Laporan Strruktur Data
Laporan Strruktur Data
STRUKTUR DATA
LAPORAN
“GRAPH”
Untuk Memenuhi Tugas Mata Kuliah Struktur Data
Disusun Oleh :
Rosmaniah ( 170155201001 )
Lotfiana Madioracy ( 1701552010 )
Gidion Adi Saputa (1701552010 )
Aprianto (1701552010 )
Puji Syukur khadirat Allah Yang Maha Kuasa karena atas Rahmat dan Hidayah-
Nyalah kami dapat menyelesaikan laporan ini. Laporan ini merupakan salah satu bagian
dalam tugas kami yang berjudul “GRAPH”. Terima kasih juga kepada dosen Pembimbing
Mata Kuliah Struktur Data.
Laporan ini berisi tentang pembelajaran mengenai “GRAPH” di dalam Struktur Data.
Tentunya kami sangat berharap laporan ini dapat berguna bagi siapapun yang membacanya.
Masih banyak kekurangan dalam laporan ini . Selain itu dalam penyusunan tugas atau
materi ini, tidak sedikit hambatan yang penulis hadapi. Namun penulis menyadari bahwa
kelancaran dalam penyusunan materi ini tidak lain berkat bantuan, dorongan dan bimbingan
orang tua, sehingga kendala-kendala yang penulis hadapi teratasi
Tim Penyusun
BAB I
PENDAHULUAN
Dalam istilah ilmu komputer, sebuah struktur data adalah cara penyimpanan,
pengorganisasian dan pengaturan data di dalam media penyimpanan komputer sehingga data
tersebut dapat digunakan secara efisien. Dalam tehnik pemrograman, struktur data berarti tata
letak data yang berisi kolom-kolom data, baik itu kolom yang tampak oleh pengguna (user)
ataupun kolom yang hanya digunakan untuk keperluan pemrograman yang tiadak tampak
oleh pengguna.
Graph merupakan struktur data yang paling umum. Jika struktur linear
memungkinkan pendefinisian keterhubungan sikuensial antara entitas data, struktur data tree
memungkinkan pendefinisian keterhubungan hirarkis, maka struktur graph memungkinkan
pendefinisian keterhubungan tak terbatas antara entitas data.
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 pada strukturnya sendiri.
Graf adalah salah satu jenis struktur data yang terdiri dari titik (vertex) dan garis
(edge), dimana dalam graf tersebut, vertex - vertex yang ada dihubungkan oleh edge, hingga
menjadi suatu kesatuan yang disebut graf. Sebagai contoh dari pemodelan graf adalah peta
kota kota, dimana kota disini sebagai vertex dan jalur yang menghubungkannya berlaku
sebagai edge.
Ada terdapat beberapa jenis graf yang bisa kita gunakan, yaitu beberapa diantaranya
adalah sebagai berikut :
• Graf Berarah : adalah graf yang edge-nya memiliki arah, sebagai contoh edge AB
menghubungkan vertex A ke B, dimana hubungan vertex B ke A, harus diperoleh dari edge
lain, yaitu edge BA, dan jika edge BA tidak ada, maka vertex B ke A tidak memiliki
hubungan, meski vertex A ke B memiliki hubungan
• Graf Tak Berarah : adalah graf yang edge-nya tidak memiliki arah, sehingga jika edge AB
menghubungkan vertex A ke B, maka secara otomatis juga menghubungkan vertex B ke A.
• Graf Berbobot : adalah suatu graf dimana edge dari graf tersebut memiliki bobot atau nilai
tertentu.
• Graf Tidak Berbobot : adalah suatu graf dimana edge dari graf tersebut tidak memiliki
bobot atau nilai. Untuk merepresentasikannya dalam pemrograman komputer, graf dapat
disusun dari LinkedList yang berada dalam LinkedList.
BAB II
PEMBAHASAN
2.1.Definisi Graph
Suatu graph didefinisikan oleh himpunan verteks dan himpunan sisi (edge).
Verteks menyatakan entitas-entitas data dan sisi menyatakan keterhubungan antara
verteks. Biasanya untuk suatu graph G digunakan notasi matematis.
G = (V, E)
Dimana : G = Graph
V = Simpul atau Vertex, atau Node, atau Titik
E = Busur atau Edge, atau arc
V adalah himpunan verteks dan E himpunan sisi yang terdefinisi antara pasangan-
pasangan verteks. Sebuah sisi antara verteks x dan y ditulis {x, y}. Suatu graph H = (V1,
E1) disebut subgraph dari graph G jika V1 adalah himpunan bagian dari V dan E1
himpunan bagian dari E.
Vx = {y | (x,y) -> E}
b. Graph Berarah
Dalam matrik diatas dapat kita lihat bahwa kotak yang berisi angka satu
menunjukan bahwa dalam dua vertex tersebut terdapat edge yang menghubungkannya.
Dan jika dalam kotak terdapat angka nol, maka hal tersebut menandakan tidak ada edge
yang mengubungkan secara langsung dua vertex tersebut.
Untuk representasi dalam pemorgraman komputer, graf tersebut dapat
digambarkan seperti dibawah ini :
2. Degree
Didalam Graph ada yang disebut dengan Degree, Degree mempuyai 3 jenis antara
lain :
- Degree dari suatu verteks x dalam undigraph adalah jumlah busur yang incident
dengan simpul tersebut.
- Indegree dari suatu verteks x dalam digraph adalah jumlah busur yang kepalanya
incident dengan simpul tersebut, atau jumlah busur yang “masuk” atau menuju
simpul tersebut..
- Outdegree dari suatu verteks x dalam digraph adalah jumlah busur yang ekornya
incident dengan simpul tersebut, atau jumlah busur yang “keluar” atau berasal dari
simpul tersebut.
3. Adjacent
Pada graph tidah berarah, 2 buah simpul disebut adjacent bila ada busur yang
menghubungkan kedua simpul tersebut. Simpul v dan w disebut adjacent.
Pada graph berarah, simpul v disebut adjacent dengan simpul w bila ada busur dari w
ke v.
Pada graph berarah, bila simpul v adjacent dengan simpul w, maka simpul v adalah
successor simpul w, dan simpul w adalah predecessor dari simpul v.
5. Path
Sebuah path adalah serangkaian simpul-simpul berbeda yang adjacent secara berturut-
turut dari simpul satu ke simpul berikutnya.
Khusus graph, undigraph bisa sebagai digraph (panah di kedua ujung edge
berlawanan) Struktur data linear maupun hirarkis adalah juga graph. Node-node pada
struktur linear ataupun hirarkis adalah verteks-verteks dalam pengertian graph dengan
sisi-sisinya menyusun node-node tersebut secara linear atau hirarkis.
Struktur data linear adalah juga tree dengan pencabangan pada setiap node
hanya satu atau tidak ada. Linear 1-way linked list (digraph), linear 2- way linked list
(undigraph).
2.4. Konektivitas Tiap Jenis Graph
Terminologi di atas berlaku juga pada Digraph kecuali dalam digraph harus
dikaitkan dengan arah tertentu karena pada arah yang sebaliknya belum tentu terdefinisi.
Adjacency ke / dari: Jika terdapat sisi (x,y) maka dalam digraph dikatakan bahwa x
"adjacent ke" y atau y "adjacent dari" x. Demikian pula jika terdapat path dari x ke y
maka belum tentu ada path dari y ke x Jadi dalam digraph keterkoneksian
didefinisikan lebih lanjut lagi sebagai berikut.
Terkoneksi dengan kuat: Himpunan bagian verteks S dikatakan terkoneksi dengan
kuat (strongly connected) bila setiap pasangan verteks berbeda x dan y dalam S, x
berkoneksi dengan y dan y berkoneksi dengan x (dpl., ada path dari x ke y dan
sebaliknya dari y ke x).
Terkoneksi dengan Lemah: Himpunan bagian verteks S dikatakan terkoneksi dengan
lemah (weakly connected) bila setiap pasangan verteks berbeda x dan y dalam S,
salah satu: x berkoneksi dengan y (atau y berkoneksi dengan x) dan tidak kebalikan
arahnya (dpl., hanya terdefinisi satu path: dari x ke y atau sebaliknya dari y ke x).
2.5. Metode Pencarian Vertex
Pencarian vertex adalah proses umum dalam graph. Terdapat 2 metoda pencarian,
yakni Depth First Search (DFS) dan Breadth First Search (BFS).
a. Depth First Search (DFS)
Pencarian dengan metode ini dilakukan dari node awal secara mendalam hingga
yang paling akhir (dead-end) atau sampai ditemukan. Dengan kata lain, simpul cabang
atau anak yang terlebih dahulu dikunjungi.
Pada diatas, state 21 merupakan tujuannya (goal) sehingga bila ditelusuri menggunakan
prosedur Breadth First Search, diperoleh:
1) Open = [1]; closed = [ ].
2) Open = [2, 3, 4]; closed = [1].
3) Open = [3, 4, 5, 6]; closd = [2, 1].
4) Open = [4, 5, 6, 7, 8]; closed = [3, 2, 1].
5) Open = [5, 6, 7, 8, 9, 10]; closed = [4, 3, 2, 1].
6) Open = [6, 7, 8, 9, 10, 11, 12]; closed = [5, 4, 3, 2, 1].
7) Open = [7, 8, 9, 10, 11, 12, 13] (karena 12 telah di-open);
closed = [6, 5, 4, 3, 2, 1].
8) Open = [8, 9, 10, 11, 12, 13, 14]; closed = [7, 6, 5, 4, 3, 2, 1].
9) Dan seterusnya sampai state 21 diperoleh atau open = [ ].
Ada beberapa keuntungan menggunakan algoritma Breadth First Search ini,
diantaranya adalah tidak akan menemui jalan buntu dan jika ada satu solusi maka
Breadth First Search akan menemukannya, dan jika ada lebih dari satu solusi maka
solusi minimum akan ditemukan.
Namun ada tiga persoalan utama berkenaan dengan Breadth First Search ini
yaitu :
1) Membutuhkan memori yang lebih besar, karena menyimpan semua node dalam
satu pohon.
2) Membutuhkan sejumlah besar pekerjaan, khususnya jika lintasan solusi
terpendek cukup panjang, karena jumlah node yang perlu diperiksa bertambah
secara eksponensial terhadap panjang lintasan.
3) Tidak relevannya operator akan menambah jumlah node yang harus diperiksa.
Oleh karena proses Breadth First Search mengamati node di setiap level
graf sebelum bergerak menuju ruang yang lebih dalam maka mula-mula semua
keadaan akan dicapai lewat lintasan yang terpendek dari keadaan awal. Oleh sebab
itu, proses ini menjamin ditemukannya lintasan terpendek dari keadaan awal ke
keadaan tujuan (akhir). Lebih jauh karena mula-mula semua keadaan ditemukan
melalui lintasan terpendek sehingga setiap keadaan yang ditemui pada kali kedua
didapati pada sepanjang sebuah lintasan yang sama atau lebih panjang. Kemudian, jika
tidak ada kesempatan ditemukannya keadaan yang identik pada sepanjang lintasan
yang lebih baik maka algoritma akan menghapusnya
Pencarian shortest path (lintasan terpendek) adalah masalah umum dalam suatu
weighted, connected graph. Misal : Pencarian jaringan jalan raya yang menghubungkan
kota-kota disuatu wilayah.
1. Lintasan terpendek yag menghubungkan antara dua kota berlainan tertentu (Single-
source Single-destination Shortest Path Problems)
2. Semua lintasan terpendek masing-masing dari suatu kota ke setiap kota lainnya
(Single-source Shortest Path problems)
3. Semua lintasan terpendek masing-masing antara tiap kemungkinan pasang kota yang
berbeda (All-pairs Shortest Path Problems)
Dalam beberapa masalah graph lain, suatu graph dapat memiliki bobot negatif
dan kasus ini dipecahkan oleh algoritma Bellman-Ford. Yang akan dibahas di sini adalah
algoritma Dijkstra yaitu mencari lintasan terpendek dari suatu verteks asal tertentu vs ke
setiap verteks lainnya.
Apabila sisi-sisi pada graph disertai juga dengan suatu (atau beberapa) harga
yang menyatakan secara unik kondisi keterhubungan tersebut maka graph tersebut
disebut graph berbobot. Biasanya dalam masalah-masalah graph bobot tersebut
merupakan "harga" dari keterhubungan antar vertex. Pengertian "harga" ini
menggeneralisasikan banyak aspek, biaya ekonomis dari proses/aktifitas, jarak
geografis/tempuh, waktu tempuh, tingkat kesulitan, dan lain sebagainya.
Dalam beberapa masalah lain bisa juga bobot tersebut memiliki pengertian
"laba" yang berarti kebalikan dari "biaya" di atas. Dalam pembahasan algoritma-
algoritma graph nanti pengertian bobot akan menggunakan pengertian biaya sehingga
apabila diaplikasikan pada masalah yang berpengertian laba maka kuantitas-kuantitas
terkait adalah kebalikannnya. Misalnya mencari jarak tempuh minimum digantikan
dengan mencari laba maksimum.
b. Algoritma Dijkstra’s
Algoritma Dijkstra's :
1. Menyelesaikan problem single-source shortest-path ketika semua edge memiliki
bobot tidak negatif.
2. Algoritma greedy mirip ke algoritma Prim's.
3. Algoritma di awali pada vertex sumber s, kemudian berkembang membentuk
sebuah tree T, pada akhirnya periode semua vertex dijangkau dari S. Vertex di
tambah ke T sesuai urutan
Misalnya :
Pertama S, kemudian vertex yang tepat ke S, kemudian yang tepat berikutnya dan
seterusnya.
c. Dynamic Programming
Terdiri dari sederetan tahapan keputusan. Pada setiap tahapan berlaku prinsip
optimality (apapun keadaan awal dan keputusan yang diambil, keputusan berikutnya
harus memberikan hasil yang optimal dengan melihat hasil keputusan sebelumnya.
Misalnya : Multistage Graph
Dimana : Cost (i,j) = Min(C(j,l) + Cost(i+1,l)}
Dengan : C(j,l) = Bobot edge j dan l
l = Elemen Vi+1 Dan <j,l> eemen E
i=stage ke-I dan j = node dalam V
Proses dimulai dari k-2, dimana k adalah banyak stage.
Perhatikan contoh untuk menentukan biaya termurah dari 1 hingga 12.
Diketahui graph dengan stage sebagai berikut :
Bila jalur (edge) mempunyai biaya (cost) maka yang dicari adalah minimum
cost spanning tree.
Dua algoritma populer untuk menentukan minimum spanning tree (MST) adalah
Kruskal Algorithm dan Prim’s Algorithm.
1. Algoritma Kruskal
Algoritma ini lebih sederhana jika dilihat dari konsepnya namun lebih sulit
dalam implementasinya. Idenya adalah mendapatkan satu demi satu sisi mulai dari
yang berbobot terkecil untuk membentuk tree, suatu sisi walaupun berbobot kecil
tidak akan diambil jika membentuk siklik dengan sisi yang sudah termasuk dalam
tree. Yang menjadi masalah dalam implementasinya adalah keperluan adanya
pemeriksaan kondisi siklik tersebut.Salah satu pemecahaannya adalah dengan
subsetting yaitu pembentukan subset-subset yang disjoint dan secara bertahap
dilakukan penggabungan atas tiap dua subset yang berhubungan dengan suatu sisi
dengan bobot terpendek. Algoritma lengkapnya:
Tahap pertama, jika dalam V terdapat n verteks maka diinisialisasi n buah subset
yang disjoint, masing-masing berisi satu verteks, sebagai subset-subset awal.
Tahap berikutnya, urutkan sisi-sisi dengan bobot yang terkecil hingga terbesar.
Mulai dari sisi dengan bobot terkecil hingga terbesar lakukan dalam iterasi: jika
sisi tsb. menghubungkan dua vertex dalam satu subset (berarti membentuk siklik)
maka skip sisi tersebut dan periksa sisi berikutnya jika tidak (berarti membentuk
siklik) maka kedua subset dari verteks-verteks yang bersangkutan digabungkan
menjadi satu subset yang lebih besar. Iterasi akan berlangsung hingga semua sisi
terproses.
MST_KRUSKAL (G)
{ For setiap vertex v dalam V[G] Do
{ set S(v) ← {v} }
2. Algoritma Prim
Algoritma dimulai dari suatu verteks awal tertentu dan bisa ditentukan oleh
pemanggil atau dipilih sembarang oleh algoritma. Misalnya verteks awal tersebut
adalah v. Pada setiap iterasi terdapat kondisi di mana himpunan vertex V terbagi
dalam dua:
W yaitu himpunan verteks yang sudah dievaluasi sebagai node di dalam pohon, serta
(V-W) yaitu himpunan verteks yang belum dievaluasi.
Di awal algoritma W diinisialisasi berisi verteks awal v. Selanjutnya, di dalam
iterasinya:
Pada setiap adjacency dari tiap verteks dalam W dengan verteks dalam (V-W) dicari
sisi dengan panjang minimal. setelah diperoleh, sisi tersebut ditandai sebagai sisi
yang membentuk tree dan verteks adjacent sisi tersebut dalam (VW) dipindahkan ke
W (menjadi anggota W).
Jika sisi tersebut tidak ada maka proses selesai.
Dari contoh di atas misalnya dilakukan pencarian mulai dari verteks A Maka
algoritma ini menghasilkan tahapan-tahapan iterasi pencarian sbb.:
MST_PRIM (G, w, v)
{ Q ← V[G]
for setiap u dalam Q do key [u] ← ∞
key [r] ← 0
π[r] ← NIl
while queue tidak kosong do
{ u ← EXTRACT_MIN (Q)
for setiap vertex v dalam Adj[u] do
{ if v ada dalam Q dan w(u, v) < key [v] then
{ π[v] ← w(u, v)
key [v] ← w(u, v)
}
}
}
BAB III
PENUTUP
3.1. Kesimpulan
Mengenal Graph :
Terdiri dari node dan terdiri dari link (busur)
Node disebut vertex dan Link disebut edge
Informasi penting dalam graph adalah koneksi antar vertex
Pada undirected graph, tidak terdapat directions (arah), Edge dari v0 ke v1 adalah
sama dengan edge dari v1 ke v0
Jika sebuah masalah dapat direpresentasikan ke dalam bentuk kgraph maka solusi dari
masalah tersebut bisa dicari dengan bantuan graph
Setiap vertex mewakili sebuah kondisi (state) dan edge mewakili transisi antar state
3.2. Saran
Menyadari bahwa penulis masih jauh dari kata sempurna, kedepannya penulis akan
lebi fokus dan details dalam menjelaskan tentang makalah di atas dengan sumber-sumber
yang lebih banyak yang tentunya dapat di pertanggungjawabkan
DAFTAR PUSTAKA