembandingan yang harus dilakukan antara data yang dicari dengan data yang ada di dalam tabel, khususnya untuk jumlah data yang sangat besar ukurannya. Prinsip dasarnya adalah melakukan proses pembagian ruang pencarian secara berulang-ulang sampai data ditemukan atau sampai ruang pencarian tidak dapat dibagi lagi (berarti ada kemungkinan data tidak ditemukan). Syarat utama untuk pencarian biner adalah data di dalam tabel harus sudah terurut, misalkan terurut menaik. Contoh program:
12 of 15
16/05/2013 17:18

#include #include int data[10] = {1,3,4,7,12,25,40,65,78,90}; //variabel global int binary_search(int cari) { int l,r,m; int n = 10; l = 0; r = n-1; int ketemu = 0; while(l<=r && ketemu==0) { m = (l+r)/2; if( data[m] == cari ) ketemu = 1; else if (cari < data[m]) r = m-1; else l = m+1; } if(ketemu == 1) return 1; else return 0; } void main() { clrscr(); int cari,hasil; cout<<masukkan data yang ingin dicari = ; cin>>cari; hasil = binary_search(cari); if(hasil == 1) { cout<<Data ada!<} else if(hasil == 0) cout<<Data Tidak ada!<getch(); }
13 of 15
16/05/2013 17:18
REFERENSI
h p://zeromin0.blogspot.com/2011/07/analisa-algoritma-depth-rst (h p://zeromin0.blogspot.com/2011/07/analisa-algoritma-depth-rst)
h p://www.churdhulz.byethost22.com/blogs/pengertian-breadth-rst-search-bfs (h p://www.churdhulz.byethost22.com/blogs /pengertian-breadth-rst-search-bfs)
h p://en.wikipedia.org/wiki/Edmonds%E2%80%93Karp_algorithm (h p://en.wikipedia.org/wiki/Edmonds%E2%80%93Karp_algorithm)
h p://rubhie-hendri.blogspot.com/2011/01/algoritma-pencarian.html (h p://rubhie-hendri.blogspot.com/2011/01/algoritmapencarian.html)
h p://id.wikipedia.org/wiki/Algoritma_pencarian (h p://id.wikipedia.org/wiki/Algoritma_pencarian)
h p://zeromin0.blogspot.com/2011/07/analisa-algoritma-depth-rst-search.html#axzz29XbbOzZ6 (h p://zeromin0.blogspot.com/2011/07 /analisa-algoritma-depth-rst-search.html#axzz29XbbOzZ6)
h p://id.wikipedia.org/wiki/Algoritma_Prim (h p://id.wikipedia.org/wiki/Algoritma_Prim)
h p://www.google.co.id/url?sa=t&rct=j&q=pengertian+algoritma+boruvka&source=web&cd=1&cad=rja&ved=0CCAQFjAA&url=h p %3A%2F%2Flib.uin-malang.ac.id%2Fthesis%2Ffullchapter%2F06510037-mudatul-khoiroh.ps&ei=yF9-UOCHOYrAeawoDIDg& usg=AFQjCNH2DUTlFM8gmAxHV8B03n0e3FN4Pw (h p://www.google.co.id/url?sa=t&rct=j&q=pengertian+algoritma+boruvka& source=web&cd=1&cad=rja&ved=0CCAQFjAA&url=h p%3A%2F%2Flib.uin-malang.ac.id%2Fthesis%2Ffullchapter%2F06510037mudatul-khoiroh.ps&ei=yF9-UOCHOYrAeawoDIDg&usg=AFQjCNH2DUTlFM8gmAxHV8B03n0e3FN4Pw)
h p://www.ifors.ms.unimelb.edu.au/tutorial/hungarian/welcome_frame.html (h p://www.ifors.ms.unimelb.edu.au/tutorial/hungarian /welcome_frame.html)
h p://edwardgr.wordpress.com/2009/02/03/algoritma-hungaria/ (h p://edwardgr.wordpress.com/2009/02/03/algoritma-hungaria/)
h p://www.generation5.org (h p://www.generation5.org)
h p://www.scribd.com/doc/38867855/Algoritma-Semut-Dan-Algoritma-Genetika (h p://www.scribd.com/doc/38867855/AlgoritmaSemut-Dan-Algoritma-Genetika)
h p://www.google.co.id/url?sa=t&rct=j&q=pengertian+algoritma+dijkstra&source=web&cd=1&cad=rja&ved=0CCAQFjAA&url=h p %3A%2F%2Fasyadeeq.les.wordpress.com%2F2009%2F11%2Fdijkstra-pencarian-jalur-terpendek.doc&ei=BGZUNuFD4yurA nYD4CQ&usg=AFQjCNHSM1LRQJsAJzYdZ6X9ZamcotXh3w (h p://www.google.co.id/url?sa=t&rct=j& q=pengertian+algoritma+dijkstra&source=web&cd=1&cad=rja&ved=0CCAQFjAA&url=h p%3A%2F %2Fasyadeeq.les.wordpress.com%2F2009%2F11%2Fdijkstra-pencarian-jalur-terpendek.doc&ei=BGZ-UNuFD4yurA nYD4CQ& usg=AFQjCNHSM1LRQJsAJzYdZ6X9ZamcotXh3w)
14 of 15
16/05/2013 17:18
h p://sakurachan89.blogspot.com/2009/04/algoritma-warshall-dan-bellman-1.html (h p://sakurachan89.blogspot.com/2009/04/algoritmawarshall-dan-bellman-1.html)
h p://www.scribd.com/doc/21742228/Prim-and-Kruskal-algorithm (h p://www.scribd.com/doc/21742228/Prim-and-Kruskal-algorithm)
h p://qihsoana.blogspot.com/2012/01/algoritma-c45.html (h p://qihsoana.blogspot.com/2012/01/algoritma-c45.html)
h p://codemath.wordpress.com/2011/06/20/perbedaan-algoritma-id3-c4-5-dan-j48/ (h p://codemath.wordpress.com/2011/06 /20/perbedaan-algoritma-id3-c4-5-dan-j48/)
h p://gunadarma.ac.id/library/articles/graduate/computer-science/2008/Artikel_11104835.pdf (h p://gunadarma.ac.id/library/articles /graduate/computer-science/2008/Artikel_11104835.pdf)
Blog pada WordPress.com. Tema: Parament oleh Automa ic.
15 of 15
16/05/2013 17:18

Algoritma Pencarian - Rachman Marangga

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Algoritma Pencarian - Rachman Marangga

Diunggah oleh

Hak Cipta:

Format Tersedia

Algoritma Pencarian | Rachman Marangga

i 2 Votes Algoritma pencarian