Saya sempat berpikir bahwa jika jurusan-jurusan teknik dapat dianggap sebagai fisika terapan, maka

ilmu komputer juga dapat dianggap sebagai matematika terapan. Bagaimana tidak? Lihat saja
kurikulum ilmu komputer di UI ini. Sebelas dari 26 kuliah wajib ilmu komputer adalah kuliah terkait
matematika. Belum lagi kuliah-kuliah pilihan, terutama yang masuk dalam peminatan kecerdasan
komputasional. Kuliah-kuliah tersebut penuh dengan matematika yang aplikasinya lebih terlihat
daripada matematika yang mungkin dipelajari di program studi matematika sungguhan. Jadi, ya,
matematika diperlukan dalam ilmu komputer, setidaknya untuk lulus sebagai sarjana komputer.

Tetapi, pada akhirnya, jika Anda berprofesi sebagai pengembang perangkat lunak, bisa jadi porsi
matematika yang Anda gunakan dalam pekerjaan sehari-hari tidak sebanyak itu. Namun, matematika
tetap berguna karena Anda dilatih berpikir sistematis dan logis dalam matematika. Kemampuan berpikir
seperti ini perlu dimiliki oleh seorang pemrogram. Selain itu, jika suatu saat perangkat lunak yang Anda
kembangkan perlu melayani ratusan juta pengguna (bayangkan skala Google), maka matematika,
dalam kasus ini konkretnya adalah desain dan analisis algoritme, menjadi penting. Anda perlu
menghitung kompleksitas dari algoritme yang Anda tulis. Apakah sanggup menangani volume traffic
yang sangat besar? Data yang sangat banyak?

Matematika diskret berbeda dengan matematika murni yang banyak di ajarkan dari sekolah dasar
sampai SMA, atau bahkan di perkuliahan di beberapa prodi yang masih dan/atau wajib belajar
matematika murni.

Matematika diskret[1] adalah salah satu cabang matematika yang membahas hal yang bersifat diskret.

Pengalaman saya, sewaktu kuliah, saya selalu bermain-main di pelajaran ini, karena pelajaran
matematika diskret diajarkan pada semester 1 dan 2. Awalnya saya tidak menganggap serius pelajaran
ini karena saat itu saya masih berpikiran kuno: “ Programming hanyalah tentang code”. Semester 1 dan
2 terlewat begitu saja, dengan pemahaman minim di bidang matematika diskrit karena saya lebih
tertarik pada barisan code daripada hal-hal berbau matematika dan statistik.

Hingga saat semester 4 perkuliahan, dimana saat itu saya ada mata kuliah tentang Advanced
Algorithm. Di mata kuliah ini saya ketinggalan dan benar-benar sangat ketinggalan. Saya bingung dan
harus mengulang beberapa kali. Saya selalu meminta beberapa teman yang mampu untuk
mengajarkan ulang. Bahkan, dengan perjuangan mati-matian sampai akhir semester, saya hanya
mendapat nilai B. Saya berusaha mengejar ketertinggalan 2 semester yang terlewat begitu saja. Saya
kembali berusaha mengulang belajar tentang matematika diskret. Karena semua basic di Advanced
Algorithm sudah dipelajari di matematika diskret, seperti Graph, Tree dan Binary Tree, Kompleksitas
Algoritma, dan banyak lainnya merupakan hal yang basic dipelajari di matematika diskret.

Jika kamu lemah di matematika diskret, maka kamu akan kesusahan untuk programming yang
kompleks dan bersifat advanced.

*Jujur saja, karena saya lemah di matematika diskret karena belum menguasai penuh dan masih
belum sempat belajar secara full tentang hal ini, akibatnya saat ini saya juga sedikit susah di
pemrograman advanced seperti Graph, Tree, dan sejenisnya. :D
Namun, kenyataanya dewasa ini, programming skills yang advanced seperti disebut di atas tentu
jarang ditemukan atau digunakan di real case. Saya tidak tahu di luar sana, karena sejauh ini, saya
hanya baru sekali memakai Binary Tree untuk real case di project saya, sisanya masih bisa
diselesaikan dengan algoritme yang simple dan ringan. Tetapi, hal ini penting untuk dipelajari. Selain
menambah senjata kita untuk menyelesaikan masalah yang begitu banyaknya, juga mengajar dan
membiasakan kita untuk menyelesaikan masalah-masalah yang kompleks. :D

*Update: mengutip komentar dari Kemal Kurniawan dibawah:

Algoritme lanjut yang saya disebutkan diatas, tentu saja digunakan di dunia nyata tergantung pada
bidang pekerjaan kita. Buat yang bekerja yang berhubungan dengan NLP disebut sering menggunakan
beam search.
Selain itu, bagi pemrogram yang lain, pengetahuan ini masih bisa relevan. Bisa diambil contoh pohon
biner. Pohon biner adalah dasar implementasi dari struktur data set/map yang efisien. Kita memang
tinggal pakai saja, tapi suatu saat sebuah abstraksi akan bocor. Pemrogram yang paham dasarnya
akan lebih siap menghadapi masalah ini
Matematika, mungkin menjadi mata pelajaran atau mata kuliah yang cukup dibenci oleh sebagian
pelajar atau mahasiswa di Indonesia. Kalau jurusan teknik atau mipa sudah pasti terpaksa harus
belajar mata kuliah yang berbau matematika, karena hukumnya wajib. Padahal matematika ini bisa jadi
merupakan tools yang hebat untuk menyelesaikan suatu masalah walaupun bidangnya tidak
didominasi matematika.

Berbicara soal matematika, jurusan ilmu komputer atau teknik informatika. Mempunyai beberapa mata
kuliah yang ternyata kebanyakan adalah memahami dan menyelesaikan suatu masalah dengan
matematika dulu. Bukan langsung membuat aplikasi berbasis web atau aplikasi berbasis mobile. Tapi
masalah diselesaikan dahulu dengan menggunakan pendekatan matematika.

Sayangnya tidak semua mahasiswa jurusan ilmu komputer atau teknik informatika menyukai berbagai
mata kuliah berbau matematika, yang padahal bila diperdalam dapat meningkatkan inovasi di dalam
bidang ilmu komputer atau malah justru dapat digunakan di dunia kerja.

Dulu mungkin lulusan ilmu komputer atau teknik informatika, cukup saja untuk menguasai
programming seperti Java Desktop atau Android, atau PHP + MySQL + HTML + CSS + Javascript.
Namun kini seiring dengan meningkatnya kebutuhan tenaga kerja pada bidang data science, machine
learning, computer vision, image processing, dan komputasi lainnya. Tidak hanya kemampuan
programming saja yang dibutuhkan, kemampuan matematis pun sangat dibutuhkan.

Berikut adalah beberapa mata kuliah matematika yang dapat dimanfaatkan lulusan ilmu komputer
sebelum lulus ataupun memperdalamnya sendiri setelah lulus kuliah.

1. Matematika Dasar

Sebelum lanjut memperdalam pelajaran matematika lainnya. Tentu kamu harus menguasai yang dasar
dulu. Pemahaman dasar ini seperti teori bilangan (biner, bulat, negatif), vektor, aljabar, kecepatan dan
percepatan, diagram kartesius, dan lainnya.

Saat kuliah kamu tidak perlu mendapat nilai A, yang penting setelah lulus mau mempelajari kembali
matematika dasar dan memperdalamnya. Bukan kenapa - kenapa, misal saat kamu menggunakan
Fuzzy Logic di sebuah sistem cerdas, kamu akan menggunakan persamaan garis linier y = mx + c
untuk mendapatkan nilai y dari input x.

Dan itu semua hanya kamu temukan di matematika dasar. Dan selanjutnya matematika dasar ini
digunakan oleh mata kuliah matematika lainnya.

2. Aljabar Linier dan Matriks

Ingin memperdalam image processing dan computer vision? kamu harus memperdalam mata kuliah
ini, hampir semua data yang ada di komputer seperti suara, gambar, dan video dapat
direpresentasikan menjadi matriks. Bahkan sekumpulan dataset seperti data pemeriksaan dokter
terhadap pasien tuberkolosis pun dapat dijadikan matriks untuk melatih machine learning yang kamu
kembangkan dalam penentuan apakah seorang pasien menderita tuberkolosis akut, sedang, atau
gejala.

Aljabar Linier dan Matriks berisi bahasan bagaimana mengolah matriks dan berbagai operasinya untuk
mendapatkan informasi atau mengolah informasi. Dan juga ada beberapa cara bagaimana
merepresentasikan masalah menjadi sebuah matriks.
3. Matematika Diskrit

Matematika Diskrit sebenarnya berisi tentang teori bilangan yang menjadi dasar dari komputasi di
dalam CPU. Juga terdapat pembahasan struktur data seperti tree, graph, dan stack hanya saja dalam
pendekatan matematis. Juga terdapat beberapa bahasan mengenai analisis algoritma dan mencari
kompleksitasnya.

Yang pasti di dalam matematika diskrit kamu akan mengenal berbagai algoritma yang dapat dilakukan
diatas struktur data berbasis graph atau tree seperti algoritma breadth-first search untuk web crawling
atau pencarian jalur terdekat pada representasi graph. Dan tentu saja modal ini dapat kamu teruskan
untuk mempelajari topik lain seperti data mining atau optimasi sistem.

4. Metode Numerik

Metode numerik berisi topik tentang integral dan diferensial. Selain itu beberapa operasinya diterapkan
juga dalam image processing seperti membuat berbagai filter untuk mengaplikasikan noise, brightness,
dan lainnya. Metode numerik juga digunakan untuk mendukung mata kuliah lain seperti Statistika.

5. Riset Operasi

Riset Operasi mungkin menjadi salah satu mata kuliah matematika yang cukup menarik. Dominasinya
berisi bahasan yang membahas mengenai optimasi pada suatu sistem seperti pengantaran barang ke
beberapa kota dengan menggunakan sejumlah sumber daya atau bahkan kamu juga dapat
mengetahui jalur optimal melalui operasi max-flow.

Riset operasi pun berisi pembahasan seperti Hidden Markov Model untuk mencari pola - pola tertentu
yang dapat kamu manfaatkan lebih lanjut dari suatu dataset. Tapi dominannya, riset operasi
membahas bagaimana mengoptimalkan suatu sumber daya menjadi aktivitas tanpa keluar ongkos
yang banyak.

6. Statistika

Mata kuliah ini mungkin hanya berisi dataset, hitung, kemudian tampilkan di grafit. Tapi kini peranannya
semakin dibutuhkan untuk menghasilkan data scientist yang berkualitas.

Untuk menangani pembersihan data atau melihat kualitas suatu data kamu harus membutuhkan
statistika. Jangan lari - lari ke algoritma yang rumit tapi belum terbukti padahal dengan statistika saj
sudah beres.

Berbagai algoritma di machine learning pun masih didominasi oleh statistika seperti algoritma untuk
klasifikasi dan klustering. Sebut saja ada Linear Regression, Logistic Regression, Naive Bayes, dan K-
Means. Ada juga berbagai algoritma lain seperti Random Forest yang sedang naik daun.

7. Kecerdasan Buatan

Kecerdasan buatan, jangan dikira berisi mata kuliah yang akan menggunakan library tertentu seperti
TensorFlow atau Keras. Tapi kamu tetap akan menghitungnya terlebih dahulu. Misal kamu akan
mempelajari mencari jalur terpendek dahulu, kemudian dilanjutkan dengan membuat mesin agar
berpikir menggunakan Fuzzy Logic, lalu akhirnya akan diarahkan ke pengembangan aplikasi berbasis
neural network.

Neural network pada dasarnya adalah graf yang berisi sejumlah function dan menerima input berupa
vektor atau matriks yang divektorisasi. Lalu vektornya dari mana? vektornya berasal dari matriks yang
dibentuk dari dataset atau gambar yang dikonversi menjadi matriks. lalu dipelajari oleh Neural network
dengan struktur tertentu dan hasilnya akan digunakan oleh sistem yang telah kita training tadi.

8. Teknik Simulasi dan Pemodelan

Ingin membuat simulasi tank baja? atau simulasi pesawat? tidak serta merta seperti membuat game
dengan IDE seperti Unity3D atau Unreal3D. Kamu harus tahu perhitungannya terlebih dahulu smapai
mendapat rumus yang benar - benar membuat kamu seperti menggunakan tank baja sungguhan atau
pesawat sungguhan.

Karena teknik simulasi dan pemodelan ini bagaimana kamu merasakan sesuatu seolah - olah kamu
menggunakan sesuatu yang sesungguhnya. Simulasi dan Pemodelan pun dapat digunakan untuk
melakukan perkiraan terhadap suatu antrian pengunjung dan menjalankkan beberap ajam untuk
melihat berbagai prediksi yang terjadi saat simulasi berlangsung.

Atau dapat juga untuk menghitung padatnya kendaraan pada jam tertentu melalui simulasi kepadatan
jalan raya dan banyaknya pejalan kaki yang lalu lalang di jalanan.
PEMANFAATAN KALKULUS DI BIDANG TEKNIK INFORMATIKA
Limit
Pemanfaatan limit di bidang Teknik Informatika untuk membuat kecerdasan buatan (Artificial
Intelligence) merupakan suatu kecerdasan buatan dimana AI merupakan suatu percabangan dari
teknik informatika yang dalam mempresentasikan pengetahuan lebih banyak menggunakan bentuk
simbol-simbol daripada bilangan dan memproses inforasi berdasarkan metode heuristic atau dengan
berdasarkan sejumlah aturan , contohnya yahoo. jika kita menjawab pertanyaan kita akan
mendapatkan point tapi jika kita mendapatkan best answer akan mendapatkan point yang lebih banyak
juga. dan juga ada perhitungan sampai jawabannya berbulan-bulan yang lalu, berjam-jam lalu , tidak
mungkinkan manusia yang menghitungnnya di dalam source code dan database website terdapat
salah satunya yang bernama limit.

Integral
Pemanfaatan Integral di bidang Teknik Informatika yaitu Ray Tracing merupakan suatu metode untuk
me-render obyek 3D yang hasilnya realistik seperti foto. Metode ini delakukan dengan cara menelusuri
sinar mata atau sumber cahaya kemudian di periksa apakah sinar tersebut mengenai obyek atau tidak.
jadi pada intinya ray tracing digunakan teknik ilumination yang diimplementasikan dalam sebuah
program, dimana program itu berisikan sebuah fungsi-fungsi integral untuk menghitung refraksi,
difraksi, dan refleksi pada gambar.

yang kedua emang punya dasar matemitika yang baik. karna dengan dasar maematik yang baik akan
membentuk pola berpikir yang logis dimana itu sangat dibutuhkan di dalam jurusan ini. karna menurut gw belajar
TI ini susahnya di awal, kalo pola pikirnya udah kebentuk mah tinggal ngikutin aja. tergantung gimana otaklu.