Ada tiga aspek yang menentukan kualitas gambar foto.

Yakni, resolusi, optik lensa, dan

kemampuan prosesor. Jumlah piksel kamera tercantum dibodi atau terlihat dikomputer saat
dibeli. Jumlah piksel tersebut memengaruhi kualitas hasil foto. Semakin besar resolusi, semakin
mahal harganya. Meski demikian, ada faktor lain yang menentukan harga.

Kamera terbaru selalu diikuti penambahan jumlah resolusi. Kamera keluaran terbaru memiliki
resolusi yang lebih tinggi daripada keluaran sebelumnya. Yang perlu diperhatikan, bisa saja
resolusi kamera DSLR, kamera poket, atau kamera HP, sama besar. Tapi, ukuran sensornya tidak
sama. Ukuran dimensi piksel juga mememngaruhi kualitas hasil foto.

Apa yang dimaksud resolusi ? Resolusi adalah jumlah piksel atau picture element yang tersusun
dalam sebuah gambar digital. Resolusi ditentukan dengan jumlah dan kumpulan piksel yang
membentuk gambar foto. Kuantitas dot atau titik dalam bidang gambar sangat menentukan
kualitas gambar.

Piksel adalah dimensi gambar terkecil dalam bentuk digital. Resolusi merupakan salah satu
faktor penentu kualitas gambar digital. Sebab resolusi berbanding lurus dengan kualitas gambar.
Semakin tinggi resolusi, semakin bagus kualitas gambar. Sebaliknya, semakin rendah resolusi,
semakin rendah kualitas gambar. Tapi, resolusi bukan satu-satunya penentu kualitas.

Resolusi gambar hasil kamera digital adalah jumlah panjang maksimum piksel dikali lebar.
Kalau piksel dianalogikan dengan titik, sebuah area persegi panjang dengan lebar X dan panjang
Y bisa terisi dengan jumlah yang berbeda. Misalnya, bidang area persegi panjang bisa terisi 300
ribu titik, bahkan sejuta titik.

Semakin sedikit piksel di area persegi panjang, semakin kurang kualitassnya. Resolusi 480 x 640
berarti memiliki jumlah piksel bicubic 307.200 atau 0,3 megapiksel.
Untuk gambar 1 megapiksel, jumlah piksel dalam bidang area foto adalah sejuta piksel bicubic.
Sejuta piksel itu bisa mengisi bidang area dengan susunan 900 isi lebar dan 1200 sisi panjang
dengan rasio daerah persegi panjang 3,4. Resolusi ditentukan dengan jumlah microlens pada
sensor. Sensor disusun jutaan lensa kecil dengan area yang sangat kecil dan tidak terlihat. Kita
tidak bisa melihat bentuk mikrolens dan sensor tanpa mikroskop elektron. Jumlah mikrolens
menentukan jumlah piksel yang dihasilkan

Microlens terintegrasi dengan photodiode yang merupakan teknik semi konduktor menggunakan
transistor. IC (integrated circuit) adalah cip yang tersusun dari rangkaian sensor optik yang
bagian atasnya dilapisi filter warna primer merah, hijau, dan biru. Filter warna tidak menentukan
kualitas, tapi membuat hasil foto digital menjadi berwarna. Karena dasar foto digital adalah
hitam atau putih, terang atau gelap yang dihasilkan perubahan cahaya menjadi arus listrik dalam
keadaan on atau off.

Resolusi memiliki heriditas pengertian yang maknanya mengacu pada optik dan spasial.
Misalnya, resolusi gambar, resolusi interpolasi, spasial, dan resolusi optik. Resolusi interpolasi
adalah nilai resolusi yang ditentukan melalui pembesaran grafis dengan menggunakan
perhitungan alogaritma.

Resolusi optik adalah kemampuan optik untuk memisahkan tiap bagian objek dalam garis per
milimeter. Resolusi optik dan kepadatan piksel menyusun sebuah gambar digital.

Rosulusi spasial adalah jumlah kolom mendatar piksel dikali jumlah kolom piksel vertikal dalam
ukuran persegi. Produsen kamera biasanya menyebutkan resolusi efektif dan resolusi total
kamera. Resolusi efektif merupakan merupakan resolusi original. Resolusi total merupakan
resolusi interpolasi.

Penambahan resolusi terjadi karena susunan microlens tidak selalu rapat. Ada ruang kosong
diantara microlens tersebut sehingga dapat diisi dengan proses algoritma untuk menambah
jumlah piksel. Tapi, tidak semua produsen mencantumkan resolusi total dan resolusi efektif.
Akibatnya, kualitas hasil foto digital tidak sama, meski resolusinya sama. 
 Pengenalan Desain dan Analisis Algoritma

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.

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.

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 a1≤a2≤a3≤...≤an−1≤an, di
mana ax adalah data pada posisi xdalam 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:

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 satu cara pembuktian (induksi matematika) saja sebagai pengenalan cara
membuktikan 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=n(n+1)2
adalah benar untuk semua bilangan bulat n≥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=k(k+1)2
dan kemudian membuktikan kebenarannya menggunakan induksi matematika. Seperti yang telah
dijelaskan sebelumnya, kita harus menjalankan dua langkah untuk melakukan pembuktian
dengan induksi:

1. Pembuktian Kasus Dasar

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

P(1)=1=1(1+1)21=1(2)21=221=1

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)→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)=(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:
 1+2+...+k+(k+1)=(1+2+...+k)+(k+1)=k(k+1)2+(k+1)=k(k+1)+2(k+1)2=k2+3k+22=(k+1)
(k+2)2=(k+1)((k+1)+2)2

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≥1.

Contoh 2: Pembuktian Hipotesa

Anda diminta untuk membuktikan hipotesa bahwa fungsi matematika n3−n habis dibagi 6 untuk
semua bilangan bulat n≥2.
Langkah untuk membuktikan pernyataan tersebut sama dengan sebelumnya. Mulai dari definisi
ulang fungsi matematikanya:

P(k)=k3−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:

P(1)=23−2=8−2=6

karena 6mod6=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:

P(k+1)=(k+1)3−
(k+1)=(k3+3k2+3k+1)−k−1=k3−3k2+2k=k3−3k2+2k+k−k=k3−3k2+3k−k=k3−k+3k2+3k=
(k3−k)+3k(k+1)
 dan dapat dilihat bagaimana P(k+1) telah terbukti habis dibagi 6 karena:

1. k3−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)=k3−k habis dibagi 6 untuk k≥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

else:

i=0

result = 0

while(m != i):

result = result + n
 i=i+1

return result

yang secara matematis dapat dituliskan sebagai fungsi berikut:

f(m,n)=n∑i=1m;n≥0
atau lebih sederhananya:

m×n=m+m+m+...+m⏟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:

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 +,
−,×,dan÷. Simbol = juga digunakan untuk menandakan kesamaan nilai antara ruas kiri
dan ruas kanan dari =.
Note
Simbol ×dan÷ 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)∗c.
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:
 let L=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=12∗a∗t

atau model untuk menghitung keliling lingkaran:

K=2∗π∗r

Nilai-nilai yang tidak pernah berubah pada kedua model di atas (seperti 2, 12, dan π)
dikenal dengan nama konstanta. Perhatikan bahwa konstanta dapat mencakup angka
“mentah” seperti 2 ataupun simbol yang dikenal secara luas seperti π. Konstanta biasanya
dideklarasikan pada awal model atau kamus data program, dan tidak pernah berubah
nilainya selama model tersebut digunakan.
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
konsep yang sama dengan sistem dua dimensi.

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:
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:

[−34113−2]
 Dan kemudian tentunya kita dapat melakukan operasi-operasi matriks untuk melakukan
berbagai hal terhadap segitiga tersebut.

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.

Gambar di bawah memberikan contoh sebuah diagram Venn, yang menggambarkan
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.
Contoh Model Statistik

Gambar di atas m