Skor Nilai:
Disusun oleh :
FAKULTAS TEKNIK
MARET 2020
Kata Pengantar
Puji syukur penulis panjatkan kepada Tuhan Yang Maha Esa karena berkat dan
rahmatNya penulis dapat menyelesaikan CJR ini dengan baik. Terima kasih kepada bapak dosen
kami Bagoes Maulana S.Kom., M.Kom., yang telah mengajari dan membimbing kami dalam
mata kuliah struktur data. CJR ini bertujuan untuk menambah wawasan dan pengetahuan penulis
mengenai struktur data. Dalam penyusunan laporan CJR ini saya berpedoman pada rps yang
telah bapak berikan. Saya mengambil judul Signifikansi Mencari dan Menyortir dalam Struktur
Data karena menurut saya jurnal ini membahas secara detail mengenai signifikansi dalam
struktur data.
Laporan CJR ini akan membahas lebih lanjut lagi mengenai Signifikansi Mencari dan
Menyortir dalam Struktur Data agar kami lebih memahami bahasa pemograman yang lebih
lanjut. Di dalam CJR ini masih banyak kekurangan yang masih ada karena ini dibuat sesuai
dengan isi jurnal dan pengetahuan yang kami miliki. Jika ada terdapat salah kata atau apapun
kami minta maaf. Terima kasih.
Kelompok 4
i
Daftar Isi
Kata Pengantar.................................................................................................................. i
Daftar Isi............................................................................................................................. ii
BAB I PENDAHULUAN.................................................................................................. 1
1.1. Rasionalisasi Pentingnya CJR...................................................................................... 1
1.2. Tujuan Penulisan CJR................................................................................................... 1
1.3. Manfaat Penulisan CJR................................................................................................ 1
1.4. Identitas Jurnal yang Direview..................................................................................... 2
BAB II RINGKASAN ISI JURNAL................................................................................ 3
2.1. Ringkasan Jurnal Utama............................................................................................... 3
2.2. Ringkasan Jurnal Pembanding...................................................................................... 9
BAB III PEMBAHASAN DAN ANALISIS..................................................................... 13
3.1. Kelebihan Junal............................................................................................................ 13
3.2. Kekurangan Jurnal........................................................................................................ 13
BAB IV PENUTUP............................................................................................................ 14
4.1. Kesimpulan................................................................................................................... 14
Daftar Pustaka................................................................................................................... 16
ii
BAB I
PENDAHULUAN
1
1.4. Identitas Jurnal yang Direview
2
BAB II
RINGKASAN ISI JURNAL
1. Introduction:
Pencarian adalah proses menemukan nilai dalam daftar nilai.Dengan kata lain, Pencarian
adalah proses menemukan yang diberikannilai posisi dalam daftar nilai.Sortasi mengacu pada
operasi mengatur data dibeberapa urutan tertentu yaitu, menambah atau mengurangi
pesanan.Penyortiran dikategorikan sebagai penyortiran internal danpenyortiran eksternal.
Penyortiran internal berarti kami mengaturelemen dalam array yang hanya ada di komputer
utamaingatan. Sedangkan pemilahan eksternal adalah pemilahanelemen dari file eksternal
dengan membacanya dari sekunderingatan.
3
2. Mencari Algoritma
Algoritma adalah urutan instruksi atau seperangkat aturanyang diikuti untuk menyelesaikan
tugas. Dalam diskusi ituberikut, kami menggunakan istilah pencarian istilah untuk menunjukkan
item untukyang kami cari. Kami menganggap daftar yang akan dicari adalaharray bilangan bulat,
meskipun algoritma ini akan berfungsi sama sepertitipe data primitif lainnya (ganda, karakter,
dll.). Kitalihat elemen array sebagai item dan array sebagai daftar.
1) Pencarian Linier
Pencarian Linear adalah salah satu pencarian dasar dan paling sederhanaalgoritma dan
juga disebut sebagai pencarian Sequentialalgoritma. Ini digunakan untuk daftar kecil yang tidak
disortir dan tidak teraturelemen. Dalam teknik ini kami mencari item kunci yang diberikan
didaftar dalam urutan linier yaitu, satu demi satu. Item yang akan pencarian sering disebut item
kunci. Algoritma pencarian linear ditemukanelemen yang diberikan dalam daftar elemen dengan
kompleksitas waktu O (n)di mana n adalah jumlah total elemen dalam daftar.
B. Kode Fungsi
4
C. Performa Pencarian Linier
Ketika membandingkan algoritma pencarian, kita harus melihat angkadiperlukan
perbandingan, karena kami tidak menukar nilai apa punsaat mencari. Seringkali, ketika
membandingkan kinerja, kamilihat tiga kasus:
Kasus terbaik : jumlah perbandingan dalam kasus ini adalah 1 yaitu,O (1)
Kasus terburuk: dibutuhkan perbandingan N dan sama dengan ukurandari array yaitu, O (n)
Kasus rata-rata: Rata-rata, istilah pencarian akansuatu tempat di tengah array yaitu, O (n).
2) Pencarian Biner
Pencarian biner adalah teknik pencarian sederhana yang bisa dilakukanditerapkan jika
barang-barang yang akan dibandingkan baik dalam naikatau urutan menurun. Ide umum yang
digunakan dalam pencarian binermirip dengan cara kami mencari alamat seseorang dibuku
alamat. Jelas kami tidak menggunakan pencarian linear.Sebagai gantinya, kami membuka buku
dari tengah dan namanyadibandingkan dengan elemen di tengah buku. Jikanama ditemukan,
alamat yang sesuai diambil danpencarian harus dihentikan. Jika tidak, kami juga mencaribagian
kiri buku atau bagian kanan buku. Jika namanyayang akan dicari kurang dari elemen tengah,
carike kiri sebaliknya, cari ke kanan. Prosedurdiulang sampai item Target ditemukan atau item
Target tidakditemukan.Implementasi Binary Search: Sambil mendesainProgram yang rendah
dianggap sebagai posisi pertamaelemen itu diinisialisasi ke 0 dan tinggi sebagai posisielemen
terakhir diinisialisasi ke n-1, elemen tengah. Posisi dapat diperoleh dengan menggunakan:
(low +high)
mid= ;
2
Elemen Target yang akan dicari dibandingkan denganelemen tengah. Jika mereka sama dengan
posisi item dalamarray dikembalikan. Jika kondisinya salah, elemen targetdapat hadir di bagian
kiri array atau di sebelah kananbagian dari array. Jika elemen Target kurang dari tengahelemen
maka bagian kiri array harus dibandingkandari low ke mid-1.Otherwise, bagian kanan array
memilikiuntuk dibandingkan dari pertengahan +1 ke tinggi.Akhirnya ketika rendah melebihi
tinggi, itu menunjukkan barang itu tidakditemukan dalam array.
5
A. Kode Fungsi
1. Algoritma Penyortiran
1) Jenis Penyisipan
Sortasi penyisipan adalah metode yang sangat sederhana untuk mengurutkan angka
dalamurutan naik atau turun. Metode ini mengikutimetode tambahan. Itu bisa dibandingkan
dengan tekniknyabagaimana kartu diurutkan pada saat bermain game.Di sini sub-daftar
dipertahankan yang selalu diurutkan. Untukcontoh, bagian bawah array dipertahankandisortir.
Elemen yang akan dimasukkan dalam sublist yang diurutkan ini, harus menemukan daftar yang
sesuai dankemudian harusdisisipkan di sana.Oleh karena itu penyisipan nama macam. Algoritma
ini tidakcocok untuk set data besar.
6
Jika elemen kunci kurang dari yang pertamaelemen, kami memasukkan elemen kunci
sebelumnyaelemen pertama.
Jika elemen kunci lebih besar dari yang pertamaelemen, lalu kita masukkan setelah
yangpertamaelemen.
3. Kemudian, kita membuat elemen ketiga dari arraysebagai kunci dan akan
membandingkannya dengan elemen di sebelah kiridan masukkan di posisi yang tepat.
4. Dan kita terus mengulanginya, sampai arraynyadisortir.
B. Kode Fungsi
2) Semacam Cepat
Quick sort adalah algoritma penyortiran yang sangat efisien dandidasarkanpada partisi array
data menjadi array yang lebih kecil.Sortir cepat adalah algoritma divide and conquer untuk
mendapatkankeuntungan yang sama dengan jenis gabungan, saat tidak
menggunakanpenyimpanan tambahan.
A. Penerapan Quick Sort
Teknik penyortiran ini sangat cocok untuk set besardata. Pertama kita mempartisi array yang
diberikan menjadi dua sub-arraysedemikian rupa sehingga unsur-unsur ke kiri kurang dari kunci
elemen dan elemen ke arah kanan lebih besar dari kuncielemen.
Untuk mempartisi array menjadi dua sub-array, duavariabel indeks i dan j dipertahankan.
Variabel indeks Imenunjuk ke rendah + 1 di mana titik rendah ke elemen pertama danvariabel
indeks j menunjuk ke tinggi yang menunjuk ke yang terakhirelemen.
7
Item yang [rendah] digunakan sebagai elemen kunci. Kunci iniitem harus ditempatkan pada
posisi j sedemikian rupa sehingga [k] <= a [j] untukrendah <= k <j dan a [j]> = a [1] untuk j + 1
<= 1 <= tinggi. Ini bisa
dicapai dengan membandingkan kunci item dengan [i] dan a [j]. Menjagamenambah indeks i
setiap kali tombol> = a [i]. Segeraketika kondisi ini gagal, terus menurunkan indeks jsetiap kali
tombol <a [j]. Pada tahap ini jika saya kurang dari j, tukara [i] dengan [j] dan ulangi prosesnya.
Jika saya lebih besar dari ataumemberikan posisi elemen yang dipartisi. Sekarangelemen di
sebelah kiri a [j] semuanya kurang dari a [j] dan elemenke arah kanan itu lebih besar.
8
2.2. Ringkasan Jurnal Pembanding
Pendahuluan
Penelitian yang dilakukan oleh [4] membahas ten-tang implementasi algoritma Fp growth
untuk me-nganalisis data transaksi yang terjadi disebuah toko kue yaitu L’Cheese pekanbaru.
Pada pengimple mentasiannya, peneliti menerapkan algoritma Fp-growth untuk menganalisis
pola pembelian pelang-gan dengan menganalisis penjualannya. Hasilnya berupa item yang
paling banyak terjual dan keter-kaitan antara dua item atau lebih yang nantinya ak-an berdampak
pada penjualan kue tersebut. Penelitian yang dilakukan oleh [5] mengana-lisis terhadap
penjualan sepeda motor untuk mengetahui sepeda motor mana yang lebih banyak diju-al, dan
berapa banyak persediaan yang diperlukan perusahaan untuk menyediakansepeda motor. Un-tuk
mengimplementasikan algoritma Fp-growth pada penelitian ini, dilihat dari banyaknya item yang
terjual, lalumembuat rangkaian tree dengan fp-tree untuk mengetahui banyaknya frequent
itemset yang terjadi. Peneliti [6] melakukan penelitian untuk mengetahui pola hubungan yang
sering terbentuk dari faktor-faktor penyebab terjadinya kecelakaan di ja-lan raya khususnya pada
Kabupaten Sleman. Pene-litian ini menggunakan metode associationrule algoritma apriori.
Faktor yang diambil dalam pe-nelitian ini adalah waktu, profesi, usia, jenis kela-min, dan Surat
Izin Mengemudi (SIM)
Pengemplementasi :
Mulai
Login
Cek validasi
Selesai
9
METODE
Penelitian yang dibahas pada artikel ini merupakan penelitian untuk membangun sebuah
aplikasi desktop yang akan menganalisis pola hubungan kecelakaan lalu lintas menggunakan
metode association rule yaitu algoritma Fp-growth. Faktor yang diambil dalam penelitian ini
adalah waktu kejadian, jenis pekerjaan, usia, jenis kelamin, jenis kecelakaan, jenis luka, jenis
kendaraan dan jenis jalan
Teknik Association Rule
Analisis asosiasi adalah teknik data mining untuk menemukan aturan asosiatif antara
kombinasi sua- tu item. Contoh aturan asosiatif dari analisis pem- belian di suatu pasar swalayan
adalah seperti be- rapa besar kemungkinan seorang pelanggan mem- beli roti bersamaan dengan
susu [4]. Association Rule ditentukan oleh dua parameter, yaitu: 1) Sup- port adalah suatu ukuran
yang menunjukkan sebe- rapa besar tingkat dominasi/persentase suatu kom- binasi item dari
keseluruhan transaksi, 2) Confi- dence adalah suatu ukuran yang menunjukkan ku- atnya
hubungan antar item dalam aturan asosiatif. Metodologi yang mendasari metode ini adalah ana-
lisis pola frekuensi tinggi dan pembentukan aturan asosiatif.
10
Blok Diagram Sistem
Diagram blok sistem secara garis besar. Data kecelakaan lalu lintas yang dipe- roleh
dilakukan proses pre-processing terlebih da- hulu sehingga menghasilkan data yang siap digu-
nakan untuk proses mining. Data-data yang telah melewati proses tersebut akan di-mining-kan
deng- an algoritma Fp-growth untuk menghasilkan sebu- ah pola hubungan kecelakaan lalu
lintas.
Gam
bar 5. Halaman untuk melihat pola
Tampilan Antarmuka
Gambar 5 merupakan tampilan dari sistem yang di- bangun. Halaman untuk melihat pola
tersebut akan menampilkan tree dan pola sesuai dengan tahun yang dipilih oleh pengguna
berdasarkan algoritma Fp-growth.
Pengujian dilakukan untuk mengukur tingkat kea- kurasian dari metode Fp-growth.
Pengujian ini me- nggunakan lift ratio, akan tetapi sebelumnya dila- kukan pengujian dalam
menentukan nilai mini- mum support dan confidence terbaik.
11
Pengujian Minimum Support dan Minimum Confi- dence
Pengujian nilai minimum support ini digunakan un- tuk mengetahui nilai minimum
support yang tepat yang akan digunakan dalam sistem. Nilai minimum support itu sendiri
merupakan syarat minimum ju- mlah kemunculan item secara bersamaan dalam ke-
seluruhan transaksi. Pengujian ini dilakukan dengan menguji coba data dengan nilai
minimum sup- port terendah yaitu 0.01. Berikut hasil pengujian nilai minimum support.
Berdasarkan Tabel 1 hasil yang didapat mela- lui pengujian minimum support pada
dataset 2013- 2013 didapatkan 18 pola dengan nilai rata rata sup- port yaitu 0.15
sedangkan pada dataset 2013-2015 yaitu 0.04. Sehingga peneliti mengambil nilai sup-
port terkecil yaitu 0.04 sebagai nilai support yang akan digunakan pada sistem penetuan
pola kece- lakaan ini. Pemilihan nilai minimum support yang paling kecil dikarenakan
nilai minimum support adalah nilai acuan dalam perhitungan sebuah item- set. Hanya
itemset yang nilai support nya sama atau lebih besar dari nilai minimum support saja
yang akan dijadikan sebuah pola. Hal ini juga dikare- nakan jika menggunakan nilai
minimum support
0.15 maka pada dataset 2013-2015 tidak akan ada pola yang berhasil terseleksi
dikarenakan tidak ad- anya pola yang memiliki nilai support 0.15 atau lebih, sehingga
peneliti menggunakan nilai 0.4 se- bagai nilai minimum support yang tepat.
Berdasarkan Tabel 2 hasil yang didapat mela- lui pengujian minimum confidence
pada dataset 2013-2013 dihasilkan 18 pola dengan nilai rata rata confidence sebesar 0.58.
Sedangkan pada dataset 2013-2015, dihasilkan 6 pola dengan nilai rata-rata yaitu 0.69.
Berdasarkan hasil tersebut, peneliti me- ngambil nilai confidence terkecil yaitu 0.58 yang
kemudian dibulatkan menjadi 0.6 sebagai nilai co- nfidence yang akan digunakan pada
sistem penen- tuan pola kecelakaan ini.
12
BAB III
PEMBAHASAN
13
BAB IV
PENUTUP
4.1 KESIMPULAN
14
Kesimpulan Jurnal Pembanding
Berdasarkan uraian yang telah dijelaskan, maka da-pat diambilkesimpulan bahwa aplikasi
penentuan pola kecelakaan lalu lintas dengan algoritma Fp-growth yang dibangun dapat berjalan
dengan baik dan sesuai dengan tujuan yang diharapkan. Mes-kipun demikian, aplikasi ini hanya
membantu pi-hak terkait dalam membuat keputusan untuk memi-nimalisir terjadinya kecelakaan,
bukan untuk mem-buat keputusan dalam membuat kebijakan.
Demikianlah laporan CJR ini saya perbuat, saya mohon maaf jika ada kekurangan materi
atau kata – kata dalam laporan ini. Saya mohon kritik dan saran dari ibu dosen dan litelatur
lainnya.
15
DAFTAR PUSTAKA
16