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.
Algoritma merupakan langkah-langkah (prosedur) yang harus dilakukan untuk menyelesaikan sebuah
masalah.
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.
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
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.
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.
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.
2
Page
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.
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.
3
Page
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.
Dengan pembuktian kasus dasar dan induksi yang bernilai benar, kita dapat menyimpulkan bahwa
\(P(n)\) bernilai benar untuk \(n \geq 1\).
while(m != i):
result = result + n
i = i + 1
return result
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:
6
Page
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:
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.
7
Page
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:
\[\text{let }L = \text{Luas Persegi}\]
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
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.
8
Page
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:
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,
11
dan teori pembuktian. Masing-masing teori memiliki cara pemodelan yang berbeda-beda,
Page
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:
12
13
Page
Contoh Model Statistik
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?
14
Page