04 Analisa Algoritma

Analisa Kompleksitas Algoritma
Sunu Wibirama
Referensi
!
Cormen, T.H., Leiserson, C.E., Rivest,
R.L., Stein, C., Introduction to Algorithms
2nd Edition, Massachusetts: MIT Press,
2002
!
Sedgewick, R., Algorithms in C++ Part
1-4, Massachusetts: Addison-Wesley
Publisher, 1998
!
Video lecture MIT Opencourseware
ke-1: Introduction
!
Video lecture IIT Kharagpur, India
ke-18: Complexity of Algorithm
Video lecture MIT
Opencourseware ke-1:
Introduction
Video lecture IIT
Kharagpur, India ke-18:
Complexity of Algorithm
Agenda Hari Ini
Pentingnya Analisa Algoritma
Prinsip Perbandingan Algoritma
Dasar-dasar Matematika dan Teori Big-O
Contoh Implementasi
Kesimpulan
Kehandalan dalam menyelesaikan masalah (robustness)
Fungsionalitas (functionality)
Tampilan gras (user interface)
Daya tahan (reliability)
Keamanan (security)
Kesederhanaan (simplicity)
Kemudahan dalam penggunaan (user friendly)
Kemudahan dalam pemeliharaan (maintainability)

Apa yang pertama kali Anda menjadi
pertimbangan Anda saat membeli komputer,
selain PERFORMA?
Algoritma dan Performa
Hal-hal yang menjadi pertimbangan utama Anda

tidak muncul dengan gratis
Performa sistem menjadi alat tukar seperti uang.
Algoritma program memegang peran kunci
Algoritma adalah teknologi, engineered,

sebagaimana perangkat keras komputer
Pentingnya Analisa Algoritma
Algoritma membantu kita memahami skalabilitas

program kita
Performa terkadang menjadi pembeda antara

yang mungkin dilakukan dan yang tidak mungkin
dilakukan
Analisa algoritma memberi gambaran informasi

tentang perilaku program kita
Mempelajari bagaimana menerapkan algoritma

yang baik untuk kasus tertentu membedakan
profesi system analyst dan programmer
Prinsip Perbandingan Algoritma
Apa yang membuat sebuah algoritma dikatakan LEBIH

BAIK dari algoritma yang lain?
Kompleksitas waktu (Time Complexity)
Kompleksitas ruang (Space Complexity)
Kecenderungan saat ini:
ruang (hard disk) semakin murah
kapasitas data yang diproses semakin besar
waktu pemrosesan harus semakin cepat
Kompleksitas waktu menjadi variabel yang sangat penting

Penyebab variasi pada hasil analisa algoritma
Program aras tinggi diterjemahkan ke bahasa mesin. Setiap

tipe prosesor memiliki prosedur bahasa mesin yang berbeda
Aplikasi dijalankan di shared environment, sehingga

terpengaruh oleh penggunaan memori
Program sangat sensitif terhadap masukan dan akan

menunjukkan performa yang jauh berbeda untuk rentang
masukan yang tidak terlalu berbeda
Program tidak dipahami dengan baik, sehingga analisa

matematika kurang merepresentasikan kondisi yang
sesungguhnya
Program tersebut memang tidak bisa dibandingkan dengan

program yang lain karena hanya optimal untuk input-input
tertentu
Hal-hal yang perlu diperhatikan
pada analisa algoritma
Memisahkan operasi pada tingkat abstraksi

dan implementasi.
Contoh: menghitung jumlah instruksi scanf
pada program lebih diprioritaskan daripada
memahami berapa nanoseconds instruksi
scanf dieksekusi
Mengidentikasi data masukan:

- Strategi average dan worst case
- Strategi random dan biggest data
Dasar Matematika & Teori Big-O
Sebagian besar algoritma memiliki parameter primer

N yang sangat mempengaruhi waktu eksekusi
Parameter N bisa berupa:

- derajat polinomial
- ukuran berkas (le) yang diproses
- jumlah karakter pada text string
- ukuran data yang diproses
Pengukuran kompleksitas: Big-O

Teori Big-O
O(g(N)) = { f (N) : jika terdapat konstanta positif c dan N
0
, sehingga
0 ! f (N) ! cg(N) untuk semua N " N
0
}
Teorema Matematika:
Engineering:
Hilangkan orde yang lebih rendah dan

konstanta. Gunakan hanya orde tertinggi
pada polinomial
Contoh: 3n
3
+ 90n
2
! 5n + 6046 = O(N
3
)
3.1 Asymptotic notation 43
(b) (c) (a)
n n n
n
0
n
0
n
0
f (n) = (g(n)) f (n) = O(g(n)) f (n) = (g(n))
f (n)
f (n)
f (n)
cg(n)
cg(n)
c
1
g(n)
c
2
g(n)
Figure 3.1 Graphic examples of the , O, and notations. In each part, the value of n
0
shown is
the minimum possible value; any greater value would also work. (a) -notation bounds a function to
within constant factors. We write f (n) = (g(n)) if there exist positive constants n
0
, c
1
, and c
2
such
that to the right of n
0
, the value of f (n) always lies between c
1
g(n) and c
2
g(n) inclusive. (b) O-
notation gives an upper bound for a function to within a constant factor. We write f (n) = O(g(n))
if there are positive constants n
0
and c such that to the right of n
0
, the value of f (n) always lies on
or below cg(n). (c) -notation gives a lower bound for a function to within a constant factor. We
write f (n) = (g(n)) if there are positive constants n
0
and c such that to the right of n
0
, the value
of f (n) always lies on or above cg(n).
c
1
n
2
1
2
n
2
3n c
2
n
2
for all n n
0
. Dividing by n
2
yields
c
1

1
2

3
n
c
2
.
The right-hand inequality can be made to hold for any value of n 1 by choosing
c
2
1/2. Likewise, the left-hand inequality can be made to hold for any value
of n 7 by choosing c
1
1/14. Thus, by choosing c
1
= 1/14, c
2
= 1/2, and
n
0
= 7, we can verify that
1
2
n
2
3n = (n
2
). Certainly, other choices for the
constants exist, but the important thing is that some choice exists. Note that these
constants depend on the function
1
2
n
2
3n; a different function belonging to (n
2
)
would usually require different constants.
We can also use the formal denition to verify that 6n
3
= (n
2
). Suppose for
the purpose of contradiction that c
2
and n
0
exist such that 6n
3
c
2
n
2
for all n n
0
.
But then n c
2
/6, which cannot possibly hold for arbitrarily large n, since c
2
is
constant.
Intuitively, the lower-order terms of an asymptotically positive function can be
ignored in determining asymptotically tight bounds because they are insignicant
for large n. A tiny fraction of the highest-order term is enough to dominate the
Macam-macam Parameter N
1
Sebagian besar instruksi dieksekusi satu kali atau dalam
jumlah yang tidak terlalu banyak (waktu eksekusi
konstan)
Pertumbuhan waktu eksekusi program tidak terlalu cepat.
Waktu eksekusi ini terdapat pada program yang
memecahkan masalah dengan kapasitas yang cukup
besar, dipecah-pecah menjadi beberapa bagian
N
Waktu eksekusi program linier. Sebagian besar masukan
diproses dalam jumlah yang tidak terlalu banyak
Waktu eksekusi ini terdapat pada program yang
memecahkan masalah menjadi beberapa bagian,
menyelesaikannya secara terpisah, kemudian
menggabungkannya kembali
log N
N log N
Macam-macam Parameter N
(contd)
Biasanya digunakan untuk memecahkan masalah dalam
jumlah kecil. Biasanya terdapat pada program yang
memproses pasangan data (quadratic) atau array dua
dimensi secara bersamaan (double-nested loop)
Biasanya digunakan untuk memecahkan masalah dalam
jumlah kecil. Biasanya terdapat pada program yang
memproses tiga buah data (cubic) atau array tiga dimensi
secara bersamaan (triple-nested loop)
Waktu eksekusi program linier. Sebagian besar masukan
diproses dalam jumlah yang tidak terlalu banyak
N
2
N
3
2
N
Beberapa perbandingan
kompleksitas algoritma
Figure 1-1 shows how the various measures of complexity compare with one another. The horizontal
axis represents the size of the problemfor example, the number of records to process in a search algo-
rithm. The vertical axis represents the computational effort required by algorithms of each class. This is
not indicative of the running time or the CPU cycles consumed; it merely gives an indication of how the
computational resources will increase as the size of the problem to be solved increases.
Figure 1-1: Comparison of different orders of complexity.
Referring back at the list, you may have noticed that none of the orders contain constants. That is, if an
algorithms expected runtime performance is proportional to N, 2N, 3N, or even 100N, in all cases
the complexity is defined as being O(N). This may seem a little strange at first surely 2N is better than
100Nbut as mentioned earlier, the aim is not to determine the exact number of operations but rather
to provide a means of comparing different algorithms for relative efficiency. In other words, an algo-
rithm that runs in O(N) time will generally outperform another algorithm that runs in O(N
2
). Moreover,
when dealing with large values of N, constants make less of a difference: As a ration of the overall size,
the difference between 1,000,000,000 and 20,000,000,000 is almost insignificant even though one is actu-
ally 20 times bigger.
Of course, at some point you will want to compare the actual performance of different algorithms, espe-
cially if one takes 20 minutes to run and the other 3 hours, even if both are O(N). The thing to remember,
however, is that its usually much easier to halve the time of an algorithm that is O(N) than it is to
change an algorithm thats inherently O(N
2
) to one that is O(N).
O(N!)
O(N
2
)
O(N log N)
O(log N)
O(N)
O(1)
5
Getting Started
04_596748 ch01_2.qxd 11/12/07 4:06 PM Page 5
Running Time
(seconds)
Input size (N)
Formula Kondisi Periodik
Sebagian besar algoritma terdiri dari proses

penyelesaian masalah dengan memanfaatkan
perulangan (rekursif)
Bagian yang berulang tersebut secara tidak

langsung berkontribusi pada kompleksitas
sebuah algoritma
Perlu mengetahui formula-formula dasar

untuk kondisi periodik
Formula 1: kondisi periodik muncul pada program

rekursif yang mengeliminasi satu item input
Sedgewick, R., Algorithms in C++ Part 1-4, Massachusetts: Addison-Wesley Publisher, 1998
Formula 2: kondisi periodik muncul pada program rekursif yang

membagi input menjadi dua bagian hanya dengan satu langkah

membagi input menjadi dua bagian, namun perlu memeriksa
tiap-tiap input

mengolah input secara linear sebelum, pada saat, dan sesudah
membagi input menjadi dua bagian

membagi input menjadi dua bagian, kemudian mengerjakan input
lain dengan kapasitas konstan
Jenis analisa waktu eksekusi
Strategi Worst case (umum digunakan)

T(N) = waktu eksekusi maksimum untuk
jumlah data N
Strategi Average case (jarang digunakan)

T(N) = waktu yang diharapkan dari sebuah
algoritma untuk mengeksekusi data
sejumlah N. Perlu ada asumsi statistik untuk
distribusi data masukan
Analisa worst case
Biasanya mengambil batas maksimal (upper bound),

untuk memberi jaminan bahwa program tidak akan
terus berjalan saat batas maksimal waktu eksekusi
tercapai
Waktu eksekusi juga tergantung pada kondisi awal

input : data yang sudah terproses akan lebih mudah
dieksekusi daripada yang belum
Untuk worst-case, diambil kemungkinan yang paling

buruk (data tidak terproses sama sekali, pada kondisi
yang berlawanan dengan kondisi akhir yang
diharapkan)
Machine-independent
Running Time
Berapakah waktu eksekusi terburuk (worst-case)

dari sebuah algoritma?
Tergantung dari kecepatan mesin kita:

- kecepatan relatif: berjalan di komputer yang sama
- kecepatan absolut: berjalan di komputer yang
berbeda
Kita ingin mengukur kecepatan algoritma tanpa

mempertimbangkan kecepatan komputer
Analisa Asymptotic : Pertumbuhan waktu eksekusi T(N)
saat N !"
Performa Asymptotic
September 7, 2005 Introduction to Algorithms L1.23
Copvright 2001-5 Erik D. Demaine and Charles E. Leiserson
!"#$%&'&() %+,-',$./)+
n
T(n)
n
0
We shouldn`t ignore
asymptotically slower
algorithms, however.
Real-world design
situations oIten call Ior a
careIul balancing oI
engineering objectives.
Asymptotic analysis is a
useIul tool to help to
structure our thinking.
When n gets large enough, a (n
2
) algorithm
alwavs beats a (n
3
) algorithm.
O(n
2
)
O(n
3
)
Pada jumlah data tertentu (> N
0
), algoritma dengan kompleksitas
rendah O(n
2
) bisa saja lebih esien dibandingkan algoritma
dengan kompleksitas tinggi
Kita tidak boleh meremehkan
sebuah algoritma yang secara
asymptotic lebih lambat
Dalam disain riil, kita perlu
menyeimbangkan proses engineering
dengan melihat algoritma yang
sesuai untuk masalah yang dihadapi
Analisa Asymptotic membantu
kita untuk berlaku lebih adil
terhadap algoritma yang kita
gunakan
Teori Big-O
Untuk membandingkan dua buah algoritma,

bandingkan tingkat kompleksitasnya
lim
N!"
f (N)
g(N)
!"
Untuk N besar
g(N) lebih esien dari f(N)
lim
N!"
f (N)
g(N)
!0
Untuk N besar
f(N) lebih esien dari g(N)
Implementasi: Insertion Sort
The problem of sorting
!"#$%& sequence a
1
, a
2
, ., a
n
oI numbers.
'$%#$%& permutation a
1
, a
2
, ., a
n
such
that a
1
a
2

.
a
n
.
Example:
!"#$%& 8 2 4 9 3 6
'$%#$%& 2 3 4 6 8 9
Cormen, T.H., Leiserson, C.E., Rivest, R.L., Stein, C., Introduction to Algorithms 2nd Edition, Massachusetts: MIT Press, 2002
!"#$%&' )* +,-'./+), -)./
8 2 4 9 3 6
!"#$%&' )* +,-'./+), -)./
8 2 4 9 3 6
!"#$%&' )* +,-'./+), -)./
8 2 4 9 3 6
2 8 4 9 3 6
!"#$%&' )* +,-'./+), -)./
8 2 4 9 3 6
2 8 4 9 3 6
!"#$%&' )* +,-'./+), -)./
8 2 4 9 3 6
2 8 4 9 3 6
2 4 8 9 3 6
!"#$%&' )* +,-'./+), -)./
8 2 4 9 3 6
2 8 4 9 3 6
2 4 8 9 3 6
!"#$%&' )* +,-'./+), -)./
8 2 4 9 3 6
2 8 4 9 3 6
2 4 8 9 3 6
2 4 8 9 3 6
!"#$%&' )* +,-'./+), -)./
8 2 4 9 3 6
2 8 4 9 3 6
2 4 8 9 3 6
2 4 8 9 3 6
!"#$%&' )* +,-'./+), -)./
8 2 4 9 3 6
2 8 4 9 3 6
2 4 8 9 3 6
2 4 8 9 3 6
2 3 4 8 9 6
!"#$%&' )* +,-'./+), -)./
8 2 4 9 3 6
2 8 4 9 3 6
2 4 8 9 3 6
2 4 8 9 3 6
2 3 4 8 9 6
!"#$%&' )* +,-'./+), -)./
8 2 4 9 3 6
2 8 4 9 3 6
2 4 8 9 3 6
2 4 8 9 3 6
2 3 4 8 9 6
2 3 4 6 8 9 done
!"#$%&'(" #(%&
INSERTION-SORT (A, n) A|1 . . n|
*(% f 2 &( n
+( kev A| f|
i f 1
,-'.$ i ~ 0 and A|i| ~ kev
+( A|i1| A|i|
i i 1
A|i1| kev
'pseudocode
sorted
i f
kev
A:
1 n
24 Chapter 2 Getting Started
In the following discussion, our expression for the running time of INSERTION-
SORT will evolve from a messy formula that uses all the statement costs c
i
to a
much simpler notation that is more concise and more easily manipulated. This
simpler notation will also make it easy to determine whether one algorithm is more
efcient than another.
We start by presenting the INSERTION-SORT procedure with the time cost
of each statement and the number of times each statement is executed. For each
j = 2, 3, . . . , n, where n = length[A], we let t
j
be the number of times the while
loop test in line 5 is executed for that value of j . When a for or while loop exits in
the usual way (i.e., due to the test in the loop header), the test is executed one time
more than the loop body. We assume that comments are not executable statements,
and so they take no time.
INSERTION-SORT(A) cost times
1 for j 2 to length[A] c
1
n
2 do key A[ j ] c
2
n 1
3 Insert A[ j ] into the sorted
sequence A[1 . . j 1]. 0 n 1
4 i j 1 c
4
n 1
5 while i > 0 and A[i ] > key c
5
n
j =2
t
j
6 do A[i +1] A[i ] c
6
n
j =2
(t
j
1)
7 i i 1 c
7
n
j =2
(t
j
1)
8 A[i +1] key c
8
n 1
The running time of the algorithm is the sum of running times for each statement
executed; a statement that takes c
i
steps to execute and is executed n times will
contribute c
i
n to the total running time.
5
To compute T(n), the running time of
INSERTION-SORT, we sum the products of the cost and times columns, obtaining
T(n) = c
1
n +c
2
(n 1) +c
4
(n 1) +c
5
n
j =2
t
j
+c
6
n
j =2
(t
j
1)
+c
7
n
j =2
(t
j
1) +c
8
(n 1) .
Even for inputs of a given size, an algorithms running time may depend on
which input of that size is given. For example, in INSERTION-SORT, the best
5
This characteristic does not necessarily hold for a resource such as memory. A statement that
references m words of memory and is executed n times does not necessarily consume mn words of
memory in total.
24 Chapter 2 Getting Started
In the following discussion, our expression for the running time of INSERTION-
SORT will evolve from a messy formula that uses all the statement costs c
i
to a
much simpler notation that is more concise and more easily manipulated. This
simpler notation will also make it easy to determine whether one algorithm is more
efcient than another.
We start by presenting the INSERTION-SORT procedure with the time cost
of each statement and the number of times each statement is executed. For each
j = 2, 3, . . . , n, where n = length[A], we let t
j
be the number of times the while
loop test in line 5 is executed for that value of j . When a for or while loop exits in
the usual way (i.e., due to the test in the loop header), the test is executed one time
more than the loop body. We assume that comments are not executable statements,
and so they take no time.
INSERTION-SORT(A) cost times
1 for j 2 to length[A] c
1
n
2 do key A[ j ] c
2
n 1
3 Insert A[ j ] into the sorted
sequence A[1 . . j 1]. 0 n 1
4 i j 1 c
4
n 1
5 while i > 0 and A[i ] > key c
5
n
j =2
t
j
6 do A[i +1] A[i ] c
6
n
j =2
(t
j
1)
7 i i 1 c
7
n
j =2
(t
j
1)
8 A[i +1] key c
8
n 1
The running time of the algorithm is the sum of running times for each statement
executed; a statement that takes c
i
steps to execute and is executed n times will
contribute c
i
n to the total running time.
5
To compute T(n), the running time of
INSERTION-SORT, we sum the products of the cost and times columns, obtaining
T(n) = c
1
n +c
2
(n 1) +c
4
(n 1) +c
5
n
j =2
t
j
+c
6
n
j =2
(t
j
1)
+c
7
n
j =2
(t
j
1) +c
8
(n 1) .
Even for inputs of a given size, an algorithms running time may depend on
which input of that size is given. For example, in INSERTION-SORT, the best
5
This characteristic does not necessarily hold for a resource such as memory. A statement that
references m words of memory and is executed n times does not necessarily consume mn words of
memory in total.
2.2 Analyzing algorithms 25
case occurs if the array is already sorted. For each j = 2, 3, . . . , n, we then nd
that A[i ] key in line 5 when i has its initial value of j 1. Thus t
j
= 1 for
j = 2, 3, . . . , n, and the best-case running time is
T(n) = c
1
n +c
2
(n 1) +c
4
(n 1) +c
5
(n 1) +c
8
(n 1)
= (c
1
+c
2
+c
4
+c
5
+c
8
)n (c
2
+c
4
+c
5
+c
8
) .
This running time can be expressed as an +b for constants a and b that depend on
the statement costs c
i
; it is thus a linear function of n.
If the array is in reverse sorted orderthat is, in decreasing orderthe worst
case results. We must compare each element A[ j ] with each element in the entire
sorted subarray A[1 . . j 1], and so t
j
= j for j = 2, 3, . . . , n. Noting that
n
j =2
j =
n(n +1)
2
1
and
n
j =2
( j 1) =
n(n 1)
2
(see Appendix A for a review of how to solve these summations), we nd that in
the worst case, the running time of INSERTION-SORT is
T(n) = c
1
n +c
2
(n 1) +c
4
(n 1) +c
5
n(n +1)
2
1
+c
6
n(n 1)
2
+c
7
n(n 1)
2
+c
8
(n 1)
=
c
5
2
+
c
6
2
+
c
7
2
n
2
+
c
1
+c
2
+c
4
+
c
5
2

c
6
2

c
7
2
+c
8
n
(c
2
+c
4
+c
5
+c
8
) .
This worst-case running time can be expressed as an
2
+bn +c for constants a, b,
and c that again depend on the statement costs c
i
; it is thus a quadratic function
of n.
Typically, as in insertion sort, the running time of an algorithm is xed for a
given input, although in later chapters we shall see some interesting randomized
algorithms whose behavior can vary even for a xed input.
Worst-case and average-case analysis
In our analysis of insertion sort, we looked at both the best case, in which the input
array was already sorted, and the worst case, in which the input array was reverse
sorted. For the remainder of this book, though, we shall usually concentrate on
2.2 Analyzing algorithms 25
case occurs if the array is already sorted. For each j = 2, 3, . . . , n, we then nd
that A[i ] key in line 5 when i has its initial value of j 1. Thus t
j
= 1 for
j = 2, 3, . . . , n, and the best-case running time is
T(n) = c
1
n +c
2
(n 1) +c
4
(n 1) +c
5
(n 1) +c
8
(n 1)
= (c
1
+c
2
+c
4
+c
5
+c
8
)n (c
2
+c
4
+c
5
+c
8
) .
This running time can be expressed as an +b for constants a and b that depend on
the statement costs c
i
; it is thus a linear function of n.
If the array is in reverse sorted orderthat is, in decreasing orderthe worst
case results. We must compare each element A[ j ] with each element in the entire
sorted subarray A[1 . . j 1], and so t
j
= j for j = 2, 3, . . . , n. Noting that
n
j =2
j =
n(n +1)
2
1
and
n
j =2
( j 1) =
n(n 1)
2
(see Appendix A for a review of how to solve these summations), we nd that in
the worst case, the running time of INSERTION-SORT is
T(n) = c
1
n +c
2
(n 1) +c
4
(n 1) +c
5
n(n +1)
2
1
+c
6
n(n 1)
2
+c
7
n(n 1)
2
+c
8
(n 1)
=
c
5
2
+
c
6
2
+
c
7
2
n
2
+
c
1
+c
2
+c
4
+
c
5
2

c
6
2

c
7
2
+c
8
n
(c
2
+c
4
+c
5
+c
8
) .
This worst-case running time can be expressed as an
2
+bn +c for constants a, b,
and c that again depend on the statement costs c
i
; it is thus a quadratic function
of n.
Typically, as in insertion sort, the running time of an algorithm is xed for a
given input, although in later chapters we shall see some interesting randomized
algorithms whose behavior can vary even for a xed input.
Worst-case and average-case analysis
In our analysis of insertion sort, we looked at both the best case, in which the input
array was already sorted, and the worst case, in which the input array was reverse
sorted. For the remainder of this book, though, we shall usually concentrate on
O(n
2
)
Worst-case (seluruh input diurutkan terbalik):
Apakah Insertion Sort algoritma yang cepat?
- Ya, jika N kecil
- Tidak, jika N besar
Lihat perbandingannya dengan Merge Sort di
slide berikutnya
T(N) = O( j) = O(n
2
)
j =2
N
!
Deret aritmatika
Contoh komparasi
Komputer A:
Insertion Sort, lebih cepat untuk N kecil,
memproses N data dengan waktu eksekusi
Kecepatan eksekusi prosesor 10
9
instruksi/detik

Komputer B:
Merge Sort, lebih lambat untuk N kecil,
memproses N data dengan waktu eksekusi
Kecepatan eksekusi prosesor 10
7
instruksi/detik
Diketahui:

c
1
N
2
c
2
N log N

c
1
!c
2
Jika c
1
=2, c
2
=50, N = 10
6
,
mana algoritma yang lebih efisien?
Kesimpulan
Analisa algoritma diperlukan untuk

perbandingan algoritma tanpa tergantung
spesikasi mesin
Analisa algoritma membantu kita memecahkan

masalah sesuai kondisi dan data yang kita hadapi
Analisa algoritma bukan alat mutlak untuk

memilih algoritma terbaik, tapi membantu
memahami perilaku algoritma saat diterapkan di
dunia nyata
Terima Kasih

04 Analisa Algoritma

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

04 Analisa Algoritma

Diunggah oleh

Hak Cipta:

Format Tersedia

Analisa Kompleksitas Algoritma

Pentingnya Analisa Algoritma

Prinsip Perbandingan Algoritma

Dasar-dasar Matematika dan Teori Big-O

Kehandalan dalam menyelesaikan masalah (robustness)

Tampilan gras (user interface)

Daya tahan (reliability)

Kemudahan dalam penggunaan (user friendly)

Kemudahan dalam pemeliharaan (maintainability)

Hal-hal yang menjadi pertimbangan utama Anda

Performa sistem menjadi alat tukar seperti uang.

Algoritma program memegang peran kunci

Algoritma adalah teknologi, engineered,

Algoritma membantu kita memahami skalabilitas

Performa terkadang menjadi pembeda antara

Analisa algoritma memberi gambaran informasi

Mempelajari bagaimana menerapkan algoritma

Apa yang membuat sebuah algoritma dikatakan LEBIH

Kompleksitas waktu (Time Complexity)

Kompleksitas ruang (Space Complexity)

Kecenderungan saat ini:

ruang (hard disk) semakin murah

kapasitas data yang diproses semakin besar

waktu pemrosesan harus semakin cepat

Kompleksitas waktu menjadi variabel yang sangat penting

Program aras tinggi diterjemahkan ke bahasa mesin. Setiap

Aplikasi dijalankan di shared environment, sehingga

Program sangat sensitif terhadap masukan dan akan

Program tidak dipahami dengan baik, sehingga analisa

Program tersebut memang tidak bisa dibandingkan dengan

Memisahkan operasi pada tingkat abstraksi

Mengidentikasi data masukan:

Sebagian besar algoritma memiliki parameter primer

Parameter N bisa berupa:

Pengukuran kompleksitas: Big-O

Hilangkan orde yang lebih rendah dan

Sebagian besar algoritma terdiri dari proses

Bagian yang berulang tersebut secara tidak

Perlu mengetahui formula-formula dasar

Formula 1: kondisi periodik muncul pada program

Formula 2: kondisi periodik muncul pada program rekursif yang

Formula 3: kondisi periodik muncul pada program rekursif yang

Formula 4: kondisi periodik muncul pada program rekursif yang

Formula 5: kondisi periodik muncul pada program rekursif yang

Strategi Worst case (umum digunakan)

Strategi Average case (jarang digunakan)

Biasanya mengambil batas maksimal (upper bound),

Waktu eksekusi juga tergantung pada kondisi awal

Untuk worst-case, diambil kemungkinan yang paling

Berapakah waktu eksekusi terburuk (worst-case)

Tergantung dari kecepatan mesin kita:

Kita ingin mengukur kecepatan algoritma tanpa

Untuk membandingkan dua buah algoritma,

Analisa algoritma diperlukan untuk

Analisa algoritma membantu kita memecahkan

Analisa algoritma bukan alat mutlak untuk

Anda mungkin juga menyukai