Pengantar Desain dan Analisis Algoritma

CONTOH ALGORITMA

1. Menentukan bilangan ganjil atau genap.

Bilangan bulat terdiri dari 0, 1, 2, 3 dst serta bilangan asli 1, 2, 3 dst. Kedua jenis bilangan ini
sering digunakan dalam perhitungan. Himpunan bilangan bulat dalam buku teks aljabar pada
umumnya di nyatakan dengan lambing “Z” dan himpunan bilangan asli di nyatakan dengan
lambing “N”.

Bilangan genap merupan sebuah bilangan bulat yang akan habis atau tidak memiliki sisa jika di
bagi 2. Sedangkan bilangan ganjil merupakan sebuah bilangan bulat yang tidak akan habis dibagi
dengan dua. Flowchartnya, sbb :

2. Menghitung luas lingkaran dan keliling lingkaran.

Lingkaran adalah himpunan dari semua titik-titik pada bidang dalam jarak yang
tertentu.Dengan jari-jari dari titik tertentu sebagai pusat titik. Lingkaran merupakan contoh
dari kurva tertutup sederhana. Lingkaran membagi bidang menjadi bagian luar dan dalam.
Algoritma menghitung keliling dan luas lingkaran, sbb :
1
Page
3. Menampilkan bilangan ganjil dari 10-30
Bilangan ganjil antara 10 hingga 30, kecuali bilangan 21 dan 27 tidak ditampilkan, sbb :

4. Algoritma Tahun Kabisat

Algoritma tahun kabisat adalah merupakan sebuah tahun yang memiliki tambahan
2

1 hari dan bertujuan agar kalender dapat sinkron dengan musim tahunan dan keadaan
Page
 astronomi. Bulan fenruari akan memiliki 29 hari pada tahun kabisat. Tahun yang dapat
dibagi dengan 4, seperti flowvhart berikut ini :

5. Menampilkan bilangan Genap

Algoritma bilangan genap adalah bilangan bulat yang habis jika dibagi dengan 2.
Deret yang ditampilkan dari algoritma ini adalah bilangan genap dari 2 hingga ke-n kecuali
bilangan kelipatan 4. Flowchartnya sbb :

6. Menghitung Harya yang dibayar setelah mendapatkan diskon

Page
 Algoritma untuk menghitung jumlah dari biaya yang harus dibayar oleh pembeli setelah
mendapatkan diskon sebesar 10% dengan syarat jumlah total pembelian adalah Rp. 1,5 jt.
Flowcharnya sbb :

Jumlah barang memiliki sifat yang dinamik sesuai dengan input atau di masukkan dari
user. Apabila jumlah total dari harga tersebut kurang dari 1500000 maka tidak akan
mendapatkan diskon.
7. Mencari nilai maksimum/minimum dari suatu deret bilangan.
Algoritma untuk mencari nilai maks dan min dari suatu n deret bilangan yang di input
oleh user, flowchartnya sbb :

4
Page

8. Kalkulator sederhana dari 2 bilangan

 Terdapat sebuah algoritma kalkulator sederhana untuk operasi penjumlahan, perkalian,
pembagian dan pengurangan. Kalkulator hanya untuk menginput 2 bilangan oleh user,
algoritmanya sbb:

9. Menghitung Beberapa angka dari suatu bilangan

Pada flowchar kali ini sebuah algoritma untuk menghitung beberapa angka dari suatu
bilangan yang di masukkan atau di input oleh user, sbb :

5
Page
 10. Membalik sebuah kamimat
Algoritma juga dapat menampilkan sebuah kalimat namun dengann urutan terbalik. Misalkan
“WOOCARA” di balik menjadi “aracoow”. Struktur data yang digunakan adalah stack.
Untuk membalik sebuah bilangan, huruf dari kalimat yang di input dalam stack dengan
menggunakan metode push. Setelah stack tersebut terisi maka output kembali dengan metode
pop.
Pada algoritma membalik sebuah kalimat adanya penggunaan struktur data stack
diimplemntasikan ke array. Dengan cara mempersiapkan arrat yang memiliki panjang yang
sama dengan jumlah huruf yang ada dalam kalimat yang akan di balik tersebut.
Contoh dibawah tiap huruf dalam kalimat yang di input pada array dengan indeks ke0 hingga
ke-n dengan memakai metode push.

Kemudian huruf tersebut akan mengeluarkan kata mulai dari index ke n hingga index ke-0.

Sebagai salah satu dasar dari ilmu komputer, algoritma merupakan hal yang sangat penting untuk
dikuasai oleh orang-orang yang berkecimpung di dunia ilmu komputer, dari peneliti sampai ke
praktisi. Tentunya penguasaan akan algoritma tidak cukup hanya sampai pada tahap mengetahui
dan menggunakan algoritma yang tepat untuk menyelesaikan masalah. Seorang yang mengerti
ilmu komputer harus juga mampu merancang dan mengembangkan sebuah algoritma
berdasarkan masalah-masalah yang ditemui. Tulisan ini bertujuan untuk memberikan pengertian
mendasar mengenai perancangan (desain) dan pengembangan algoritma, agar pembaca dapat
tidak hanya menggunakan algoritma yang sudah ada, tetapi juga merancang dan
mengembangkan algoritma sesuai dengan masalah yang akan diselesaikan.

Selain memberikan dasar perancangan, tulisan ini juga membahas jenis-jenis algoritma yang ada,
untuk kemudian melakukan analisa terhadap beberapa algoritma untuk setiap jenisnya. Analisis
algoritma dilakukan dengan tujuan utama agar pembaca dapat mengambil keputusan yang tepat
dalam memilih algoritma untuk solusi.
6
Page

Apa itu Algoritma?

Sebelum membahas mengenai perancangan ataupun analisis algoritma, tentunya kita terlebih
dahulu harus mendefinisikan arti dari “Algoritma”. Apa itu algoritma?

Algoritma merupakan langkah-langkah (prosedur) yang harus dilakukan untuk menyelesaikan

sebuah masalah.

Program komputer umumnya dibangun dengan menggunakan beberapa algoritma untuk

menyelesaikan sebuah permasalahan. Misalnya sebuah program pencarian teks seperti grep akan
memerlukan algoritma khusus untuk membaca dan menelusuri file, algoritma lain untuk mencari
teks yang tepat di dalam file, dan satu algoritma lagi untuk menampilkan hasil pencarian ke
pengguna.

Dalam mendefinisikan algoritma, kita harus dapat mendefinisikan tiga hal utama dengan jelas,
yaitu:

1. Masalah, yaitu sebuah persoalan yang ingin diselesaikan oleh sebuah algoritma.
2. Masukan, yaitu contoh data atau keadaan yang menjadi permasalahan.
3. Keluaran, yaitu bentuk akhir dari data atau keadaan setelah algoritma diimplementasikan
ke masukan. Keluaran merupakan hasil ideal yang diinginkan dan dianggap telah
menyelesaikan masalah.

7
Page
Contoh (dan Solusi) Algoritma
Contoh dari sebuah definisi algoritma yang benar adalah sebagai berikut:

Masalah
Pengurutan sekumpulan nilai yang bernilai acak.
Masukan
Serangkaian data berukuran $n$.
Keluaran
Serangkaian data berukuran $n$, dengan urutan \(a_1 \leq a_2 \leq a_3 \leq ... \leq a_{n-
1} \leq a_{n}\), di mana \(a_x\) adalah data pada posisi \(x\) dalam rangkaian.

Data masukan yang diinginkan merupakan rangkaian data, tanpa memperdulikan jenis data
(angka, huruf, teks, dan lainnya). Contoh dari nilai masukan adalah [2, 5, 1, 3, 4] ataupun
["Doni", "Andi", "Budi", "Clara"]. Data keluaran yang diinginkan, tentunya adalah data
masukan yang telah terurut: [1, 2, 3, 4, 5] dan ["Andi", "Budi", "Clara", "Doni"].

Untuk menyelesaikan masalah yang diberikan di atas, kita dapat menggunakan algoritma
insertion sort. Kode di bawah menunjukkan implementasi insertion sort pada bahasa
pemrograman python:

def insertion_sort(data):
for i in range(0, len(data)):
insert_val = data[i]
hole_pos = i

while hole_pos > 0 and insert_val < data[hole_pos - 1]:

data[hole_pos] = data[hole_pos - 1]
hole_pos = hole_pos - 1

data[hole_pos] = insert_val

Implementasi insertion sort yang diberikan di atas menunjukkan bahwa pada dasarnya
sebuah prosedur yang harus dijalankan untuk mengubah data masukan menjadi data keluaran,
sehingga masalah dapat terselesaikan.

Algoritma yang Baik

Kita telah mengetahui dengan jelas makna dari algoritma, sehingga pertanyaan selanjutnya
adalah algoritma seperti apa yang dapat dikatakan sebagai algoritma yang baik? Pada
umumnya kita tidak ingin menggunakan algoritma yang salah untuk menyelesaikan masalah
karena hal ini dapat menyebabkan masalah tidak diselesaikan dengan optimal, atau lebih
buruknya, tidak diselesaikan sama sekali.

Sebuah algoritma yang baik memiliki sifat-sifat berikut:

8
Page
 1. Benar, di mana algoritma menyelesaikan masalah dengan tepat, sesuai dengan definisi
masukan / keluaran algoritma yang diberikan.
2. Efisien, berarti algoritma menyelesaikan masalah tanpa memberatkan bagian lain dari
apliikasi. Sebuah algoritma yang tidak efisien akan menggunakan sumber daya (memori,
CPU) yang besar dan memberatkan aplikasi yang mengimplementasikan algoritma
tersebut.
3. Mudah diimplementasikan, artinya sebuah algoritma yang baik harus dapat dimengerti
dengan mudah sehingga implementasi algoritma dapat dilakukan siapapun dengan
pendidikan yang tepat, dalam waktu yang masuk akal.

Pada prakteknya, tentunya ketiga hal tersebut tidak dapat selalu tercapai. Kebenaran dari sebuah
algoritma umumnya selalu dapat dicapai, setidaknya untuk nilai-nilai masukan umum, tetapi
efisiensi dan kemudahan implementasi tidak selalu didapatkan. Begitupun, tentunya kita harus
tetap berusaha mencapai ketiga hal tersebut dalam merancang sebuah algoritma.

Pembuktian Kebenaran Algoritma

Kita telah mengetahui bahwa sebuah algoritma yang baik adalah algoritma yang benar, efisien,
dan mudah diimplementasikan. Pertanyaan berikutnya tentunya adalah, bagaimana kita
mengetahui bahwa sebuah algoritma telah benar? Algoritma yang efisien itu seperti apa?
Bagaimana kita mengukur kemudahan implementasi sebuah algoritma?

Bagian ini akan membahas mengenai pertanyaan pertama, yaitu bagaimana kita dapat
mengetahui kebenaran sebuah algoritma. Tentunya efisiensi dan kemudahan implementasi
sebuah algoritma menjadi tidak penting jika algoritma tersebut tidak dapat memberikan hasil
yang benar.

Definisi dari kebenaran algoritma yang digunakan pada tulisan ini adalah sebagai berikut:

Sebuah algoritma dikatakan telah benar jika algoritma tersebut dapat memberikan keluaran
yang benar jika menerima masukan sesuai dengan definisi algoritma tersebut, dan algoritma
tersebut terbukti akan selalu dapat diterminasi (berakhir).

Pembuktian kebenaran sebuah algoritma sendiri dapat dilakukan dengan beberapa cara,
misalnya:

1. Induksi Matematika,
2. Pembuktian kontradiktif,
3. Pembuktian kontrapositif, dan
4. Metode Formal.

Masing-masing alat pembuktian yang disebutkan memiliki kelebihan dan kekurangan masing-
masing, serta kasus pengunaan yang berbeda-beda. Perlu diingat juga bahwa masih terdapat
sangat banyak alat-alat pembuktikan lainnya yang dapat digunakan, tetapi kita hanya membahas
9

satu cara pembuktian (induksi matematika) saja sebagai pengenalan cara membuktikan
Page
algoritma. Jika dibutuhkan, metode dan alat pembuktian lain akan dijelaskan lagi pada bagian
yang relevan.

Sekarang mari kita lihat penggunaan masing-masing alat tersebut untuk membuktikan algoritma!

Induksi Matematika

Induksi matematika merupakan alat pembuktian matematis yang digunakan untuk membuktikan
pernyataan atau proses yang melibatkan perhitungan bilangan asli yang berulang. Contoh dari
rumus matematis yang dapat dibuktikan dengan menggunakan induksi matematika yaitu
perhitungan deret aritmatika, deret geometris, ataupun sigma bilangan.

Pembuktian menggunakan induksi matematika dilakukan dengan dua langkah, yaitu:

1. Melakukan pembuktian kasus dasar (base case), yaitu membuktikan bahwa sebuah
pernyataan (fungsi) matematika atau algoritma bernilai benar jika diaplikasikan pada
bilangan pertama yang sah sesuai dengan spesifikasi fungsi atau algoritma tersebut.
2. Melakukan induksi, yaitu membuktikan bahwa kebenaran dari fungsi \(P(k+1)\) jika
kebenaran fungsi \(P(k)\) diketahui.

Dengan membuktikan kedua hal tersebut, kita dapat mengambil kesimpulan bahwa sebuah
fungsi matematika atau algoritma bernilai benar untuk semua bilangan asli. Jika
diimplementasikan dengan tepat, induksi matematika dapat juga digunakan untuk membuktikan
kebenaran algoritma rekursif seperti penelusuran pohon (tree).

Untuk lebih jelasnya, mari kita lihat beberapa contoh cara pembuktian yang dilakukan dengan
menggunakan induksi matematika.

Contoh 1: Deret Aritmatika

Misalkan kita diminta untuk membuktikan bahwa pernyataan matematika untuk perhitungan
deret aritmatika berikut:

\[1 + 2 + 3 + ... + n = \frac{n(n + 1)}{2}\]

adalah benar untuk semua bilangan bulat \(n \geq 1\).

Untuk membuktikan pernyataan matematika di atas, terlebih dahulu kita harus mengubah
pernyataan matematika tersebut menjadi sebuah fungsi matematika:

\[P(k) = 1 + 2 + 3 + ... + n = \frac{k(k + 1)}{2}\]

dan kemudian membuktikan kebenarannya menggunakan induksi matematika. Seperti yang telah
10

dijelaskan sebelumnya, kita harus menjalankan dua langkah untuk melakukan pembuktian
dengan induksi:
Page
 1. Pembuktian Kasus Dasar

Karena pernyataan matematika pada soal menyatakan bahwa pernyataan benar untuk
semua bilangan bulat \(k \geq 1\), maka untuk pembuktian kasus dasar kita harus
membuktikan bahwa \(P(1)\) adalah benar untuk ruas kiri maupun ruas kanan dari
\(P(k)\).

\[\begin{split}P(1)= 1 & = \frac{1(1+1)}{2} \\ 1 & = \frac{1(2)}{2} \\ 1 & = \frac{2}{2}

\\ 1 & = 1\end{split}\]

karena hasil akhir dari ruas kanan dan ruas kiri adalah sama (\(1\)), maka dapat dikatakan
bahwa kasus dasar telah terbukti.

2. Induksi

Untuk pembuktian induksi, kita harus membuktikan bahwa \(P(k) \rightarrow P(k + 1)\)
bernilai benar.

Langkah pertama yang dapat kita lakukan yaitu menuliskan fungsi matematis dari \(P(k +
1)\) terlebih dahulu:

\[P(k + 1) = 1 + 2 + ... + k + (k + 1) = \frac{(k + 1)((k + 1) + 1)}{2}\]

dan kemudian kita harus membuktikan bahwa ruas kiri dan ruas kanan dari \(P(k + 1)\)
adalah sama. Pembuktian akan kita lakukan dengan melakukan penurunan pada ruas kiri
agar menjadi sama dengan ruas kanan:

\[\begin{split}1 + 2 + ... + k + (k + 1) & = (1 + 2 + ... + k) + (k + 1) \\ & = \frac{k(k +

1)}{2} + (k + 1) \\ & = \frac{k(k + 1) + 2(k + 1)}{2} \\ & = \frac{k^2 + 3k + 2}{2} \\ &
= \frac{(k + 1)(k + 2)}{2} \\ & = \frac{(k + 1)((k + 1) + 2)}{2}\end{split}\]

dan seperti yang dapat dilihat, ruas kiri dari \(P(k + 1)\) telah menjadi sama dengan ruas
kanannya, sehingga dapat dikatakan bahwa tahap induksi telah berhasil dibuktikan benar.

Dengan pembuktian kasus dasar dan induksi yang bernilai benar, kita dapat menyimpulkan
bahwa \(P(n)\) bernilai benar untuk \(n \geq 1\).

Contoh 2: Pembuktian Hipotesa

Anda diminta untuk membuktikan hipotesa bahwa fungsi matematika \(n^3-n\) habis dibagi 6
untuk semua bilangan bulat \(n \geq 2\).

Langkah untuk membuktikan pernyataan tersebut sama dengan sebelumnya. Mulai dari definisi
11

ulang fungsi matematikanya:

Page

\[P(k) = k^3 - k\]

Dan kemudian lakukan induksi matematika, langkah demi langkah:

1. Pembuktian Kasus Dasar

Lakukan perhitungan \(P(2)\) (karena nilai \(k\) minimal 2) dan pastikan hasilnya habis
dibagi 6:

\[\begin{split}P(1) & = 2^3 - 2 \\ & = 8 - 2 \\ & = 6\end{split}\]

karena \(6 \bmod 6 = 0\) maka telah dapat dibuktikan bahwa kasus dasar bernilai benar.

2. Induksi

Jika \(P(k)\) benar habis dibagi 6, maka \(P(k + 1)\), atau \((k + 1)^3 - (k + 1)\) harus juga
habis dibagi 6. Mari kita lakukan pembuktiannya:

\[\begin{split}P(k + 1) & = (k + 1)^3 - (k + 1) \\ & = (k^3 + 3k^2 + 3k + 1) - k - 1 \\ & =

k^3 - 3k^2 + 2k \\ & = k^3 - 3k^2 + 2k + k - k \\ & = k^3 - 3k^2 + 3k - k \\ & = k^3 - k +
3k^2 + 3k \\ & = (k^3 - k) + 3k(k + 1)\end{split}\]

dan dapat dilihat bagaimana \(P(k + 1)\) telah terbukti habis dibagi 6 karena:

1. \(k^3 - k\) habis dibagi 6, sesuai dengan hipotesa \(P(k)\), dan

2. \(3k(k + 1)\) habis dibagi 6 karena salah satu nikai dari \(k\) atau \(k + 1\) pasti
merupakan bilangan genap, yang jika dikalikan dengan 3 akan habis dibagi 6.

Setelah berhasil menyelesaikan dua langkah induksi, kita dapat menyimpulkan bahwa
\(P(k) = k^3 - k\) habis dibagi 6 untuk \(k \geq 2\).

Induksi Matematika untuk Pembuktian Algoritma

Seperti yang dapat dilihat dari apa yang telah kita pelajari pada bagian sebelumnya, induksi
matematika jelas sangat berguna untuk membuktikan kebenaran sebuah teorema atau fungsi
yang melibatkan perhitungan bilangan bulat yang berulang. Tetapi apa guna induksi matematika
untuk membuktikan kebenaran sebuah algoritma?

Sebuah algoritma kerap kali akan memiliki bagian yang melakukan perhitungan bilangan atau
data secara berulang. Kita dapat menggunakan konsep perulangan pada pemrograman untuk
menerapkan perhitungan bilangan ataupun data secara berulang. Misalnya, algoritma berikut
menghitung hasil kali dari dua buah bilangan bulat:

def kali(m, n):

if m < 0:
return -1 # error
12

else:
i = 0
Page

result = 0
 while(m != i):
result = result + n
i = i + 1

return result

yang secara matematis dapat dituliskan sebagai fungsi berikut:

\[f(m, n) = \sum_{i=1}^{n} m; n \geq 0\]

atau lebih sederhananya:

\[m \times n = \underbrace{m + m + m + ... + m}_{\text{n kali}}\]

dan secara otomatis tentunya pernyataan matematis tersebut dapat kita buktikan dengan
menggunakan induksi matematika. Pembuktian perulangan yang lebih kompleks sendiri dapat
dilakukan dengan teknik yang dikenal dengan nama loop invariant, yang tidak akan dijelaskan
pada tulisan ini.

Pemodelan Masalah
Pada bagian sebelumnya kita telah melihat bagaimana sebuah algoritma dituliskan menjadi
fungsi matematika. Baik algoritma maupun fungsi matematika adalah sebuah model, yang
digunakan untuk menggambarkan masalah yang ditemui pada dunia nyata, dan ingin
diselesaikan, baik dengan menggunakan matematika ataupun program komputer. Dengan
memiliki model masalah kita dapat lebih mudah mengerti masalah yang akan diselesaikan, yang
akan menyebabkan solusi yang ditawarkan menjadi lebih baik.

Tetapi pertanyaannya tentunya adalah, bagaimana kita membuat model yang benar dari masalah-
masalah yang ada? Bagian ini akan menjelaskan mengenai cara pembangunan model, baik secara
matematis maupun algoritmik, yang benar.

Jenis-Jenis Model

Sebelum mulai membangun model permasalahan, tentunya kita terlebih dahulu harus
mengetahui jenis-jenis model yang ada. Terdapat enam jenis model yang umum digunakan untuk
menggambarkan masalah dalam dunia algoritma / pemrograman, yaitu:

1. Model Numerik

Model numerik merupakan model matematis yang paling sederhana, yang dibuat untuk
mendeskripsikan jumlah atau ukuran dari sesuatu. Model numerik menggunakan angka
(1, 2, 3, dst) untuk mendeskripsikan suatu hal. Misalkan gambar di bawah:
13
Page
 Model Numerik Sapi

memberikan informasi sejumlah sapi yang ada di dalam kotak. Model numerik paling
sederhana dan informatif yang dapat kita ambil dari gambar tersebut adalah „Lima ekor
Sapi‟ atau „Lima Sapi‟.

2. Model Simbolik

Jika kita mengembangkan model numerik lebih jauh, kita kemudian dapat menambahkan
simbol-simbol baru untuk melakukan pemrosesan terhadap angka-angka yang ada pada
model numerik. Terdapat empat buah simbol dasar untuk pemrosesan angka, yaitu \(+, -,
\times, \text{dan} \div\). Simbol \(=\) juga digunakan untuk menandakan kesamaan nilai
antara ruas kiri dan ruas kanan dari \(=\).

Note

Simbol \(\times \text{dan} \div\) akan dituliskan sebagai \(*\) dan \(/\) pada tulisan ini,
karena kedua simbol tersebut lebih umum digunakan pada lingkungan ilmu komputer.

Jadi, sebuah ekspresi matematika seperti ini:

\[10 = 5 * 2\]

dapat dikatakan adalah sebuah model simbolik. Tentunya operator-operator numerik yang
disebutkan sebelumnya memiliki aturan tertentu untuk beropearsi. Aturan-aturan umum
yang kita temui untuk operator numerik yaitu:

1. Hukum Kumulatif, di mana \(a + b = b + a\) dan \(a * b = b * a\).

2. Hukum Asosiatif, di mana \(a + (b + c) = (a + b) + c\) dan \(a * (b * c) = (a * b) *
14

c\).
Page

3. Hukum Distribusi, di mana \(a * (b + c) = (a * b) + (a * c)\).

 4. Hukum Invers, yaitu \(a + (-a) = 0\) dan a * frac{1}{a} = 1.
5. Hukum Identitas, yaitu \(a + 0 = a$ dan $a * 1 = a\).
6. Perkalian dengan 0, yaitu \(a * 0 = 0\).

Penjelasan mengenai kegunaan dan cara kerja dari hukum-hukum tersebut tidak akan
dibahas lagi, karena dianggap telah diketahui oleh pembaca. Yang perlu diperhatikan
adalah bagaimana kita menuliskan simbol-simbol seperti $a$ dan $b$, untuk
melambangkan semua bilangan-bilangan yang mengikuti hukum-hukum di atas. Simbol-
simbol yang dapat melambangkan bilangan atau nilai lain secara generik seperti ini
dikenal dengan nama variabel.

Sebuah variabel merupakan simbol yang digunakan untuk merepresentasikan nilai yang
dapat berubah kapanpun, tergantung dari nilai yang kita berikan kepada variabel tersebut.
Variabel digunakan dalam model simbolik untuk mewakili nilai-nilai yang dapat berubah
sewaktu-waktu, misalnya nilai yang harus dibaca dari masukan pengguna atau nilai yang
diambil secara acak. Sebuah model bahkan dapat terdiri dari hanya variabel saja,
misalnya model matematika untuk menghitung luas sebuah persegi panjang dapat
dituliskan seperti berikut:

\[L = p * l\]

di mana \(p\) dan \(l\) mewakili panjang dan lebar persegi panjang, yang nilainya selalu
berbeda-beda, tergantung dengan persegi panjang yang akan dihitung luasnya. Nilai \(L\),
yang merepersentasikan luas persegi panjang, sendiri bergantung kepada nilai \(p\) dan
\(l\), sehingga kita tidak akan mendapatkan nilai \(L\) yang konstan.

Deklarasi variabel sendiri dilakukan dengan menggunakan perintah $let$, seperti berikut:

\[\text{let }L = \text{Luas Persegi}\]

Selain model-model dengan variabel, tentunya kita juga memiliki model-model yang
memiliki bilangan konstan yang tidak berubah, misalnya untuk menghitung luas segitiga:

\[L = \frac{1}{2} * a * t\]

atau model untuk menghitung keliling lingkaran:

\[K = 2 * \pi * r\]

Nilai-nilai yang tidak pernah berubah pada kedua model di atas (seperti \(2\),
\(\frac{1}{2}\), dan \(\pi\)) dikenal dengan nama konstanta. Perhatikan bahwa konstanta
dapat mencakup angka “mentah” seperti \(2\) ataupun simbol yang dikenal secara luas
seperti \(\pi\). Konstanta biasanya dideklarasikan pada awal model atau kamus data
15

program, dan tidak pernah berubah nilainya selama model tersebut digunakan.
Page
 Dari berbagai komponen dan contoh model simbolik yang telah kita lihat, dapat
disimpulkan bahwa model simbolik merupakan model yang menggambarkan interaksi
dan operasi antar komponen numerik secara abstrak. Abstraksi dari komponen numerik
(angka) pada model simbolik dilakukan dengan menggunakan variabel dan konstanta.

3. Model Spasial

Tidak semua permasalahan yang diselesaikan oleh matematika atau komputer selalu
berhubungan langsung dengan angka. Terkadang kita menjumpai juga masalah-masalah
yang berhubungan dengan representasi dunia nyata seperti perhitungan jarak dua objek
atau pencarian jalur terdekat untuk kendaraan. Secara tradisional, model untuk
penyelesaian masalah seperti ini digambarkan dengan peta, graph, dan gambar-gambar
teknis lainnya.

Untuk dunia komputer, model-model dunia nyata biasanya digambarkan dengan

menggunakan koordinat. Sistem koordinat yang paling populer digunakan dalam hal ini
adalah koordinat kartesius. Koordinat kartesius merupakan sistem koordinat yang
menggambarkan sebuah nilai riil di dalam kumpulan nilai yang direpresentasikan dengan
sebuah garis. Sistem kartesius dapat digambarkan dalam banyak dimensi, sesuai dengan
jumlah kumpulan nilai yang digambarkan. Untuk memudahkan pengertian, gambar di
bawah memperlihatkan contoh sistem koordinat kartesius dua dimensi:

Sistem Koordinat Kartesius

Untuk menyederhanakan masalah, mayoritas algoritma dan solusi yang dikembangkan

dalam kuliah ini akan dilakukan dengan menggunakan sistem kartesius dua dimensi.
Sistem tiga dimensi dan satu dimensi dianggap dapat diimplementasikan menggunakan
16

konsep yang sama dengan sistem dua dimensi.

Page
Data pada sistem kartesius dua dimensi dapat direpresentasikan dalam bentuk sebuah
titik, yaitu kombinasi antara sumbu x dan sumbu y:

Titik pada Kartesius

atau sebuah garis, yang direpresentasikan dengan sebuah fungsi matematika:

Garis pada Kartesius

Dalam prakteknya, kita juga akan sering memerlukan informasi arah pergerakan dari
sebuah garis. Untuk merepresentasikan hal tersebut, kita dapat menambahkan sebuah
tanda panah pada garis:
17
Page
Garis Berarah pada Kartesius

dan yang terakhir, kita dapat juga merepresentasikan sebuah bentuk atau bidang,
menggunakan kombinasi beberapa garis:

Bidang pada Kartesius

Untuk melakukan pemrosesan data-data yang ada di dalam sistem kartesius, kita dapat
melakukan operasi terhadap titik-titik yang merepresentasikan data tersebut. Titik-titik
direpresentasikan dalam bentuk matriks atau array. Misalnya, segitiga yang ada pada
gambar di atas dapat direperesentasikan sebagai matriks berikut:

\[\begin{split}\begin{bmatrix} -3 & 4 & 1 \\ 1 & 3 & -2 \end{bmatrix}\end{split}\]

Dan kemudian tentunya kita dapat melakukan operasi-operasi matriks untuk melakukan
18

berbagai hal terhadap segitiga tersebut.

Page
4. Model Logis

Model logis merupakan cara memodelkan masalah berdasarkan logika matematika.

Terdapat empat cabang utama dari logika matematika, yaitu teori himpunan, teori model,
teori rekursif, dan teori pembuktian. Masing-masing teori memiliki cara pemodelan yang
berbeda-beda, untuk merepresentasikan masalah yang berbeda. Tulisan ini hanya akan
membahas pemodelan logis pada bidang himpunan, dan relevansinya dengan salah satu
sistem yang paling populer di dunia komputer: basis data.

Himpunan, seperti namanya, memodelkan sekumpulan entitas yang memiliki atribut (ciri
khas) tertentu. Dalam menentukan atribut tujuan dari pengunaan himpunan lebih penting
daripada kesamaan ciri khas dari entitas, sehingga terkadang atribut dari elemen-elemen
dalam himpunan tidak selalu dapat dilihat dengan mudah. Misalnya, kita dapat
mendeklarasikan sebuah himpunan dengan nama “Himpunan Barang dalam Handbag”
dengan isi berupa “handphone, gunting kuku, alat make-up, tissue, dompet, alat tulis, dan
karet gelang”. Secara sekilas semua entitas yang ada di dalam himpunan tidak terlihat
memiliki atribut yang jelas, meskipun himpunan ini adalah himpunan yang valid.

Terdapat dua aturan khusus yang harus dipenuhi oleh sebuah himpunan, yaitu:

1. Himpunan harus didefinisikan dengan tepat. Sebuah entitas yang ada di dunia
hanya dapat memiliki dua status berkaitan dengan himpunan yang didefinisikan:
TERMASUK dalam himpunan atau TIDAK TERMASUK. Tidak boleh ada
elemen yang bersifat ambigu, dalam arti tidak jelas masuk ke dalam himpunan
atau tidak. Misalnya, kita tidak dapat mendefinisikan sebuah himpunan yang
berisi “Orang Tinggi” karena tidak terdapat definisi dari “tinggi” yang jelas.
Apakah 170 cm termasuk tinggi? 180?

Yang dapat kita definisikan ialah himpunan yang berisi “Orang dengan tinggi
badan di atas 175 cm”, sehingga tidak terdapat perdebatan mengenai apakah 170
cm termasuk tinggi atau tidak.

2. Setiap elemen dalam himpunan harus unik. Sebuah himpunan tidak boleh
memiliki nilai ganda. Aturan ini menyebabkan banyak himpunan yang ada di
dunia nyata tidak dapat direpresentasikan dengan himpunan matematika.
Misalnya, kita dapat saja memiliki himpunan sendok yang terdiri dari banyak
sendok identik. Dalam himpunan matematis, hal ini tidak diperbolehkan. Aturan
ini juga menyebabkan penggabungan himpunan menjadi sedikit berbeda.
Himpunan berisi angka 1, 2, 3, 4 jika digabungkan dengan himpunan 3, 4, 5, 6
akan menghasilkan himpunan 1, 2, 3, 4, 5, 6. Ide “nilai unik” untuk setiap elemen
dalam himpunan ini lah yang menjadi dasar dari pengindeksan dan primary key
dari basis data relasional.

Pemodelan himpunan sendiri biasanya dilakukan dengan menggunakan diagram Venn.

19

Gambar di bawah memberikan contoh sebuah diagram Venn, yang menggambarkan

Page

himpunan dari segi empat:

 Contoh Diagram Venn

Dari gambar diagram Venn di atas, kita dapat melihat bagaimana seluruh persegi adalah
juga persegi panjang, dan baik persegi maupun persegi panjang adalah merupakan segi
empat. Jika kita menambahkan jenis segi empat lainnya, misalnya trapesium, dapatkah
anda menggambarkan diagram Venn-nya?

5. Model Statistik

Terdapat banyak permasalahan di dunia nyata yang tidak dapat dimodelkan dengan
mudah menggunakan keempat model matematis yang telah kita bahas sebelumnya.
Terkadang kita dihadapkan dengan permasalahan yang sangat kompleks, sampai-sampai
memodelkan dan menganalisa setiap situasi yang mempengaruhi masalah tersebut akan
menjadi sangat mahal, memerlukan banyak orang, dan banyak waktu.

Sebagai contoh, bayangkan jika kita diminta untuk melakukan prakiraan cuaca. Dengan
menggunakan model matematis yang ada, kita akan memerlukan sangat banyak
kalkulasi, yang saling mempengaruhi satu sama lainnya. Praktisnya, kita harus mampu
melakukan simulasi terhadap seluruh elemen yang ada di bumi untuk melakukan
prakiraan cuaca dengan tepat. Hal ini tentunya sangat tidak efektif untuk dilakukan. Lalu
bagaimana para ahli sekarang melakukan prakiraan cuaca?

Jawabannya adalah model statistik. Dengan mengumpulkan sampel data cuaca pada masa
lalu, kita dapat melihat kecenderungan atau tren cuaca yang akan terjadi sesuai dengan
keadaan cuaca kita sekarang. Pada dasarnya, sebuah model statistik melakukan analisa
tren terhadap sampel data yang relevan untuk meniadakan ketidak pastian atau keadaan
khusus. Dengan mengambil keadaan rata-rata dari sekumpulan data, kita akan
mendapatkan kecenderungan dari sebuah keadaan jika dihadapkan dengan keadaan
umumnya.
20
Page
 21

Contoh Model Statistik

Page
 Gambar di atas menunjukkan contoh dari model statistik. Ingat, bahwa kesimpulan yang
dapat diambil dari sebuah model statistik hanyalah berupa kecenderungan atau tren.
Kita tidak bisa membuktikan sesuatu atau memberikan hasil yang pasti menggunakan
statistik. Dapat dikatakan bahwa kalimat seperti “statistik membuktikan ...” pada tulisan
ilmiah populer kurang tepat.

6. Pseudocode

Semua model matematis yang telah dijelaskan sebelumnya merupakan model matematika
yang digunakan dan dimengerti oleh manusia. Jika ingin menggunakan model matematis
tersebut di komputer, terlebih dahulu kita harus melakukan konversi menjadi kode
program yang dapat dibaca dan dimengerti oleh komputer. Kode program sendiri
dimodelkan dengan banyak cara, dan yang paling relevan dengan algoritma ialah
pseudocode.

Pseudocode memberikan langkah-langkah penyelesaian masalah dengan menggunakan

bahasa manusia, dengan sedikit batasan sesuai dengan konstruk logika komputer.
Pseudocode tidak memiliki konstruk untuk bahasa pemrograman tertentu, sehingga
pseudocode harus bisa diimplementasikan dengan bahasa pemrograman apapun. Berikut
adalah contoh pseudocode sederhana:

for i = 1 to 5 do
print i
end for

Untuk penjelasan lebih mendetail tentang pseudocode, silahkan baca kembali bahan
kuliah untuk Pemrograman Dasar.

Kita telah melihat model matematis yang umum digunakan untuk menyelesaikan masalah.
Pertanyaan selanjutnya tentunya adalah: kapan kita menggunakan model A dan kapan
menggunakan model B? Bagaimana membuat model A menjadi kode program yang dapat
dijalankan oleh komputer?

Pengembangan Model

Proses pengembangan model dapat dilakukan dengan beberapa langkah yang telah dibangun
oleh para ahli matematika. Jika proses pengembangan model dilakukan mengikuti langkah-
langkah yang ada, idealnya kita akan mendapatkan model yang tepat untuk permasalahan yang
akan diselesaikan. Adapun langkah-langkah yang harus diambil untuk membangun sebuah
model yaitu:

1. Apakah masalah yang dihadapi merupakan masalah yang memerlukan solusi matematis?
Jika masalahnya merupakan masalah numerik (perhitungan angka) atau logis, maka
jawabannya sudah pasti “ya”. Jika solusi dari masalah berupa pendapat, maka
22

kemungkinan jawabannya adalah “tidak”.

2. Fakta-fakta relevan apa saja yang diketahui? Masalah umum yang dihadapi saat akan
Page

membangun solusi adalah informasi yang terlalu banyak, yang terkadang mencuri fokus
 kita dari akar masalah. Pisahkan antara fakta (informasi) yang relevan dari keseluruhan
informasi yang didapatkan.
3. Fakta atau informasi tambahan apa yang kita perlukan untuk menyelesaikan masalah? Di
mana atau bagaimana cara agar kita mendapatkan fakta-fakta tersebut?
4. Adakah langkah atau metode alami untuk menyelesaikan masalahnya? Metode alami
artinya metode yang umumnya digunakan oleh manusia. Misalnya, untuk menghitung
total dari sekumpulan nilai kita dapat menambahkan seluruh bilangan yang ada di dalam
kumpulan nilai tersebut.
5. Apakah fakta-fakta yang ada dapat direpresentasikan oleh simbol matematis dan
dikategorikan menjadi fakta yang “diketahui” dan “tidak diketahui”?
6. Apakah terdapat model lama yang dapat digunakan atau disesuaikan untuk
menyelesaikan masalah kita?
7. Jika terdapat model yang telah dikembangkan sebelumnya untuk masalah kita, apakah
model tersebut dapat diaplikasikan pada komputer?
8. Bagaimana kita dapat mengaplikasikan model dari solusi kita sehingga model tersebut
dapat dibuat menjadi program komputer dengan mudah?

Dengan menjalankan langkah-langkah di atas, idealnya kita akan mendapatkan sebuah model
solusi yang tepat untuk permasalahan kita. Untuk lebih jelasnya, mari kita aplikasikan model
masalah yang ada ke contoh sebuah kasus!

Contoh: Perhitungan Bunga Pinjaman

Kita diminta untuk mengembangkan sebuah program komputer untuk sebuah perusahaan kredit
ACME. Program yang akan kita kembangkan merupakan sistem untuk menghitung total jumlah
yang harus dibayar oleh peminjam uang per tahunnya. Bunga pinjaman yang diberikan ACME
adalah sebesar 15% per tahunnya.

Untuk membangun sistem perhitungan yang diminta, tentunya terlebih dahulu kita harus
membangun modal solusi untuk perhitungan bunganya. Mari kita ikuti langkah-langkah untuk
membangun model yang telah dijelaskan sebelumnya:

2. Apakah masalah yang dihadapi merupakan masalah yang memerlukan solusi

matematis?

Ya. Perhitungan total bunga bunga jelas akan melibatkan matematika.

3. Fakta-fakta relevan apa saja yang diketahui?

Bunga pinjaman sebesar 15% per tahun.

4. Fakta atau informasi tambahan apa yang kita perlukan untuk menyelesaikan
masalah?
23
Page
 Beberapa fakta tambahan yang harus ada tetapi tidak disebutkan secara eksplisit pada
deskripsi masalah:

1. Jumlah pinjaman awal. Untuk menghitung total pinjaman dengan bunganya jelas
kita harus mengetahui jumlah pinjaman awal terlebih dahulu.
2. Lama pinjaman. Tanpa adanya lama pinjaman, kita tidak dapat mengetahui
dengan pasti total bunga yang harus ditambahkan.
5. Adakah langkah atau metode alami untuk menyelesaikan masalahnya?

Ya, lakukan perhitungan bunga tiap tahunnya, dan tambahkan hasil kalkulasi tersebut
sampai tahun pinjaman terakhir.

6. Apakah fakta-fakta yang ada dapat direpresentasikan oleh simbol matematis?

Dari fakta-fakta yang kita dapatkan pada langkah kedua dan ketiga, kita dapat
mendefinisikan simbol matematis seperti berikut:

\[\begin{split}\text{let }b & = \text{bunga} \\ \text{let }p & = \text{jumlah pinjaman} \\

\text{let }t & = \text{waktu pinjaman (per tahun)} \\ \text{let }T & = \text{total
pinjaman}\end{split}\]

7. Apakah terdapat model lama yang dapat digunakan untuk menyelesaikan masalah
kita?

Ya, perhitungan bunga majemuk yang dimodelkan dengan rumus: \(T = p(1 + b)^t\).

8. Apakah model yang ada sebelumnya pada langkah 6 dapat diaplikasikan pada
komputer?

Kemungkinan tidak, karena perhitungan bunga majemuk merupakan perhitungan yang

tidak banyak diketahui orang (terutama pada bidang pemrograman), dan juga memiliki
banyak aturan kompleks yang harus dimengerti terlebih dahulu.

Karena kasus yang sederhana, kita akan lebih mudah mengimplementasikan algoritma
kita sendiri, yang cukup melakukan iterasi dan menambahkan total pinjaman setiap
tahunnya. Mari kita coba kembangkan model iterasi yang dapat digunakan.

Untuk tahun pertama, peminjam akan berhutang sebanyak:

\[T = p + (15\% * p)\]

selanjutnya, untuk tahun kedua hutangnya akan bertambah menjadi:

24

\[T' = T + (15\% * T)\]

Page
 di mana \(T'\) adalah nilai baru dari \(T\). Kita cukup melakukan perhitungan yang sama
terus menerus, sebanyak $t$ kali untuk mendapatkan hasil akhir berupa \(T\) yang
menyimpan total hutang yang dipinjam. Jika dikembangkan, maka model matematis
akhir yang kita dapatkan adalah:

\[T = T + (\frac{15}{100} * T)\]

yang akan dijalankan sebanyak $t$ kali, dengan nilai $T$ yang bertambah setiap
iterasinya. Dengan informasi ini, kita dapat mengimplementasikan pseudocode seperti
berikut:

b = 15
T = 0

READ p, t

T = p

for i = 1 to t do
T = T + (15 / 100 * T)
end for

WRITE T

yang kemudian akan kita implementasikan sebagai fungsi penghitung total pinjaman.

9. Bagaimana kita dapat mengaplikasikan model dari solusi kita sehingga model
tersebut dapat dibuat menjadi program komputer dengan mudah?

Pseudocode yang ada sudah sangat jelas, dan baris per barisnya dapat diimplementasikan
secara langsung menggunakan bahasa pemrograman apapun.

Setelah mendapatkan model penyelesaian masalah sampai pada pseudocode-nya, kita kemudian
dapat mengimplementasikan solusi yang dikembangkan menggunakan bahasa pemrograman
yang diinginkan. Berikut adalah contoh implementasi algoritma tersebut pada python:

b = 15
T = 0
p = input("Masukkan jumlah pinjaman: ")
t = input("Masukkan lama pinjaman: ")

T = int(p)

for i in range(1, int(t)):

T = T + (15 / 100 * T)

print("Total pinjaman yang harus dibayarkan adalah: " + str(T))

25
Page
Kesimpulan
Pada bagian ini kita telah mempelajari tentang ciri khas algoritma yang baik, yaitu benar, efisien,
dan mudah diimplementasikan. Kita juga mempelajari bagaimana membuktikan sebuah
algoritma adalah sebuah algoritma yang benar, dan bagaimana mengembangkan algoritma yang
benar, menggunakan model matematis.

Terdapat enam jenis model matematis yang kita bahas, beserta dengan cara menggunakan model
matematis tersebut ke kasus pada dunia nyata. Selanjutnya kita akan mempelajari bagaimana
mengembangkan algoritma yang efisien, beserta definisi dari efisiensi algoritma tentunya.

Kompleksitas Algoritma
Pada bagian sebelumnya kita telah mempelajari mengenai algoritma yang baik, serta bagaimana
membuktikan sebuah algoritma akan memberikan hasil yang benar. Selain memberikan hasil
yang benar, efisiensi dari waktu eksekusi ataupun penggunaan memori dari algoritma adalah hal
yang penting bagi sebuah algoritma. Bagian ini akan membahas bagaimana mengukur efisiensi
sebuah algoritma, sehingga kita dapat memilih algoritma yang baik atau memperbaiki algoritma
yang ada.

Langsung saja, kita mulai dengan sebuah contoh algoritma untuk menghitung perpangkatan dua
bilangan. Hasil akhir dari kode yang akan dikembangkan direpresentasikan oleh fungsi
matematis berikut:

\[f(x, y) = x^y\]

Salah satu implementasi sederhana untuk fungsi matematis di atas adalah:

def pangkat(x, y):

hasil = 1
for i in range(0, y):
hasil = x * hasil
return hasil

Pada dasarnya yang kita lakukan pada kode di atas ialah mengkalikan x dengan dirinya sendiri
sebanyak y kali, dan menyimpan hasil kali tersebut di dalam variabel hasil. Baris hasil = x *
hasil melakukan perkalian x dengan dirinya sendiri, dan perulangan dilakukan untuk
memastikan baris ini dijalankan sebanyak y kali.

Dengan asumsi bahwa algoritma perpangkatan yang kita tuliskan di atas sudah benar, pertanyaan
selanjutnya tentunya adalah: seberapa efisien kah algoritma tersebut?

Terdapat banyak cara untuk mengukur efisiensi sebuah algoritma, tentunya dengan kelebihan
26

dan kekurangan dari masing-masing cara tersebut. Mari kita lihat cara mengukur efisiensi yang
paling sederhana terlebih dahulu: melihat berapa langkah yang perlu dijalankan untuk
Page

menyelesaikan algoritma tersebut. Jika kita memanggil fungsi pangkat seperti berikut:
pangkat(2, 1)

Maka kode akan dieksekusi seperti berikut:

hasil = 1
for i in range(0, 1):
hasil = 2 * hasil
return hasil

yang kita perulangan for yang ada kita kembangkan akan menjadi:

hasil = 1
hasil = 2 * hasil
return hasil

Total terdapat tiga langkah yang perlu dijalankan untuk mendapatkan hasil pangkat yang
diinginkan. Sangat sederhana dan mudah. Bagaimana jika kita naikkan nilai dari y sehingga kita
memanggil pangkat(2, 2)?

Kode yang dieksekusi akan menjadi:

hasil = 1
for i in range(0, 2):
hasil = 2 * hasil
return hasil

yang ketika diuraikan menjadi:

hasil = 1
hasil = 2 * hasil
hasil = 2 * hasil
return hasil

dengan total 4 langkah eksekusi. Perhatikan bagaimana akibat dari meningkatkan nilai y, jumlah
eksekusi dari kode di dalam loop meningkat. Berdasarkan apa yang kita dapatkan sejauh ini, kita
dapat menyimpulkan bahwa jika dilakukan pemanggilan pangkat(2, 5) maka kita akan
mendapatkan hasil eksekusi:

hasil = 1
hasil = 2 * hasil
hasil = 2 * hasil
hasil = 2 * hasil
hasil = 2 * hasil
hasil = 2 * hasil
return hasil

dan seterusnya. Kesimpulan lain apa lagi yang bisa kita tarik dari hal ini? Ya, baris hasil = x *
27

hasil dijalankan sebanyak y kali! Secara sederhana, tabel di bawah menampilkan berapa kali
setiap baris yang ada dalam fungsi pangkat dieksekusi:
Page
Baris Kode | Jumlah Eksekusi
hasil = 1 | 1
hasil = x * hasil | y
return hasil | 1

sehingga kita dapat mengatakan bahwa fungsi pangkat akan selalu diselesaikan dalam 2 + y
langkah. Melihat bagiamana y akan mempengaruhi jumlah langkah eksekusi, mari kita lihat
seberapa banyak pengaruh y terhadap jumlah langkah eksekusi kode:

Y Proses Perhitungan Jumlah Langkah

1 2+1 3
10 2 + 10 12
100 2 + 100 102
1000 2 + 1000 1002
10000 2 + 10000 10002

Dari tabel di atas kita dapat melihat bagiamana semakin meningkatnya jumlah dari y, semakin
nilai 2 yang ditambahkan menjadi tidak relevan. Perbedaan jumlah langkah 1000000 dengan
1000002 tentunya tidak banyak! Dengan begitu, kita dapat menyederhanakan fungsi perhitungan
jumlah langkah pangkat dengan mengatakan bahwa fungsi pangkat akan selalu diselesaikan
dalam y langkah. Dengan kata lain, kecepatan atau efisiensi dari fungsi pangkat bergantung
kepada y.

Semakin besar nilai y, maka jumlah langkah eksekusi akan semakin meningkat. Hal ini tentunya
sangat berpengaruh terhadap efisiensi total dari sebuah algoritma. Bayangkan jika jumlah
langkah yang diperlukan bukanlah y, melainkan \(y^2\):

Y Jumlah Langkah (\(y\)) Jumlah Langkah (\(y^2\))

1 1 1
10 10 100
100 100 10000
1000 1000 1000000
10000 10000 100000000

Perhatikan bagaimana pertumbuhan jumlah langkah terus menerus meningkat tajam, setiap kali
kita menambahkan nilai y 10 kali lipat. Untuk memperjelas perbedaan pertumbuhan lagi,
perhatikan gambar berikut:
28
Page
Tingkat Pertumbuhan Fungsi Pangkat

Peningkatan jumlah langkah eksekusi seperti inilah yang menyebabkan kita mengukur efisiensi
algoritma dengan ukuran pertumbuhan jumlah langkah eksekusi relatif terhadap jumlah data.
Melihat grafik pertumbuhan yang diberikan, fungsi pangkat yang dikembangkan dapat
dikatakan memiliki tingkat pertumbuhan yang linear.

Notasi Asimtotik
Perhitungan pertumbuhan fungsi seperti yang kita lakukan sebelumnya sangat krusial dalam
menghitung efisiensi sebuah algoritma. Seperti layaknya hal-hal krusial lainnya pada ilmu
komputer, tentunya fungsi pertumbuhan ini juga memiliki notasi matematika khusus. Penulisan
fungsi pertumbuhan dilakukan dengan menggunakan notasi asmtotik.

Terdapat beberapa jenis notasi asimtotik, tetapi kita hanya akan menggunakan dan membahas
satu notasi saja, yaitu notasi Big-O. Big-O dipilih karena merupakan notasi yang paling populer
dan paling banyak digunakan pada kalangan peneliti ilmu komputer. Notasi Big-O digunakan
untuk mengkategorikan algoritma ke dalam fungsi yang menggambarkan batas atas (upper limit)
dari pertumbuhan sebuah fungsi ketika masukan dari fungsi tersebut bertambah banyak.
Singkatnya, perhitungan jumlah langkah dan pertumbuhannya yang kita lakukan pada bagian
sebelumnya merupakan langkah-langkah untuk mendapatkan fungsi Big-O dari sebuah
algoritma.
29

Big-O, seperti namanya, dituliskan sebagai fungsi “O” dengan nilai masukan berupa tingkat
pertumbuhan dari fungsi yang dijabarkan. Misalnya, algoritma perpangkatan dengan
Page
pertumbuhan linear yang kita kembangkan pada bagian sebelumnya memiliki kelas Big-O
\(O(n)\).

Karena berguna untuk mengkategorikan algoritma, terdapat beberapa jenis kelas efisiensi umum
yang dijumpai dalam Big-O, yaitu:

Fungsi Big-O Nama

\(O(1)\) Konstan
\(O(\log n)\) Logaritmik
\(O(n)\) Linear
\(O(n \log n)\) n log n
\(O(n^2)\) Kuadratik
\(O(n^m)\) Polinomiale
\(O(n!)\) Faktorial

Apa guna dan penjelasan dari masing-masing kelas kompleksitas yang ada? Mari kita lihat satu
per satu.

Kriteria Efisiensi Umum

Bagian ini akan menjelaskan beberapa contoh kriteria kompleksitas algoritma yang umum
dijumpai, beserta dengan contoh kode algoritma yang memiliki kompleksitas tersebut.

O(1): Kompleksitas Konstan

Sebuah algoritma yang memiliki kompleksitas konstan tidak bertumbuh berdasarkan ukuran dari
data atau masukan yang diterima algoritma tersebut. Bahkan, algoritma dengan kompleksitas ini
tidak akan bertumbuh sama sekali. Berapapun ukuran data atau masukan yang diterima,
algoritma dengan kompleksitas konstan akan memiliki jumlah langkah yang sama untuk
dieksekusi.

Karena sifatnya yang selalu memiliki jumlah langkah tetap, algoritma dengan kompleksitas
merupakan algoritma paling efisien dari seluruh kriteria yang ada. Contoh dari algoritma yang
memiliki kompleksitas konstan ialah algoritma yang digunakan untuk menambahkan elemen
baru ke dalam linked list. Contoh implementasi algoritma ini pada bahasa C adalah sebagai
berikut:

void add_list(node *anchor, node *new_list)

{
new_list->next = anchor->next;
anchor->next = new_list;
}
30

Seperti yang dapat dilihat pada kode di atas, algoritma untuk menambahkan elemen baru ke
Page

dalam linked list tidak memerlukan perulangan, percabangan, ataupun banyak langkah. Untuk
menambahkan elemen baru, kita cukup menjalankan dua langkah saja, tidak peduli berapapun
ukuran awal dari linked list yang ada. Dengan kata lain, berapapun ukuran linked list awal,
langkah untuk untuk menambahkan elemen baru adalah konstan, yaitu dua langkah. Hal ini lah
yang menyebabkan algoritma ini dikatakan memiliki kompleksitas konstan.

Tingkat pertumbuhan dari algoritma dengan kompleksitas konstan dapat dilihat pada gambar
berikut:

Tingkat Pertumbunan Algoritma Kompleksitas Konstan

O(log n): Kompleksitas Logaritmik

Algoritma dengan kompleksitas logaritmik merupakan algoritma yang menyelesaikan masalah

dengan membagi-bagi masalah tersebut menjadi beberapa bagian, sehingga masalah dapat
diselesaikan tanpa harus melakukan komputasi atau pengecekan terhadap seluruh masukan.
Contoh algoritma yang ada dalam kelas ini adalah algoritma binary search. Mari kita hitung nilai
kompleksitas dari binary search!

Berikut adalah implementasi dari binary search dengan bahasa python:

def binary_search(lst, search):

lower_bound = 0
upper_bound = len(lst) - 1

while True:
if upper_bound < lower_bound:
print("Not found.")
return -1
31

i = (lower_bound + upper_bound) // 2
Page

if lst[i] < search:

 lower_bound = i + 1
elif lst[i] > search:
upper_bound = i - 1
else:
print("Element " + str(search) + " in " + str(i))
return 0

Mari kita hitung jumlah langkah yang diperlukan untuk mendapatkan kelas kompleksitas dari
binary search. Berikut adalah tahapan perhitungan untuk mendapatkan jumlah langkah yang
diperlukan:

1. Langkah yang akan selalu dieksekusi pada awal fungsi, yaitu inisialisasi lower_bound
dan upper_bound: 2 langkah.
2. Pengecekan kondisi while (pengecekan tetap dilakukan, walaupun tidak ada
perbandingan yang dijalankan): 1 langkah.
3. Pengecekan awal (if upper_bound < lower_bound): 1 langkah.
4. Inialisasi i: 1 langkah.
5. Pengecekan kondisi kedua (if lst[i] < search: ...), kasus terburuk (masuk pada
else dan menjalankan kode di dalamnya): 4 langkah.

Dan setelah melalui langkah kelima, jika elemen belum ditemukan maka kita akan kembali ke
langkah kedua. Perhatikan bahwa sejauh ini, meskipun elemen belum ditemukan atau dianggap
tidak ditemukan, kita minimal harus menjalankan 2 langkah dan pada setiap perulangan while
kita menjalankan 7 langkah. Sampai di titik ini, model matematika untuk fungsi Big-O yang kita
dapatkan ialah seperti berikut:

\[f(n) = 2 + 7(\text{jumlah perulangan})\]

Pertanyaan berikutnya, tentunya adalah berapa kali kita harus melakukan perulangan?
Berhentinya kondisi perulangan ditentukan oleh dua hal, yaitu:

1. Kondisi upper_bound < lower_bound, dan

2. Pengujian apakah lst[i] == search, yang diimplikasikan oleh perintah else.

Perhatikan juga bagaimana baik nilai upper_bound maupun lower_bound dipengaruhi secara
langsung oleh i, sehingga dapat dikatakan bahwa kunci dari berhentinya perulangan ada pada i.
Melalui baris kode ini:

i = (lower_bound + upper_bound) // 2

Kita melihat bahwa pada setiap iterasinya nilai i dibagi 2, sehingga untuk setiap iterasinya kita
memotong jumlah data yang akan diproses (\(n\)) sebanyak setengahnya. Sejauh ini kita
memiliki model matematika seperti berikut (konstanta \(2\) dihilangkan karena tidak
berpengaruh):
32

\[f(n) = 7f(\frac{n}{2})\]
Page
yang jika diturunkan lebih lanjut akan menjadi:

\[\begin{split}f(n) & = 7f(\frac{n}{2}) \\ & = 7 * (7f(\frac{n}{4})) \\ & = 49f(\frac{n}{4}) \\ &

= 49 * (7f(\frac{n}{8})) \\ & ... \\ & = 7^k f(\frac{n}{2^k})\end{split}\]

di mana kita ketahui kondisi dari pemberhentian perulangan adalah ketika sisa elemen list adalah
1, dengan kata lain:

\[\begin{split}\frac{n}{2^k} & = 1 \\ n & = 2^k \\ \log_2 n & = k\end{split}\]

Sehingga dapat dikatakan bahwa binary search memiliki kompleksitas \(O(\log_2n)\), atau
sederhananya, \(O(\log n)\).

Tingkat pertumbuhan algoritma dengan kompleksitas logaritmik dapat dilihat pada gambar
berikut:

Tingkat Pertumbunan Algoritma Kompleksitas Logaritmik

O(n): Kompleksitas Linear

Algoritma dengan kompleksitas linear bertumbuh selaras dengan pertumbuhan ukuran data. Jika
algoritma ini memerlukan 10 langkah untuk menyelesaikan kalkulasi data berukuran 10, maka ia
akan memerlukan 100 langkah untuk data berukuran 100. Contoh dari algoritma dengan
kompleksitas linear telah diberikan pada bagian sebelumnya, yaitu perhitungan pangkat bilangan.
Contoh lain dari algoritma dengan kompleksitas linear adalah linear search.

Linear search melakukan pencarian dengan menelusuri elemen-elemen dalam list satu demi satu,
33

mulai dari indeks paling rendah sampai indeks terakhir. Berikut adalah implementasi dari linear
search pada python:
Page
def linear_search(lst, search):
for i in range(0, len(lst)):
if lst[i] == search:
print("Nilai ditemukan pada posisi " + str(i))
return 0
print("Nilai tidak ditemukan.")
return -1

Dengan menggunakan cara perhitungan yang sama pada perhitungan pangkat, kita bisa
mendapatkan jumlah eksekusi kode seperti berikut (dengan asumsi n = len(lst)):

Kode Jumlah Eksekusi

for i in range(0, len(lst)) \(1\)
if lst[i] == search \(n\)
print("Nilai ditemukan... \(1\)
return 0 \(1\)
print("Nilai tidak ... \(1\)
return -1 \(1\)

Sehingga nilai kompleksitas dari linear search adalah \(5 + n\), atau dapat dituliskan sebagai
\(O(n)\). Adapun grafik pertumbuhan untuk kompleksitas \(O(n)\) adalah seperti berikut:

Tingkat Pertumbunan Algoritma Kompleksitas Linear

O(n log n)
34

Algoritma dengan kompleksitas \(n \log n\) memiliki cara perhitungan yang sangat mirip dengan
algoritma \(\log n\). Pada dasarnya algoritma kelas ini merupakan algoritma \(\log n\) yang
Page

dijalankan sebenyak \(n\) kali. Contoh sederhananya, misalkan kita diminta untuk mencari
sepasang bilangan di dalam sebuah list yang jika ditambahkan akan bernilai 0. Asumsikan list
yang diberikan sudah terurut.

Salah satu solusi yang paling sederhana ialah dengan menelusuri seluruh list, satu demi satu
(kompleksitas: \(n\)) lalu mencari elemen yang bernilai invers dari elemen sekarang
menggunakan binary search (kompleksitas: \(\log n\)). Mari kita lihat contoh implementasi dari
fungsi ini terlebih dahulu:

def zero_sum(lst):
n = len(lst)
for i in range(0, n):
j = binary_search(lst, -1 * lst[i])
if j > i:
n1 = str(lst[i])
n2 = str(lst[j])
print("Zero sum: " + n1 + " and " + n2 + "\n")

Perhatikan bagaimana kita melakukan binary search sebanyak \(n\) kali, sehingga secara
sederhana kompleksitas yang akan kita dapatkan adalah \(n * \log n = n \log n\). Adapun grafik
pertumbuhan untuk kompleksitas \(O(n \log n)\) adalah seperti berikut:

Tingkat Pertumbunan Algoritma Kompleksitas n log n

O(\(n^m\)): Kompleksitas Polinomial

Algoritma dengan kompleksitas polinomial merupakan salah satu kelas algoritma yang tidak
efisien, karena memerlukan jumlah langkah penyelesaian yang jauh lebih besar daripada jumlah
data. Untuk lebih jelasnya, mari kita lihat salah satu contoh algoritma yang memiliki
kompleksitas polinomial:
35

def kali(a, b):

res = 0
Page

for i in range(a):
 for j in range(b):
res += 1
return res

Algoritma di atas melakukan perkalian antara \(a\) dan \(b\), dengan melakukan penambahan
\(1\) sebanyak \(b\) kali, yang hasilnya ditambahkan sebanyak \(a\) kali. Mengabaikan dua
langkah, yaitu awal (res = 0) dan akhir (return res) kode, kita dapat melihat total langkah
yang diperlukan oleh perulangan bersarang yang ada seperti berikut:

Kode Jumlah Langkah

for i in range(b): \(a\)
res += 1 \(b\)

dan karena pada setiap iterasi kita harus menjalankan kode for i in range(b), maka dapat
dikatakan kompleksitas dari kode di atas adalah:

\[a * b\]

yang ketika nilai \(a\) dan \(b\) sama akan menjadi:

\[a^2\]

atau dapat ditulis sebagai \(n^2\) yang diabstrakkan sebagai \(n^m, m = 2\). Grafik pertumbuhan
untuk kompleksitas polinomial adalah sebagai berikut:

Tingkat Pertumbunan Algoritma Kompleksitas Eksponensial

36
Page
Perbandingan Pertumbuhan Seluruh Kompleksitas
Setelah melihat seluruh nilai kompleksitas yang ada, tentunya kita dapat melihat kelas algoritma
yang paling efisien dan paling tidak efisien. Gambar berikut memperlihatkan perbandingan
tingkat pertumbuhan antara masing-masing kompleksitas yang telah dipelajari:

Perbandingan Tingkat Pertumbuhan Tiap Kompleksitas

Pengembangan algoritma idealnya diusahakan mendapatkan kompleksitas \(O(1)\) atau \(O(\log

n)\). Sayangnya pada kenyataannya kita tidak akan selalu mendapatkan kompleksitas terbaik
dalam merancang algoritma. Jika tidak dapat mencapai kompleksitas maksimal, hal terbaik yang
dapat kita lakukan ketika mengembangkan solusi dari masalah adalah melihat apakah masalah
yang ada dapat diselesaikan dengan algoritma yang ada terlebih dahulu, sebelum
mengembangkan algoritma baru. Hal ini memastikan kita mendapatkan kompleksitas yang
paling efisien sampai saat pengembangan solusi.
37
Page
Kesimpulan
Pada bagian ini kita telah mempelajari bagaimana melakukan analisa efisiensi algoritma dengan
menggunakan notasi Big-O. Kita juga melihat bagaimana algoritma yang paling efisien memiliki
kompleksitas \(O(1)\), dengan kompleksitas \(O(n!)\) sebagai kelas kompleksitas yang paling
tidak efisien. Dengan mengerti efisiensi algoritma, diharapkan pembaca dapat memilih dan
merancang algoritma yang sesuai dengan kebutuhan untuk menyelesaikan masalah.

Pada bagian selanjutnya kita akan mulai mengembangkan algoritma dengan menggunakan
konsep pemrograman.

Rekursif
Salah satu konsep paling dasar dalam ilmu komputer dan pemrograman adalah pengunaan fungsi
sebagai abstraksi untuk kode-kode yang digunakan berulang kali. Kedekatan ilmu komputer
dengan matematika juga menyebabkan konsep-konsep fungsi pada matematika seringkali
dijumpai. Salah satu konsep fungsi pada matematika yang ditemui pada ilmu komputer adalah
fungsi rekursif: sebuah fungsi yang memanggil dirinya sendiri.

Kode berikut memperlihatkan contoh fungsi rekursif, untuk menghitung hasil kali dari dua
bilangan:

def kali(a, b):

return a if b == 1 else a + kali(a, b - 1)

Bagaimana cara kerja fungsi rekursif ini? Sederhananya, selama nilai b bukan 1, fungsi akan
terus memanggil perintah a + kali(a, b - 1), yang tiap tahapnya memanggil dirinya sendiri
sambil mengurangi nilai b. Mari kita coba panggil fungsi kali dan uraikan langkah
pemanggilannya:

kali(2, 4)
-> 2 + kali(2, 3)
-> 2 + (2 + kali(2, 2))
-> 2 + (2 + (2 + kali(2, 1)))
-> 2 + (2 + (2 + 2))
-> 2 + (2 + 4)
-> 2 + 6
-> 8

Perhatikan bahwa sebelum melakukan penambahan program melakukan pemanggilan fungsi

rekursif terlebih dahulu sampai fungsi rekursif mengembalikan nilai pasti (\(2\)). Setelah
menghilangkan semua pemanggilan fungsi, penambahan baru dilakukan, mulai dari nilai
kembalian dari fungsi yang paling terakhir. Mari kita lihat contoh fungsi rekursif lainnya, yang
digunakan untuk melakukan perhitungan faktorial:
38

def faktorial(n):
Page

return n if n == 1 else n * faktorial(n - 1)

Fungsi faktorial memiliki cara kerja yang sama dengan fungsi kali. Mari kita panggil dan
lihat langkah pemanggilannya:

faktorial(5)
-> 5 * faktorial(4)
-> 5 * (4 * faktorial(3))
-> 5 * (4 * (3 * faktorial(2)))
-> 5 * (4 * (3 * (2 * faktorial(1))))
-> 5 * (4 * (3 * (2 * 1)))
-> 5 * (4 * (3 * 2))
-> 5 * (4 * 6)
-> 5 * 24
-> 120

Dengan melihat kemiripan cara kerja serta kode dari fungsi faktorial dan kali, kita dapat
melihat bagaimana fungsi rekursif memiliki dua ciri khas:

1. Fungsi rekursif selalu memiliki kondisi yang menyatakan kapan fungsi tersebut berhenti.
Kondisi ini harus dapat dibuktikan akan tercapai, karena jika tidak tercapai maka kita
tidak dapat membuktikan bahwa fungsi akan berhenti, yang berarti algoritma kita tidak
benar.
2. Fungsi rekursif selalu memanggil dirinya sendiri sambil mengurangi atau memecahkan
data masukan setiap panggilannya. Hal ini penting diingat, karena tujuan utama dari
rekursif ialah memecahkan masalah dengan mengurangi masalah tersebut menjadi
masalah-masalah kecil.

Setiap fungsi rekursif yang ada harus memenuhi kedua persyaratan di atas untuk memastikan
fungsi rekursif dapat berhenti dan memberikan hasil. Kebenaran dari nilai yang dihasilkan tentu
saja memerlukan pembuktian dengan cara tersendiri. Tetapi sebelum masuk ke analisa dan
pembuktian fungsi rekursif, mari kita lihat kegunaan dan contoh-contoh fungsi rekursif lainnya
lagi.

Fungsi Rekursif dan Iterasi

Pembaca yang jeli akan menyadari bahwa kedua contoh fungsi rekursif yang diberikan
sebelumnya, faktorial dan kali, dapat diimplementasikan tanpa menggunakan fungsi rekursif.
Berikut adalah contoh kode untuk perhitungan faktorial tanpa menggunakan rekursif:

def faktorial_iterasi(n):
hasil = 1
for i in range(1, n + 1):
hasil = hasil * i
return hasil

Dalam menghitung nilai faktorial menggunakan iterasi, kita meningkatkan nilai hasil terus
menerus, sampai mendapatkan jawaban yang tepat. Yang perlu kita pastikan benar pada fungsi
39

ini adalah berapa kali kita harus meningkatkan nilai hasil. Jika jumlah peningkatan salah, maka
Page

hasil akhir yang didapatkan juga akan salah.

Pendekatan iteratif berbeda dengan rekursif dalam hal ini: jika pendekatan rekursif memecah-
mecah masalah untuk kemudian menyelesaikan masalah sedikit demi sedikit, pendekatan iteratif
justru langsung mencoba menyelesaikan masalah, tanpa memecah-mecahkan masalah tersebut
menjadi lebih kecil terlebih dahulu. Untungnya, baik teknik iterasi maupun rekursi sama-sama
memiliki tingkat ekspresi yang sama: segala hal yang dapat diselesaikan dengan itearsi akan
dapat diselesaikan dengan rekursif. Lalu, kapan dan kenapa kita harus menggunakan rekursif?

Meskipun dapat menyelesaikan masalah yang sama, terdapat beberapa permasalahan atau solusi
yang lebih tepat diselesaikan dengan menggunakan fungsi rekursif. Salah satu contoh dari
masalah ini adalah penelurusan data di dalam sebuah binary tree. Sebuah binary tree, yang dapat
didefinisikan sebagai sebuah pohon dengan jumlah cabang yang selalu dua, secara alami adalah
struktur data rekursif.

Binary Tree

Sebagai struktur rekursif, tentunya penelusuran binary tree akan lebih mudah dilakukan secara
rekursif dibandingkan iterasi. Hal ini sangat kontras dengan, misalnya, pencarian karakter di
dalam string. Sebagai data yang disimpan secara linear, pencarian karakter dalam string akan
lebih mudah untuk dilakukan secara iteratif.

Untuk mempermudah ilustrasi, mari kita lakukan perbandingan antara implementasi rekursif dan
iteratif untuk masalah yang lebih cocok diselesaikan dengan masing-masing pendekatan.
Misalnya, implementasi algoritma euclidean untuk menghitung faktor persekutuan terbesar
(FPB) yang lebih cocok untuk diimplementasikan dengan metode rekursif seperti berikut:

def gcd(x, y):

return x if y == 0 else gcd(y, x % y)
40

yang jika diimplementasikan dengan menggunakan iterasi adalah sebagai berikut:

Page

def gcd_iterasi(x, y):

 while y != 0:
temp = y
y = x % temp
x = temp
return x

Jika dibandingkan dengan fungsi matematis dari algoritma euclidean:

\[\begin{split}gcd(x, y) = \begin{cases} x & \text{if } y = 0 \\ gcd(y, remainder(x, y)) & \text{if

} y > 0 \end{cases}\end{split}\]

tentunya implementasi secara rekursif lebih sederhana dan mudah dimengerti dibandingkan
dengan secara iterasi.

Sekarang mari kita lihat contoh algoritima yang lebih cocok diimplementasikan secara iteratif,
misalnya linear search. Implementasi standar linear search secara iteratif adalah sebagai berikut:

def linear_search(lst, search):

for i in range(0, len(lst)):
if lst[i] == search:
print("Nilai ditemukan pada posisi: " + str(i))
return 0
print("Nilai tidak ditemukan")
return -1

yang jika diimplementasikan secara rekursif akan menjadi:

def linear_search_rec(lst, search, pos):

if len(lst) <= pos:
print("Nilai tidak ditemukan.")
return -1
elif lst[pos] == search:
print("Nilai ditemukan di posisi: " + str(pos))
return 0
else:
return linear_search_rec(lst, search, pos + 1)

Perhatikan bagaimana diperlukan lebih banyak pengecekan pada fungsi rekursif, serta tambahan
parameter pos yang berguna untuk menyimpan posisi pengujian dan ditemukannya elemen yang
dicari. Jika menggunakan iterasi variabel pos tidak dibutuhkan lagi karena posisi ini akan
didapatkan secara otomatis ketika sedang menelusuri list. Dengan melihat jumlah argumen dan
pengecekan yang harus dilakukan, dapat dilihat bahwa implementasi linear search menjadi lebih
sederhana dan mudah dengan menggunakan metode iterasi.

Tail Call
Sesuai definisinya, dalam membuat fungsi rekursif pada satu titik kita akan harus memanggil
41

fungsi itu sendiri. Pemanggilan diri sendiri di dalam fungsi tentunya memiliki konsekuensi
Page

tersendiri, yaitu pengunaan memori. Dengan memanggil dirinya sendiri, secara otomatis sebuah
fungsi akan memerlukan memori tambahan, untuk menampung seluruh variabel baru serta proses
yang harus dilakukan terhadap nilai-nilai baru tersebut. Penambahan memori ini seringkali
menyebabkan stack overflow ketika terjadi pemanggilan rekursif yang terlalu banyak.

Untuk menanggulangi kesalahan stack overflow ini, para pengembang bahasa pemrograman
mengimplementasikan apa yang dikenal dengan tail call optimization. Dalam merancang dan
menganalisa algoritma rekursif, pengertian akan tail call optimization merupakan hal yang sangat
penting. Jadi, apa itu tail call?

Tail call merupakan pemanggilan fungsi sebagai perintah terakhir di dalam fungsi lain.
Sederhananya, ketika kita memanggil sebuah fungsi pada bagian akhir dari fungsi lain, kita
melakukan tail call, seperti pada kode di bawah:

def fungsi(x):
y = x + 10
return fungsi_lain(y)

Pada kode di atas, pemanggilan fungsi_lain sebagai kode terakhir yang dieksekusi oleh
fungsi dapat dikatakan sebagai tail call. Ingat juga bahwa pemanggilan tidak harus berada di
akhir fungsi secara fisik. Yang penting adalah bahwa kode terakhir yang dieksekusi adalah
pemanggilan fungsi lain:

def tail_call(n):
if n == 0:
return fungsi_1(n + 1)
else:
return fungsi_2(n)

Pada contoh fungsi tail_call di atas, pemanggilan terhadap fungsi_1 maupun fungsi_2
adalah tail call, meskipun pemanggilan fungsi_1 tidak berada pada akhri fungsi secara fisik.
Bandingkan dengan kode berikut:

def bukan_tail_call(n):
result = fungsi_lain(n % 5)
return result * 10

yang bukan merupakan tail call, karena kode terakhir yang dieksekusi (result * 10e) adalah
sebuah operasi, bukan pemanggilan fungsi. Cara kerja ini tentunya juga dibawa ke fungsi
rekursif, di mana:

def faktorial(n):
if n == 1:
return 1
else:
return n * faktorial(n - 1)

bukan merupakan tail call karena baik return 1 maupun n * faktorial(n - 1) bukanlah
42

pemanggilan fungsi. Ingat bahwa n * faktorial(n - 1) merupakan operator perkalian,

bukan pemanggilan fungsi karena faktorial(n - 1) akan harus mengembalikan hasil terlebih
Page

dahulu agar bisa dikalikan dengan n. Jika ingin membuat fungsi rekursif yang memanfaatkan tail
call, kita harus memastikan kode terakhir yang dieksekusi adalah fungsi lain, tanpa operasi
lanjutan. Misalnya, kita dapat menyimpan hasil kalkulasi sebagai parameter, seperti berikut:

def faktorial_tc(n, r = 1):

if n <= 1:
return r
else:
return faktorial_tc(n - 1, n * r)

untuk memastikan terdapat tail call di dalam fungsi.

Implementasi algoritma rekursif disarankan untuk mengadopsi tail call, karena natur dari fungsi
rekursif yang memakan banyak memori. Tail call optimization, jika diimplementasikan oleh
bahasa pemrograman, akan mendeteksi adanya tail call pada sebuah fungsi untuk kemudian
dijalankan sebagai perulangan untuk menghindari penggunaan memori berlebihan.

Bahasa pemrograman yang mendukung tail call optimization biasanya adalah bahasa
pemrograman fungsional seperti Haskell, LISP, Scheme, dan Erlang. Python, sayangnya, tidak
mendukung optimization.

Analisis Algoritma Rekursif

Melakukan analisis untuk algoritma rekursif pada dasarnya sama dengan melakukan analisis
terhadap algoritma imparatif lain. Perbedaan utama pada algoritma rekursif ialah kita tidak dapat
secara langsung melihat berapa kali bagian rekursif dari algoritma akan dijalankan. Pada
algoritma yang menggunakan perulangan for misalnya, kita dapat langsung menghitung jumlah
perulangan untuk menghitung total langkah yang dibutuhkan. Dalam algoritma rekursif, jumlah
perulangan tidak secara eksplisit bisa didapatkan karena informasi yang kita miliki adalah kapan
algoritma berhenti, bukan berapa kali kode dieksekusi.

Misalnya, algoritma perhitungan faktorial yang telah dibahas sebelumnya:

def faktorial(n):
return n if n == 1 else n * faktorial(n - 1)

Salah satu informasi yang didapatkan di sini adalah kapan algoritma berhenti melakukan
rekursif, yaitu n == 1. Informasi lain yang kita miliki adalah berkurangnya jumlah data pada
setiap pemanggilan faktorial. Bagaimana kita melakukan analisis algoritma ini? Cara
termudahnya adalah dengan menggambarkan fungsi matematika dari faktorial terlebih dahulu:

\[\begin{split}faktorial(n) = \begin{cases} 1 & \text{if } n = 1 \\ n * faktorial(n - 1) remainder(x,

y)) & \text{if } n > 1 \end{cases}\end{split}\]

Melalui fungsi matematika ini, kita dapat mulai melakukan penurunan untuk fungsi perhitungan
43

langkah fungsi \(faktorial\) untuk kasus \(n > 1\):

Page
\[\begin{split}f(n) & = 1 + f(n - 1) \\ & = 1 + 1 + f(n - 2) \\ & = 1 + 1 + 1 + f(n - 3) \\ & ... \\ & =
n + f(n - k)\end{split}\]

Dan tentunya kita dapat mengabaikan penambahan langkah \(n\) di awal, serta dengan syarat
bahwa fungsi berhenti ketika \(n - k = 1\):

\[\begin{split}n - k & = 1 \\ k & = n - 1 \\\end{split}\]

Maka dapat disimpulkan bahwa fungsi faktorial memiliki kompleksitas \(n - 1\), atau \(O(n)\).
Ingat bahwa kunci dari perhitungan kompleksitas untuk algoritma rekursif terdapat pada fungsi
matematis algoritma dan definisi kapan berhentinya fungsi rekursif tersebut.

Kesimpulan
Fungsi rekursif merupakan fungsi yang memanggil dirinya sendiri. Terdapat dua komponen
penting dalam fungsi rekursif, yaitu kondisi kapan berhentinya fungsi dan pengurangan atau
pembagian data ketika fungsi memanggil dirinya sendiri. Optimasi fungsi rekursif dapat
dilakukan dengan menggunakan teknik tail call, meskipun teknik ini tidak selalu
diimplementasikan oleh semua bahasa pemrograman.

Selain sebagai fungsi, konsep rekursif juga terkadang digunakan untuk struktur data seperti
binary tree atau list.

Divide and Conquer

Komputer pada awalnya diciptakan sebagai perangkat untuk melakukan kalkulasi secara
otomatis dan akurat. Meskipun awalnya hanya berfokus pada kalkukasi numerik, komputer
modern yang dijumpai sekarang telah melakukan kalkulasi pada banyak hal, seperti teks ataupun
gambar. Berbagai kalkulasi dan analisa yang dilakukan komputer biasanya diimplementasikan
melalui perangkat lunak. Dengan semakin besarnya ruang lingkup hal-hal yang dilakukan oleh
komputer, perangkat lunak yang dikembangkan juga menjadi semakin kompleks. Algoritma,
sebagai bagian dari perangkat lunak yang melakukan pemrosesan, juga memerlukan berbagai
teknik baru. Misalkan, untuk menghitung total jumlah dari bilangan-bilangan yang ada di dalam
sebuah list, kita dapat menggunakan perulangan sederhana:

nums = [1, 2, 3, 5, 6, 7, 19, 28, 58, 18, 28, 67, 13]

total = 0

for i in range(0, len(nums)):

total = total + nums[i]

print(total) # 255
44

Algoritma perulangan yang digunakan pada kode di atas memang sederhana dan memberikan
hasil yang benar, tetapi terdapat beberapa masalah pada kode tersebut, yaitu perhitungan
Page

dilakukan secara linear, yang menghasilkan kompleksitas \(O(n)\). Hal ini tentunya cukup ideal
untuk ukuran list kecil, tetapi jika ukuran list menjadi besar (beberapa Milyar elemen) maka
perhitungan akan menjadi sangat lambat. Kenapa perhitungannya menjadi lambat? Karena nilai
dari total tergantung kepada kalkulasi nilai total sebelumnya. Kita tidak dapat melakukan
perhitungan total dari depan dan belakang list sekaligus, sehingga kita dapat mempercepat
perhitungan dua kali lipat. Dengan kode di atas, kita tidak dapat membagi-bagikan pekerjaan ke
banyak pekerja / CPU!

Lalu apa yang dapat kita lakukan? Langkah pertama yang dapat kita lakukan adalah menerapkan
teknik rekursif untuk membagi-bagikan masalah menjadi masalah yang lebih kecil. Jika awalnya
kita harus menghitung total keseluruhan list satu per satu, sekarang kita dapat melakukan
perhitungan dengan memecah-mecah list terlebih dahulu:

def sums(lst):
if len(lst) >= 1:
return lst[0]

mid = len(lst) // 2
left = sums(lst[:mid])
right = sums(lst[mid:])

return left + right

print(sums(nums)) # 255

Apa yang kita lakukan pada kode di atas?

1. Baris if len(lst) >= 1 memberikan syarat pemberhentian fungsi rekursif, yang akan
mengembalikan isi dari list ketika list berukuran 1 (hanya memiliki satu elemen).
2. Baris mid = len(lst) // 2 mengambil median dari list, sebagai referensi ketika kita
membagi list menjadi dua bagian.
3. Baris left = sum(lst[:mid]) dan selanjutnya membagikan list menjadi dua bagian,
dengan nilai mid sebagai tengah dari list.

Singkatnya, setelah membagikan list menjadi dua bagian terus menerus sampai bagian
terkecilnya, kita menjumlahkan kedua nilai list tersebut, seperti pada gambar berikut:

45
Page
Langkah Kerja Divide and Conquer

Apa kelebihan pendekatan dengan membagi-bagikan masalah ini? Dengan menggunakan bahasa
dan library yang tepat, kita dapat membagi-bagikan setiap bagian rekursif (left = ... dan
right = ...) ke satu unit kerja baru, yang dikenal dengan nama thread. Mekanisme pada
sistem operasi atau compiler kemudian akan membagi-bagikan tugas pembagian dan perhitungan
lanjutan agar dapat dijalankan secara paralel, misalnya dengan membagikan tugas ke dalam
beberapa core prosesor, atau bahkan ke dalam mesin lain (jika terdapat sistem dengan banyak
mesin).

Dengan membagi-bagikan pekerjaan ke dalam banyak unit, tentunya pekerjaan akan lebih cepat
selesai! Teknik memecah-mecah pekerjaan untuk kemudian dibagikan kepada banyak pekerja ini
dikenal dengan nama divide and conquer.

Membangun Algoritma Divide and Conquer

Sebuah algoritma divide and conquer (selanjutnya disebut dengan D&C) memiliki tiga langkah,
yaitu:

1. Divide (Memecah): pada langkah ini kita memecahkan masalah atau data ke dalam
bentuk yang sama, tetapi dalam ukuran yang lebih kecil. Pemecahan langkah biasanya
dilakukan dengan menggunakan algoritma rekursif, sampai ukuran data menjadi sangat
kecil dan dapat diselesaikan dengan algoritma sederhana.
2. Conquer (Menaklukkan): dalam langkah ini kita mencoba menyelesaikan masalah atau
data yang telah dipecahkan pada langkah pertama, dengan menggunakan algoritma
sederhana.
3. Combine (Menggabungkan): setelah menjalankan langkah conquer, tentunya kita harus
menggabungkan kembali hasil dari masing-masing pecahan yang ada, untuk
mendapatkan hasil akhir kalkulasi. Langkah combine mencoba mencapai hal tersebut.

Algoritma D&C, jika diimplementasikan menggunakan library atau bahasa yang tepat akan
meningkatkan efisiensi algoritma secara logaritmik. Mari kita lakukan analisis pada fungsi sum
di atas, untuk melihat kompleksitas algoritmanya:

def sums(lst):
if len(lst) >= 1: # 1 langkah
return lst[0] # 1 langkah

mid = len(lst) // 2 # 1 langkah

left = sums(lst[:mid]) # sums(mid) langkah
right = sums(lst[mid:]) # sums(mid) langkah

return left + right # 1 langkah

yang secara matematis dapat dituliskan seperti berikut:

46
Page
\[\begin{split}f(n) & = 4 + f(\frac{n}{2}) + f(\frac{n}{2}) \\ & = 4 +
2f(\frac{n}{2})\end{split}\]

karena ukuran dari mid adalah panjang list (\(n\)) dibagi dua. Dengan begitu, kompleksitas dari
algoritma adalah:

\[\begin{split}f(n) & = 2f(\frac{n}{2}) \\ & = 2(2(\frac{n}{4})) \\ & = 2(2(2(\frac{n}{8}))) \\ &

... \\ & = 2^k(\frac{n}{2^k})\end{split}\]

dengan syarat berhenti adalah ketika \(k \geq 1\), sehingga:

\[\begin{split}\frac{n}{2^k} & = 1 \\ n & = 2^k \\ k & = \log_2 n\end{split}\]

Kompleksitas dari fungsi sums adalah \(O(\log n)\), meningkat dari \(O(n)\) pada algoritma awal!

Secara umum, kompleksitas algoritma D&C adalah \(O(n \log n)\), jika ukuran data adalah \(n\),
dan pada setiap langkahnya kita membagikan masalah ke dalam \(p\) sub-masalah.

Contoh D&C 1: Merge Sort

Merge sort, seperti namanya, merupakan algoritma yang dirancang untuk melakukan pengurutan
terhadap sekumpulan bilangan. Ide utama dari merge sort sama dengan algoritma perhitungan
total yang telah kita lakukan sebelumnya, yaitu membagi-bagikan keseluruhan list menjadi
komponen kecil, dan kemudian mengurutkan komponen tersebut dan menggabungkannya
kembali menjadi sebuah list besar.

Berikut adalah merge sort yang diimplementasikan dalam bahasa python:

def merge_sort(lst):
if len(lst) <= 1:
return lst

mid = len(lst) // 2
left = merge_sort(lst[:mid])
right = merge_sort(lst[mid:])

return merge(left, right)

def merge(left, right):

result = []

while len(left) > 0 or len(right) > 0:

if len(left) > 0 and len(right) > 0:
if left[0] <= right[0]:
result.append(left.pop(0))
else:
47

result.append(right.pop(0))
elif len(left) > 0:
Page

result.append(left.pop(0))
elif len(right) > 0:
 result.append(right.pop(0))

return result

Dari kode di atas terlihat bahwa merge sort memiliki dua bagian, yang dituliskan dalam dua buah
fungsi: merge dan merge_sort. Fungsi merge_sort memiliki logika dan cara kerja yang sama
dengan fungsi penjumlahan total yang kita bangun sebelumnya, dengan perbedaan pada bagian
yang melakukan penggabungan list (return merge(left, right)).

Penggabungan list sendiri dilakukan dengan cukup sederhana dan gamblang, yaitu hanya
membandingkan elemen-elemen dari dua buah list yang dikirimkan satu per satu, untuk
kemudian disimpan ke dalam variabel result secara terurut. Untuk lebih jelasnya, mari kita
coba bedah algoritma pada fungsi merge, langkah demi langkah.

Misalkan kita memanggil fungsi merge seperti berikut:

left = [3, 5]
right = [1, 4]
merge(left, right)

Note

Ingat bahwa list pada variabel left maupun right harus sudah terurut jika ukuran list lebih dari
1. Fungsi merge dengan argumen list berukuran \(>\) 1 hanya dipanggil dari hasil merge dua
buah list berukuran satu dalam kasus merge_sort.

Jika kita mengikuti langkah demi langkah pada kode, maka pada setiap iterasi while kita akan
mendapatkan nilai masing-masing variabel sebagai berikut:

# Awal fungsi
left = [3, 5]
right = [1, 4]
result = []

# Iterasi 1
left = [3, 5]
right = [4]
result = [1]

# Iterasi 2
left = [5]
right = [4]
result = [1, 3]

# Iterasi 3
left = [5]
right = []
result = [1, 3, 4]
48
Page
# Iterasi 4
left = []
right = []
result = [1, 3, 4, 5]

Penggabungan seperti di atas dilakukan pada setiap submasalah yang telah dipecah oleh
merge_sort, sampai kita mendapatkan sebuah list dengan ukuran yang sama pada list awal.
Untuk mempermudah pengertian, gambar di bawah menunjukkan proses pemecahan dan
penggabungan kembali dari merge sort:

49
Page
Langkah Kerja Merge Sort

Proses divide terjadi ketika kotak dan panah berwarna merah, sementara conquer dan combine
terjadi ketika kotak dan panah diberi warna biru. Proses conquer merupakan proses di mana kita
mengurutkan elemen dalam list, dan combine adalah ketika kita menggabungkan hasil urutan
dari list tersebut.

Contoh D&C 2: Binary Search

Binary search merupakan salah satu algoritma pencarian yang paling efisien, dengan
kompleksitas \(O(\log n)\). Algoritma ini memanfaatkan teknik divide and conquer dengan
memecah lingkup pencarian data menjadi setengahnya pada setiap kali divide. Kekurangan dari
binary search yaitu bahwa algoritma ini hanya dapat digunakan pada sebuah data atau lsit yang
telah terurut.

Langsung saja, implementasi binary search menggunakan python:

def binary_search(data, search_val, min_idx, max_idx):

if max_idx < min_idx:
print("%d not found in list"%search_val)
return -1

mid_idx = (min_idx + max_idx) // 2

if data[mid_idx] > search_val:
return binary_search(data, search_val, min_idx, mid_idx - 1)
elif data[mid_idx] < search_val:
return binary_search(data, search_val, mid_idx + 1, max_idx)
else:
print("%d found in index %d"%(search_val, mid_idx))
return mid_idx

Mari kita lihat cara kerja binary search. Misalkan kita diberikan data berupa list bilangan seperti
berikut:

[1, 2, 4, 6, 7, 8, 9, 10]

dan diminta untuk mencari letak angka 2 pada list tersebut. Sebelum mulai menjalankan
algoritma, pastinya kita harus mengetahui nilai-nilai awal terelbih dahulu. Adapun nilai awal
yang dibutuhkan untuk fungsi binary_search adalah sebagai berikut:

data = [1, 2, 4, 6, 7, 8, 9, 10]

search_val = 2
min_idx = 0
max_idx = len(data) - 1 # 7

Nilai indeks minimal (batas awal pencarian) yang pertama tentunya adalah 0, dengan nilai
50

maksimal (batas akhir pencarian) adalah ukuran dari list itu sendiri. Di langkah awal binary
search, dilakukan perhitungan terhadap nilai tengah dari min_idx dan max_idx terlebih dahulu,
Page

untuk mendapatkan titik awal pencarian. Perhitungan nilai tengah dilakukan pada kode berikut:
mid_idx = (min_idx + max_idx) // 2

Setelah mendapatkan nilai tengah, kita lalu melakukan cek apakah nilai dari data pada indeks
tersebut lebih besar atau lebih kecil dibandingkan nilai yang akan kita cari (2). Langkah
pengecekan ini dilakukan pada perintah if berikut:

if data[mid_idx] > search_val:

# nilai lebih besar daripada 2
elif data[mid_idx] < search_val:
# nilai lebih kecil daripada 2
else:
# nilai adalah 2 (ditemukan)

Dalam kasus ini, nilai dari mid_idx adalah 3, dan karena data[3] berisi 6, maka kita akan
melakukan pemotongan terhadap seluruh nilai pada data setelah 6, karena nilai tersebut sudah
pasti tidak diperlukan lagi (ingat, data harus terurut pada binary search). Kita lalu memanggil
fungsi binary_search lagi, kali ini dengan mencari hanya pada submasalah (list) berikut
(perhatikan bagaimana pada pemanggilan binary_search yang kedua nilai max_idx kita ubah
menjadi mid_idx - 1):

[1, 2, 4]

Dan dengan mengaplikasikan logika yang sama dengan tahap sebelumnya, kita akan langsung
menemukan bilangan yang dicari.

Algoritma Greedy
Algoritma greedy merupakan jenis algoritma yang menggunakan pendekatan penyelesaian
masalah dengan mencari nilai maksimum sementara pada setiap langkahnya. Nilai maksimum
sementara ini dikenal dengan istilah local maximum. Pada kebanyakan kasus, algoritma greedy
tidak akan menghasilkan solusi paling optimal, begitupun algoritma greedy biasanya
memberikan solusi yang mendekati nilai optimum dalam waktu yang cukup cepat.

Sebagai contoh dari penyelesaian masalah dengan algoritma greedy, mari kita lihat sebuah
masalah klasik yang sering dijumpai dalam kehidupan sehari-hari: mencari jarak terpendek dari
peta. Misalkan kita ingin bergerak dari titik A ke titik B, dan kita telah menemukan beberapa
jalur dari peta: 51
Page
Jalur dari Titik A ke B

Dari peta yang ditampilkan di atas, dapat dilihat bahwa terdapat beberapa jalur dari titik A ke
titik B. Sistem peta pada gambar secara otomatis telah memilih jalur terpendek (berwarna biru).
Kita akan mencoba mencari jalur terpendek juga, dengan menggunakan algoritma greedy.

Langkah pertama yang harus kita lakukan tentunya adalah memilih struktur data yang tepat
untuk digunakan dalam merepresentasikan peta. Jika dilihat kembali, sebuah peta seperti pada
gambar di atas pada dasarnya hanya menunjukkan titik-titik yang saling berhubungan, dengan
jarak tertentu pada masing-masing titik tersebut. Misalnya, peta di atas dapat direpresentasikan
dengan titik-titik penghubung seperti berikut:
52
Page
Graph Sederhana dari Titik A ke B

Dari gambar di atas, kita dapat melihat bagaimana sebuah peta jalur perjalanan dapat
direpresentasikan dengan menggunakan graph, spesifiknya Directed Graph (graph berarah).
Maka dari itu, untuk menyelesaikan permasalahan jarak terpendek ini kita akan menggunakan
struktur data graph untuk merepresentasikan peta. Berikut adalah graph yang akan digunakan:
53
Page
Graph Berarah dari Titik A ke B

Untuk mencari jarak terpendek dari A ke B, sebuah algoritma greedy akan menjalankan langkah-
langkah seperti berikut:

1. Kunjungi satu titik pada graph, dan ambil seluruh titik yang dapat dikunjungi dari titik
sekarang.
2. Cari local maximum ke titik selanjutnya.
3. Tandai graph sekarang sebagai graph yang telah dikunjungi, dan pindah ke local
maximum yang telah ditentukan.
4. Kembali ke langkah 1 sampai titik tujuan didapatkan.

Jika mengapliikasikan langkah-langkah di atas pada graph A ke B sebelumnya maka kita akan
mendapatkan pergerakan seperti berikut:

1. Mulai dari titik awal (A). Ambil seluruh titik yang dapat dikunjungi.
54
Page
 Langkah Pertama Greedy

2. Local maximum adalah ke C, karena jarak ke C adalah yang paling dekat.

3. Tandai A sebagai titik yang telah dikunjungi, dan pindah ke C.
4. Ambil seluruh titik yang dapat dikunjungi dari C.

55
Page
 Langkah Kedua Greedy

5. Local maximum adaah ke D, dengan jarak 6.

6. Tandai C sebagai titik yang telah dikunjungi, dan pindah ke D.

56
Page
 Langkah Ketiga Greedy

7. (Langkah selanjutnya diserahkan kepada pembaca sebagai latihan).

Dengan menggunakan algoritma greedy pada graph di atas, hasil akhir yang akan didapatkan
sebagai jarak terpendek adalah A-C-D-E-F-B. Hasi jarak terpendek yang didapatkan ini tidak
tepat dengan jarak terpendek yang sebenarnya (A-G-E-F-B). Algoritma greedy memang tidak
selamanya memberikan solusi yang optimal, dikarenakan pencarian local maximum pada setiap
langkahnya, tanpa memperhatikan solusi secara keseluruhan. Gambar berikut memperlihatkan
bagaimana algoritma greedy dapat memberikan solusi yang kurang optimal: 57
Page
Solusi Kurang Optimal dari Greedy

Tetapi ingat bahwa untuk kasus umum, kerap kali algoritma greedy memberikan hasil yang
cukup baik dengan kompleksitas waktu yang cepat. Hal ini mengakibatkan algoritma greedy
sering digunakan untuk menyelesaikan permasalahan kompleks yang memerlukan kecepatan
jawaban, bukan solusi optimal, misalnya pada game.

Implementasi Algoritma Greedy

Untuk memperdalam pengertian algoritma greedy, kita akan mengimplementasikan algoritma
yang telah dijelaskan pada bagian sebelumnya ke dalam kode program. Seperti biasa, contoh
kode program akan diberikan dalam bahasa pemrograman python. Sebagai langkah awal,
tentunya kita terlebih dahulu harus merepresentasikan graph. Pada implementasi yang kita
lakukan, graph direpresentasikan dengan menggunakan dictionary di dalam dictionary, seperti
berikut:
58

DAG = {'A': {'C': 4, 'G': 9},

'G': {'E': 6},
Page

'C': {'D': 6, 'H': 12},

 'D': {'E': 7},
'H': {'F': 15},
'E': {'F': 8},
'F': {'B': 5}}

# Hasil Representasi:
{'A': {'C': 4, 'G': 9},
'C': {'D': 6, 'H': 12},
'D': {'E': 7},
'E': {'F': 8},
'F': {'B': 5},
'G': {'E': 6},
'H': {'F': 15}}

Selanjutnya kita akan membuat fungsi yang mencari jarak terpendek dari graph yang dibangun,
dengan menggunakan algoritma greedy. Definisi dari fungsi tersebut sangat sederhana, hanya
sebuah fungsi yang mengambil graph, titik awal, dan titik akhir sebagai argumennya:

def shortest_path(graph, source, dest):

Jarak terpendek yang didapatkan akan dibangun langkah demi langkah, seperti pada algoritma
greedy yang mengambil nilai local maximum pada setiap langkahnya. Untuk hal ini, tentunya
kita akan perlu menyimpan jarak terpendek ke dalam sebuah variabel, dengan source sebagai isi
awal variabel tersebut. Jarak terpendek kita simpan ke dalam sebuah list, untuk
menyederhanakan proses penambahan nilai.

result = []
result.append(source)

Penelusuran graph sendiri akan kita lakukan melalui result, karena variabel ini
merepresentasikan seluruh node yang telah kita kunjungi dari keseluruhan graph. Variabel result
pada dasarnya merupakan hasil implementasi dari langkah 3 algoritma (“Tandai graph sekarang
sebagai graph yang telah dikunjungi”). Titik awal dari rute tentunya secara otomatis ditandai
sebagai node yang telah dikunjungi.

Selanjutnya, kita akan menelusuri graph sampai titik tujuan ditemukan, dengan menggunakan
iterasi:

while dest not in result:

current_node = result[-1]

dengan mengambil node yang sekarang sedang dicari local maximum-nya dari isi terakhir
result. Pencarian local maximum sendiri lebih memerlukan pengetahuan python daripada
algoritma:

# Cari local maximum

local_max = min(graph[current_node].values())
59

# Ambil node dari local maximum,

Page

# dan tambahkan ke result

# agar iterasi selanjutnya dimulai
# dari node sekarang.
for node, weight in graph[current_node].items():
if weight == local_max:
result.append(node)

Setelah seluruh graph ditelurusi sampai mendapatkan hasil, kita dapat mengembalikan result ke
pemanggil fungsi:

return result

Keseluruhan fungsi yang dibangun adalah sebagai berikut:

def shortest_path(graph, source, dest):

result = []
result.append(source)

while dest not in result:

current_node = result[-1]

local_max = min(graph[current_node].values())
for node, weight in graph[current_node].items():
if weight == local_max:
result.append(node)

return result

Perlu diingat bahwa fungsi ini masih banyak memiliki kekurangan, misalnya tidak adanya
penanganan kasus jika titik tujuan tidak ditemukan, atau jika terdapat node yang memiliki nilai
negatif (bergerak balik). Penanganan hal-hal tersebut tidak dibuat karena fungsi hanya bertujuan
untuk mengilustrasikan cara kerja algoritma greedy, bukan untuk digunakan pada aplikasi nyata.

Kesimpulan
Algoritma greedy merupakan algoritma yang besifat heuristik, mencari nilai maksimal sementara
dengan harapan akan mendapatkan solusi yang cukup baik. Meskipun tidak selalu mendapatkan
solusi terbaik (optimum), algoritma greedy umumnya memiliki kompleksitas waktu yang cukup
baik, sehingga algoritma ini sering digunakan untuk kasus yang memerlukan solusi cepat
meskipun tidak optimal seperti sistem real-time atau game.

Dari impementasi yang kita lakukan, dapat dilihat bagaimana algoritma greedy memiliki
beberapa fungsionalitas dasar, yaitu:

1. Fungsi untuk melakukan penelusuran masalah.

2. Fungsi untuk memilih local maximum dari pilihan-pilihan yang ada tiap langkahnya.
3. Fungsi untuk mengisikan nilai local maximum ke solusi keseluruhan.
4. Fungsi yang menentukan apakah solusi telah didapatkan.
60

Tentunya fungsi-fungsi di atas juga dapat digabungkan atau dipecah lebih lanjut lagi,
Page

menyesuaikan dengan strategi greedy yang dikembangkan.

Dynamic Programming
Dynamic Programming (selanjutnya disebut “DP” saja) merupakan salah satu teknik
perancangan algoritma yang dikembangkan untuk menyelesaikan permasalahan yang sangat
kompleks dengan memecah permasalahan tersebut menjadi banyak sub-permasalahan.
Perbedaan utama DP dengan Divide and Conquer (selanjutnya disebut “D&C”) adalah pada DP
kita menggunakan kembali hasil kalkulasi sub-masalah yang telah dilakukan sebelumnya. Apa
artinya?

Untuk mempermudah penjelasan, mari kita selesaikan masalah sederhana yang telah kita bahas
berkali-kali: perhitungan bilangan fibonacci. Algoritma untuk menyelesaikan perhitungan
fibonacci secara naif adalah seperti berikut:

def fibonacci(n):
if n <= 2:
hasil = 1
else:
hasil = fibonacci(n - 1) + fibonacci(n - 2)

return hasil

Algoritma fibonacci sederhana seperti di atas dapat dikatakan sebagai algoritma D&C, karena
kita membagikan perhitungan fibonacci ke dua fungsi fibonacci, sampai didapatkan nilai hasil
terkecilnya. Pemanggilan fungsi fibonacci di atas dapat digambarkan seperti berikut:

61
Page
Pemanggilan Fungsi Fibonacci

Perhatikan bagaimana \(f(n - 2)\) dan \(f(n - 3)\) dikalkulasikan sebanyak dua kali, dan semakin
kita masuk ke dalam pohon pemanggilan, kita akan melihat semakin banyak fungsi-fungsi yang
dipanggil berkali-kali. Pendekatan DP menghindari kalkulasi fungsi yang berulang kali seperti
ini dengan melakukan memoization, yaitu menyimpan hasil kalkulasi fungsi tersebut dan
menggunakan nilai yang disimpan ketika perhitungan yang sama dibutuhkan kembali. Dengan
menyimpan hasil kalkulasi seperti ini, tentunya jumlah total langkah perhitungan yang harus
dilakukan menjadi berkurang.

Misalnya, kita dapat menyimpan hasil kalkulasi dari fungsi fibonacci tersebut pada sebuah
dictionary, seperti berikut:

memo = dict()

def fibonacci_dp(n):
if n in memo.keys():
return memo[n]
elif n <= 2:
hasil = 1
else:
hasil = fibonacci_dp(n - 1) + fibonacci_dp(n - 2)
memo[n] = hasil
return hasil

Dengan menyimpan hasil kalkulasi dari fungsi yang telah ada, maka proses pemanggilan fungsi
akan menjadi seperti berikut:

62
Page
Pemanggilan Fungsi Fibonacci Dynamic Programming

Seperti yang dapat dilihat, pohon pemanggilan fungsi terpotong setengahnya! Tentunya
perhitungan fibonacci akan menjadi sangat efisien dengan menggunakan fungsi yang baru ini.

Pendekatan lain dalam menghitung fibonacci lagi, yang masih adalah DP, yaitu dengan
menghitung nilai fibonacci dari bawah pohon (pada kode sebelumnya kita melakukan
perhitungan dari atas pohon):

def fibonacci_dp_bu(n):
memo = dict()
for i in range(1, n + 1):
if i <= 2:
hasil = 1
else:
hasil = memo[i - 1] + memo[i - 2]
memo[i] = hasil
return memo[n]

Untuk melihat efek langsung dari ketiga fungsi tersebut, coba jalankan ketiga fungsi tersebut
untuk n yang sama, dan lihat perbedaan waktu eksekusinya! Sebagai latihan tambahan, hitung
juga kompleksitas dari ketiga fungsi perhitungan fibonacci tersebut.

Mari kita rangkum hal yang telah kita pelajari mengenai DP sejauh ini:

1. DP menyelesaikan masalah dengan memecah masalah menjadi sub-permasalahan.

2. Setiap solusi dari sub-permasalahan yang telah didapatkan disimpan untuk digunakan
kembali jika terdapat sub-permasalahan yang sama. Teknik ini dikenal dengan nama
memoization.
3. DP tidak harus menggunakan rekursif. Pemecahan sub-permasalahan juga dapat
dilakukan dengan iterasi maupun kalkulasi sederhana.

Contoh Aplikasi Dynamic Programming: Text Justification

Kegunaan utama dari DP adalah untuk menyelesaikan masalah optimasi. Permasalahan optimasi
artinya permasalahan yang mencari nilai terbaik, baik maksimal maupun minimal, dari sebuah
solusi. Salah satu contoh paling praktis dalam penerapan DP model ini adalah algoritma untuk
membuat teks rata tengah. Bagaimana cara kerja algoritma ini? Mari kita lihat masalah yang
ingin diselesaikan terlebih dahulu.

Pada aplikasi pengolah kata seperti Microsoft Word, biasanya terdapat fitur untuk menentukan
kemerataan teks yang ada pada paragraf, seperti yang nampak pada gambar di bawah:
63
Page
Fitur Pemerataan Teks pada Microsoft Word

Bagaimana kita menentukan kemerataan teks? Secara umum, kemerataan sebuah teks ditentukan
oleh beberapa hal berikut:

1. Ukuran dari halaman, yang tentunya akan mempengaruhi berapa lebar maksimal dari
sebuah teks.
2. Ukuran setiap kata yang ada dalam teks, untuk menghitung berapa banyak kata yang
dapat dimasukkan ke dalam satu baris teks.
3. Ukuran spasi dalam teks, seperti ukuran kata, untuk menghitung jumlah kata yang dapat
dimasukkan ke dalam teks.
4. Ukuran karakter-karakter khusus seperti ”!”, ”?”, ”,”,”.”, dan lainnya. Meskipun biasanya
berukuran kecil, karakter khusus tetap berperan dalam mengisi ruang tulisan.

Dengan melakukan kalkulasi sederhana dari teks, tentunya kita bisa saja melakukan pemerataan
teks dengan mudah. Misalnya, untuk menghitung total teks yang dapat masuk ke dalam sebuah
baris tulisan, kita dapat menggunakan persamaan berikut:

\[\text{ukuran halaman} \gets \text{total ukuran kata} + \text{total ukuran spasi} + \text{total
ukuran simbol}\]

Sehingga untuk membuat sebuah teks menjadi rata penuh (justified) kita dapat memasukkan
setiap kata, spasi, dan simbol satu demi satu sampai kita memenuhi sebuah baris. Jika kata
selanjutnya tidak lagi memiliki ukuran yang cukup, maka kita dapat menambahkan spasi di
tengah-tengah kata sebelumnya sampai baris penuh, dan lalu berpindah baris.

Secara sederhana, algoritma naif untuk melakukan rata penuh teks adalah seperti berikut:
64

1. Ambil satu elemen dalam teks, baik berupa kata, simbol, maupun spasi. Masukkan
elemen ini ke dalam baris.
Page

2. Hitung ukuran baris sekarang.

 3. Ambil satu elemen lagi dalam teks, dan hitung ukurannya.
4. Tambahkan ukuran baris sekarang dengan ukuran elemen berikutnya. Hasil pengukuran
ini selanjutnya akan disebut “Ukuran Baris Selanjutnya” atau UBS.
5. Cek nilai UBS:
1. Jika UBS masih lebih kecil dari lebar halaman, kembali ke langkah 1
2. Jika UBS sudah lebih dari lebar halaman:
1. Tambahkan spasi di antara setiap kata dalam baris sampai ukuran baris sama
dengan lebar halaman.

Secara kasar, algoritma di atas dapat diimplementasikan seperti kode berikut (yang jelas tidak
dapat dijalankan):

def naive_justify(text, page_size):

next = text.get_next()
total_size = 0
next_total_size = total_size + next.size()

lines = [[next]]
current_line = 0

while(!text.empty()):
while(next_total_size < page_size):
total_size = next_total_size
next = text.get_next()
lines[current_line].push(next)
next_total_size = total_size + next.size()

while total_size != page_size:

add_space(lines[current_line])

current_line = current_line + 1

Hasil algoritma di atas kurang optimal, karena ketika terdapat kata-kata yang panjang dalam
sebuah kalimat, kita terpaksa harus memotong baris terlalu cepat, dan akhirnya menambahkan
banyak spasi. Contoh eksekusi dari algoritma di atas dapat dilihat pada gambar berikut:

65
Page
Hasil Algoritma Pemerataan Teks Sederhana

Perhatikan bagaimana teks “Dynamic Programming”, “dikembangkan untuk”, dan “memecah

permasalahan” memiliki spasi yang sangat lebar. Menggunakan DP, kita dapat menghasilkan
pemerataan teks yang lebih optimal.

Berdasarkan algoritma sebelumnya yang kita kembangkan, dapat dilihat bagaimana optimasi dari
rata penuh sebuah teks terdapat pada kapan kita melakukan pergantian baris. Jika kita mengganti
baris terlalu cepat (jumlah kata masih sedikit), maka secara otomatis kita harus menambahkan
banyak spasi, yang menyebabkan teks tidak enak dilihat. Untuk mendapatkan jumlah kata yang
optimal dalam sebuah baris, kita akan melakukan perhitungan tingkat “keburukan” sebuah kata
dalam teks, jika kata tersebut dijadikan pengganti baris. Kita kemudian dapat mencari tingkat
keburukan setiap kata yang ada dalam teks, dan mengambil kata yang memiliki tingkat
keburukan terendah sebagai tanda berganti baris.

Pengukuran tingkat keburukan teks sendiri tentunya ditentukan oleh jumlah ruang kosong yang
ada dari teks sampai ke ujung halaman. Misalnya, pada gambar di bawah kita dapat melihat
contoh ruang kosong dari teks sampai ke ujung halaman: 66
Page

Tingkat Keburukan Teks

Pada gambar di atas, blok berwarna merah berarti tingkat keburukannya tinggi, dan blok
berwarna hijau berarti tingkat kebukurannya rendah. Untuk mendapatkan nilai keburukan yang
paling kecil dalam sebuah teks, tentunya kita harus menghitung seluruh kombinasi nilai
keburukan dari elemen-elemen yang ada dalam teks. Perhitungan kombinasi nilai keburukan ini
tentunya merupakan masalah yang tepat untuk algoritma DP, karena setiap perhitungan nilai
keburukan pada dasarnya adalah sebuah sub-masalah!

Jadi sekarang kita telah menemukan sub-masalahnya: mencari nilai keburukan dari sebuah
elemen. Bagaimanakah kita dapat menggunakan teknik DP untuk menyelesaikan masalah ini?
Ketika menghitung kombinasi dari nilai keburukan dari setiap elemen, secara tidak langsung kita
akan membangun sebuah Directed Acyclic Graph, seperti yang tampak pada gambar berikut:

DAG dalam Teks

dengan setiap \(k\) merepresentasikan tingkat keburukan dari elemen tersebut. Menggunakan
informasi tersebut, kita dapat mencari nilai minimal dari total seluruh nilai keburukan yang ada
pada sebuah teks untuk mendapatkan titik penggantian baris yang paling tepat. Untuk
merangkum, berikut adalah langkah-langkah untuk algoritma yang sedang kita kembangkan:

1. Ambil setiap elemen dari dalam teks.

2. Untuk setiap elemen yang ada, lakukan: 1. Hitung nilai keburukan dari elemen terhadap
elemen-elemen lain dalam teks. 2. Hitung total nilai keburukan yang ada pada elemen
yang sedang dicari.
3. Tentukan nilai keburukan minimum dari nilai keburukan seluruh elemen yang telah
dihitung pada langkah 2.
4. Ambil elemen yang memiliki nilai keburukan minimum.
5. Ganti baris pada elemen dengan nilai keburukan minimum.

Perhitungan nilai keburukan sendiri dapat dilakukan dengan menggunakan rumus sederhana
berikut:

\[\begin{split}keburukan(i, j) = \begin{cases} \text{ukuran baris} > \text{lebar halaman} &

\infty \\ (\text{lebar halaman} - \text{ukuran baris})^3 \end{cases}\end{split}\]
67
Page
dengan \(i\) dan \(j\) sebagai awal dan akhir dari kata yang ingin dihitung tingkat keburukannya.
Jika dijadikan kode program, algoritma tersebut dapat dituliskan seperti berikut:

def length(word_lengths, i, j):

return sum(word_lengths[i- 1:j]) + j - i + 1

def break_line(text, L):

# wl = lengths of words
wl = [len(word) for word in text.split()]

# n = number of words in the text

n = len(wl)

# total badness of a text l1 ... li

m = dict()
m[0] = 0

s = dict()

for i in range(1, n + 1):

sums = dict()
k = i
while (length(wl, k, i) <= L and k > 0):
# badness calculation
sums[(L - length(wl, k, i))**3 + m[k - 1]] = k
k -= 1
m[i] = min(sums)
s[i] = sums[min(sums)]

return s

Perlu dicatat bahwa kode di atas belum mengikut sertakan spasi dalam perhitungan, dan juga
belum membangun kembali baris-baris yang telah dipecah menjadi sebuah teks (paragraf).

Kesimpulan
Secara sederhana, teknik DP dapat dikatakan adalah sebuah teknik brute force yang pintar. Kita
memecah-mecah masalah menjadi sub-masalah, dan menyelesaikan seluruh sub-masalah
tersebut. Perbedaan utama dari DP dengan D&C adalah DP melakukan penyimpanan hasil
penyelesaian sub-masalah sehingga kita tidak perlu menyelesaikan sub-masalah yang sama
berulang kali. 68
Page