(SA) (23) 3 - Greedy

CII2K3
STRATEGI ALGORITMA
Topik 2:
GREEDY
Outline
1. Permasalahan optimasi
2. Algoritma greedy
3. Permasalahan penukaran koin/uang
4. Penjadwalan kerja
5. 0/1 knapsack problem
6. Fractorial knapsack problem
7. Job scheduling with deadlines
8. Pemampatan data
CII2K3-Strategi Algoritma / PRODI S1 INFORMATIKA 2

Permasalahan optimasi

Permasalahan optimasi
◦ Persoalan optimasi (optimization problems) adalah persoalan

yang menuntut pencarian solusi optimum
◦ Ada dua macam persoalan optimasi:
▶ Maksimasi
▶ Minimasi
◦ Solusi optimum (terbaik) adalah solusi yang bernilai minimum
atau maksimum dari sekumpulan alternatif solusi yang mungkin

Algoritma greedy

Algoritma greedy
◦ Greedy berarti rakus/tamak
◦ Prinsip greedy adalah “take what you can get now!”
◦ Algoritma greedy membentuk solusi langkah per langkah
▶ Pada setiap langkah harus dibuat keputusan yang terbaik dalam
menentukan pilihan
▶ Keputusan yang telah diambil pada suatu langkah tidak dapat
diubah lagi pada langkah berikutnya
◦ Pendekatan yang digunakan di dalam algoritma greedy adalah
membuat pilihan yang “tampaknya” memberikan perolehan
terbaik
▶ yaitu dengan membuat pilihan optimum lokal pada setiap
langkah
▶ harapannya, dengan mengambil optimum lokal, kita dapat menuju
optimum global

Skema umum greedy
Algoritma greedy disusun oleh komponen-komponen berikut:

◦ Himpunan kandidat
◦ Himpunan solusi
◦ Fungsi solusi
◦ Fungsi seleksi
◦ Fungsi kelayakan
◦ Fungsi obyektif

Himpunan kandidat dan himpunan solusi
◦ Himpunan kandidat berisi elemen-elemen pembentuk solusi

◦ Himpunan yang berisi, atau merepresentasikan, obyek-obyek
yang telah terpilih

Fungsi solusi dan fungsi seleksi
◦ Fungsi solusi adalah fungsi yang menentukan akhir dari iteras

◦ Memilih kandidat yang paling memungkinkan mencapai solusi
optimal
◦ Kandidat yang sudah dipilih pada suatu langkah tidak pernah
dipertimbangkan lagi pada langkah selanjutnya

Fungsi kelayakan
◦ Memeriksa apakah suatu kandidat yang telah dipilih dapat

memberikan solusi yang layak, yakni kandidat tersebut
bersama-sama dengan himpunan solusi yang sudah terbentuk
tidak melanggar kendala (constraints) yang ada
◦ Kandidat yang layak dimasukkan ke dalam himpunan solusi,
sedangkan kandidat yang tidak layak dibuang dan tidak pernah
dipertimbangkan lagi

Fungsi obyektif
Fungsi yang memaksimumkan atau meminimumkan nilai solusi

(misalnya panjang lintasan, keuntungan, dan lain-lain).

Permasalahan penukaran koin/uang

Masalah penukaran koin
Permasalahan:
Diberikan uang senilai A. Kita ingin menukar A dengan koin-koin
uang yang ada. Berapa jumlah minimum koin yang diperlukan untuk
penukaran tersebut?
Contoh:
Tersedia koin-koin 1, 5, 10, dan 25 (tidak terbatas banyaknya).
Uang senilai 32 dapat ditukar dengan cara berikut:
32 = 1 + 1 + . . . + 1 (32 koin)
32 = 5 + 5 + 5 + 5 + 10 + 1 + 1 (7 koin)
32 = 10 + 10 + 10 + 1 + 1 (5 koin)
. . . dan seterusnya
Minimum:
32 = 25 + 5 + 1 + 1 (4 koin)

Kompleksitas penukaran koin dengan exhaustive
search
Jika dikerjakan dengan exhaustive search,

◦ Setiap elemen xi pada X = {x1 , x2 , . . . , xn } dapat bernilai 0 atau
1, sehingga total kemungkinan solusi adalah 2n
◦ Perhitungan fungsi obyektif dan kendala dapat dilakukan dalam
O(n) karena kita cukup menjumlahkan tidak lebih dari n nilai
untuk setiap fungsinya
◦ Algoritma exhaustive search untuk menyelesaikan permasalahan
ini berada pada kelas O(n.2n )

Penukaran koin: strategi greedy
“Selalu pilih koin bernilai besar yang mungkin dipilih”

Penukaran koin: komponen-komponen greedy
◦ Himpunan kandidat: himpunan koin yang merepresentasikan

nilai dan banyaknya koin
◦ Himpunan solusi: himpunan koin yang telah terpilih
◦ Fungsi solusi: total nilai koin yang dipilih tepat sama jumlahnya
dengan nilai uang yang ditukarkan
◦ Fungsi seleksi: memilih koin yang mempunyai nilai paling tinggi
dari himpunan kandidat yang tersisa
◦ Fungsi kelayakan: memeriksa apakah nilai total dari himpunan
koin yang dipilih tidak melebihi nilai uang yang ditukar
◦ Fungsi obyektif: banyaknya koin yang digunakan minimum

Penukaran koin: contoh implementasi greedy
Mari kita tinjau masalah penukaran uang yang bernilai 32 dengan
koin 1, 5, 10, dan 25.
Langkah Koin yang Total Nilai untuk Keterangan

dipilih koin ditukar (batas)
0 - 0 32 Nilai awal

koin 1, 5, 10, dan 25.

0 - 0 32 Nilai awal
1 25 25 32 − 25 = 7

koin 1, 5, 10, dan 25.

0 - 0 32 Nilai awal
1 25 25 32 − 25 = 7
2 5 30 32 − 30 = 2

koin 1, 5, 10, dan 25.

0 - 0 32 Nilai awal
1 25 25 32 − 25 = 7
2 5 30 32 − 30 = 2
3 1 31 32 − 31 = 1

koin 1, 5, 10, dan 25.

0 - 0 32 Nilai awal
1 25 25 32 − 25 = 7
2 5 30 32 − 30 = 2
3 1 31 32 − 31 = 1
4 1 32 32 − 32 = 0

koin 1, 5, 10, dan 25.

0 - 0 32 Nilai awal
1 25 25 32 − 25 = 7
2 5 30 32 − 30 = 2
3 1 31 32 − 31 = 1
4 1 32 32 − 32 = 0 Batas = 0 → selesai

koin 1, 5, 10, dan 25.

0 - 0 32 Nilai awal
1 25 25 32 − 25 = 7
2 5 30 32 − 30 = 2
3 1 31 32 − 31 = 1
4 1 32 32 − 32 = 0 Batas = 0 → selesai
Solusi: banyaknya koin minimum adalah 4 (yang memang merupakan
solusi optimum)
Pada setiap langkah di atas, diperoleh optimum lokal, dan berakhir
pada optimum global.
Penukaran koin: pemodelan matematis
Misalkan koin-koin yang tersedia dinyatakan sebagai himpunan
ganda (multiset) {d1 , d2 , . . . , dn }.
Solusi persoalan dinyatakan sebagai tupel X = {x1 , x2 , . . . , xn }
dimana untuk i = 1, . . . , n,
{
1 , jika di dipilih,
xi =
0 , jika di tidak dipilih.
Misalkan uang bernilai A akan ditukar dengan sejumlah koin, maka

∑n
Fungsi obyektif (minimisasi): F = xi , dan
i=1
∑
n
Fungsi kelayakan (kendala): di = A.
i=1

Penukaran koin: algoritma greedy
function tukarKoin (input C : himpunan_ koin,
A : integer)→himpunan_ koin
{Masukan: himpunan koin C dan nilai yang akan ditukar A
Keluaran: himpunan koin S bernilai total A dan banyaknya koin min.}
Deklarasi
x, tot : integer
S : himpunan_ koin
Algoritma
S ← {}
tot ← 0
while (tot ̸= A) and (C ̸= {}) do
x← koin yang punya nilai terbesar
C← C∑- {x}
if ( (nilai semua koin pada S)+x)≤ A then
S← S ∪ {x}
tot← tot + x
endif
endwhile
if (tot = A) then
return S
else
write(`Tidak ada solusi')
endif
Penukaran koin: kompleksitas algoritma greedy
◦ Pada setiap langkah, kita memilih koin dengan nilai sebesar
mungkin dari himpunan koin yang tersisa dengan syarat
pemilihan koin tidak menyebabkan total nilai koin melebihi nilai
uang yang ditukarkan.
◦ Agar pemilihan koin berikutnya optimal, maka perlu mengurutkan
himpunan koin dalam urutan yang menurun (nonincreasing
order ).
◦ Jika himpunan koin sudah terurut menurun, maka kompleksitas
algoritma greedy adalah O(n).
Catatan: algoritma greedy untuk masalah penukaran uang ini TIDAK

selalu menghasilkan solusi optimum; bergantung pada koin mata
uang yang digunakan.

Akurasi penukaran koin dengan greedy
◦ Algoritma greedy untuk permasalahan penukaran koin tidak

selalu menghasilkan solusi terbaik
◦ Contoh 1:
Tersedia tak hingga banyak koin-koin 5, 4, 3, dan 1. Jika kita
ingin menukarkan uang bernilai 7,
◦ Contoh 2:
Tersedia tak hingga banyak koin-koin 10, 7, dan 1. Jika kita ingin
menukarkan uang bernilai 15,


◦ Contoh 1:
solusi greedy →
solusi terbaik →
◦ Contoh 2:
solusi greedy →
solusi terbaik →


◦ Contoh 1:
solusi greedy → 5 + 1 + 1 (3 koin)
solusi terbaik → 4 + 3 (2 koin)
◦ Contoh 2:
solusi greedy → 10 + 1 + 1 + 1 + 1 + 1 (6 koin)
solusi terbaik → 7 + 7 + 1 (3 koin)

Keterbatasan greedy
Pada sebagian masalah, algoritma greedy tidak selalu berhasil

memberikan solusi yang benar-benar optimum.
Ini karena algoritma greedy tidak beroperasi secara menyeluruh

terhadap semua alternatif solusi yang ada (sebagaimana pada
metode exhaustive search).
Pada praktiknya, pembuktian kebenaran algoritma greedy diperlukan

sebelum dapat digunakan dalam penyelesaian suatu masalah.

Latihan (1)
Misalkan seseorang ingin menukarkan uang senilai 35 dengan koin,

dengan banyak koin yang seminimum mungkin. Diketahui bahwa
tersedia koin dengan nilai 1, 2, 3, dan 6.
Tentukan koin apa saja yang seharusnya didapatkan agar diperoleh
banyak koin yang minimum. Gunakan teknik greedy dan tentukan
keputusan per langkahnya.

Penjadwalan kerja

Permasalahan penjadwalan kerja
◦ Sebuah server mempunyai n pelanggan yang harus dilayani.

◦ Waktu pelayanan untuk setiap pelanggan sudah ditetapkan
sebelumnya, yaitu pelanggan i membutuhkan waktu ti .
◦ Urutkan pelayanan pelanggan sedemikian sehingga total waktu
semua pelanggan berada di dalam sistem adalah minimum.

Penjadwalan kerja: pemodelan matematis
◦ Total waktu di dalam sistem, dapat dihitung dengan
∑
n
T = xi
i=1
dimana xi = total waktu pelanggan i berada di dalam sistem.

◦ Meminimumkan total waktu di dalam sistem ≡ meminimumkan
waktu rata-rata pelanggan berada di dalam sistem.

Contoh penjadwalan kerja
Misalkan kita mempunyai tiga pelanggan dengan
t1 = 5, t2 = 10, t3 = 3
Maka urutan pelayanan yang mungkin adalah

Urutan Pelayanan T (total waktu penggunaan server)
1, 2, 3 5 + (5 + 10) + (5 + 10 + 3) = 38
1, 3, 2 5 + (5 + 3) + (5 + 3 + 10) = 31
2, 1, 3 10 + (10 + 5) + (10 + 5 + 3) = 43
2, 3, 1 10 + (10 + 3) + (10 + 3 + 5) = 41
3, 1, 2 3 + (3 + 5) + (3 + 5 + 10) = 29
3, 2, 1 3 + (3 + 10) + (3 + 10 + 5) = 34

Contoh penjadwalan kerja
Misalkan kita mempunyai tiga pelanggan dengan
t1 = 5, t2 = 10, t3 = 3
Maka urutan pelayanan yang mungkin adalah

Urutan Pelayanan T (total waktu penggunaan server)
1, 2, 3 5 + (5 + 10) + (5 + 10 + 3) = 38
1, 3, 2 5 + (5 + 3) + (5 + 3 + 10) = 31
2, 1, 3 10 + (10 + 5) + (10 + 5 + 3) = 43
2, 3, 1 10 + (10 + 3) + (10 + 3 + 5) = 41
3, 1, 2 3 + (3 + 5) + (3 + 5 + 10) = 29
3, 2, 1 3 + (3 + 10) + (3 + 10 + 5) = 34

Penjadwalan kerja dengan exhaustive search
◦ Banyaknya kemungkinan urutan pelanggan untuk dilayani

merupakan suatu permutasi
◦ Banyaknya cara untuk menyusun urutan n pelanggan adalah n!
◦ Waktu yang dibutuhkan untuk menghitung fungsi obyektif adalah
O(n)
◦ Kompleksitas waktu algoritma exhaustive search yang dapat
menyelesaikan masalah penjadwalan sistem adalah O(n.n!)

Penjadwalan kerja dengan greedy
“Pelanggan dengan waktu pelayanan terkecil dilayani terlebih

dahulu.”

Penjadwalan kerja: komponen-komponen greedy
◦ Himpunan kandidat: himpunan pengguna yang

merepresentasikan pelanggan yang akan dilayani
◦ Himpunan solusi: himpunan pengguna yang telah terpilih untuk
dilayani
◦ Fungsi solusi: semua pelanggan telah terlayani
◦ Fungsi seleksi: memilih pengguna dengan waktu pelayanan
terkecil dari himpunan kandidat yang tersisa
◦ Fungsi kelayakan: -
◦ Fungsi obyektif: meminimumkan total waktu pengguna di
dalam sistem

Penjadwalan kerja: contoh implementasi greedy
Mari kita tinjau kembali permasalahan sebelumnya, dimana suatu

server mempunyai tiga pelanggan yang harus dilayani, dengan waktu
pelayanan
t1 = 5, t2 = 10, t3 = 3.
Langkah Pelanggan Pelanggan Total waktu
yang menunggu terlayani penggunaan server
0 1, 2, 3 − 0


pelayanan
t1 = 5, t2 = 10, t3 = 3.
0 1, 2, 3 − 0
1 1, 2 3 3


pelayanan
t1 = 5, t2 = 10, t3 = 3.
0 1, 2, 3 − 0
1 1, 2 3 3
2 2 3, 1 3 + (3 + 5) = 11
−


pelayanan
t1 = 5, t2 = 10, t3 = 3.
0 1, 2, 3 − 0
1 1, 2 3 3
2 2 3, 1 3 + (3 + 5) = 11
3 − 3, 1, 2 3 + (3 + 5) + (3 + 5 + 10) = 29

Algoritma greedy untuk penjadwalan kerja
function jadwal (input C : himpunan_ pengguna)→himpunan_ pengguna

{Mencari urutan jadwal pengguna dari persoalan minimasi waktu
penggunaan server
Masukan: himpunan pengguna C
Keluaran: himpunan pengguna S}
Deklarasi
x : pengguna
S : himpunan_ pengguna
Algoritma
S ← {}
while (C ̸= {}) do
x← pengguna dengan ti terkecil
C← C - {x}
S← S ∪ {x}
endwhile
return S

Kompleksitas greedy untuk penjadwalan kerja
◦ Pada setiap langkah, kita memilih pelanggan yang membutuhkan

waktu pelayanan paling sedikit di antara semua pelanggan yang
belum terlayani
◦ Agar proses pemilihan pelanggan berikutnya optimal, maka
pelanggan perlu diurutkan berdasarkan waktu pelayanannya
secara menaik
◦ Jika waktu pengurutan tidak dihitung, maka kompleksitas
algoritma greedy untuk masalah minimasi waktu di dalam sistem
adalah O(n).

Akurasi penjadwalan kerja dengan greedy
◦ Pemilihan strategi greedy untuk masalah penjadwalan akan

selalu menghasilkan solusi optimum
◦ Keoptimuman ini dinyatakan dalam Teorema berikut:
Teorema:
Misalkan pj merepresentasikan pelanggan yang dilayani pada
urutan ke-j pada suatu permutasi p. Jika t1 ≤ t2 ≤ . . . ≤ tn , nilai
∑
n ∑
i
tp j
i=1 j=1
akan minimum dibandingkan semua permutasi p yang mungkin,

jika pj = j.

Latihan (2)
Misalkan kita mempunyai lima pelanggan dengan waktu pelayanan

yang telah diketahui sebelumnya, yaitu:
t + 1 = 3, t2 = 5, t3 = 10, t4 = 2, t5 = 7.
Urutkan urutan pelayanan yang harus dilakukan agar didapatkan total

waktu pelanggan dalam sistem yang minimum!

0/1 knapsack problem

Permasalahan 0/1 knapsack
◦ Diberikan n buah objek dan sebuah knapsack dengan kapasitas
bobot K. Setiap objek i memiliki properti bobot (weight) wi dan
keuntungan (profit) pi .
◦ Jika setiap objek tidak dapat dipecah/dibagi, objek mana sajakah
yang harus dibawa agar keuntungan yang didapat maksimum?
◦ Solusi permasalahan dinyatakan sebagai vektor n−tupel:
X = {x1 , x2 , . . . , xn }
dimana untuk setiap i = 1, . . . , n,

{
1 , jika objek ke-i dimasukkan ke dalam knapsack
xi =
0 , jika objek ke-i TIDAK dimasukkan ke dalam knapsack

Pemodelan matematis 0/1 knapsack problem
Maximasi
∑
n
F = pi x i
i=1
dengan batasan
∑
n
w i xi ≤ K
i=1

0/1 knapsack problem dengan exhaustive search
◦ Setiap elemen xi pada X = {x1 , . . . , xn } dapat bernilai 0 atau 1,

sehingga banyaknya kemungkinan solusi adalah 2n .
◦ Perhitungan total bobot dan total berat untuk masing-masing
solusi dapat dilakukan dalam O(n).
◦ Kompleksitas waktu algoritma exhaustive search untuk
menyelesaikan 0/1 knapsack problem adalah O(n.2n ).

Greedy untuk 0/1 knapsack problem
Terdapat beberapa pendekatan greedy yang dapat digunakan untuk

menyelesaikan permasalahan 0/1 knapsack, yaitu:
◦ Greedy by profit
◦ Greedy by weight
◦ Greedy by density


→ “utamakan objek yang paling menguntungkan”


→ “utamakan objek yang paling ringan”


→ “utamakan objek dengan keuntungan per unit berat terbesar”


pi
Keuntungan per unit berat (densitas) dari objek i = .
wi

0/1 knapsack: komponen-komponen greedy
◦ Himpunan kandidat: himpunan objek yang merepresentasikan
objek yang belum dipilih
◦ Fungsi solusi: tidak ada kandidat yang dapat dipilih karena
beban yang melebihi sisa kapasitas knapsack
◦ Fungsi seleksi: memilih objek dari himpunan kandidat yang
tersisa yang
▶ by profit: memiliki keuntungan terbesar
▶ by weight: memiliki berat terkecil
▶ by density: memiliki densitas terbesar
◦ Fungsi kelayakan: total berat yang dipilih tidak lebih besar dari
kapasitas knapsack
◦ Fungsi obyektif: memaksimumkan total keuntungan (profit)
dari objek-objek yang dipilih

0/1 knapsack: contoh implementasi greedy
Mari kita tinjau persoalan 0/1 knapsack dengan kapasitas knapsack
K = 16 dan 4 objek, dengan berat dan profit:
w1 = 6 ; p1 = 12 w3 = 10 ; p3 = 50
w2 = 5 ; p2 = 15 w4 = 5 ; p4 = 10
Properti objek Greedy by Solusi

i wi pi pi /wi weight profit density terbaik
1 6 12 2
2 5 15 3
3 10 50 5
4 5 10 2
Total bobot
Total keuntungan
angka di dalam kurung menandakan urutan keputusan dibuat

w1 = 6 ; p1 = 12 w3 = 10 ; p3 = 50
w2 = 5 ; p2 = 15 w4 = 5 ; p4 = 10

1 6 12 2
2 5 15 3 1 (1)
3 10 50 5
4 5 10 2
Total bobot 5
Total keuntungan 15

w1 = 6 ; p1 = 12 w3 = 10 ; p3 = 50
w2 = 5 ; p2 = 15 w4 = 5 ; p4 = 10

1 6 12 2
2 5 15 3 1 (1)
3 10 50 5
4 5 10 2 1 (2)
Total bobot 10
Total keuntungan 25

w1 = 6 ; p1 = 12 w3 = 10 ; p3 = 50
w2 = 5 ; p2 = 15 w4 = 5 ; p4 = 10

1 6 12 2 1 (3)
2 5 15 3 1 (1)
3 10 50 5
4 5 10 2 1 (2)
Total bobot 16
Total keuntungan 37

w1 = 6 ; p1 = 12 w3 = 10 ; p3 = 50
w2 = 5 ; p2 = 15 w4 = 5 ; p4 = 10

1 6 12 2 1 (3)
2 5 15 3 1 (1)
3 10 50 5 0 (4)
4 5 10 2 1 (2)
Total bobot 16
Total keuntungan 37

w1 = 6 ; p1 = 12 w3 = 10 ; p3 = 50
w2 = 5 ; p2 = 15 w4 = 5 ; p4 = 10

1 6 12 2 1 (3)
2 5 15 3 1 (1)
3 10 50 5 0 (4) 1 (1)
4 5 10 2 1 (2)
Total bobot 16 10
Total keuntungan 37 50

w1 = 6 ; p1 = 12 w3 = 10 ; p3 = 50
w2 = 5 ; p2 = 15 w4 = 5 ; p4 = 10

1 6 12 2 1 (3)
2 5 15 3 1 (1) 1 (2)
3 10 50 5 0 (4) 1 (1)
4 5 10 2 1 (2)
Total bobot 16 15

w1 = 6 ; p1 = 12 w3 = 10 ; p3 = 50
w2 = 5 ; p2 = 15 w4 = 5 ; p4 = 10

1 6 12 2 1 (3) 0 (3)
2 5 15 3 1 (1) 1 (2)
3 10 50 5 0 (4) 1 (1)
4 5 10 2 1 (2) 0 (4)
Total bobot 16 15

w1 = 6 ; p1 = 12 w3 = 10 ; p3 = 50
w2 = 5 ; p2 = 15 w4 = 5 ; p4 = 10

1 6 12 2 1 (3) 0 (3)
2 5 15 3 1 (1) 1 (2)
3 10 50 5 0 (4) 1 (1) 1 (1)
4 5 10 2 1 (2) 0 (4)
Total bobot 16 15 10
Total keuntungan 37 65 50

w1 = 6 ; p1 = 12 w3 = 10 ; p3 = 50
w2 = 5 ; p2 = 15 w4 = 5 ; p4 = 10

1 6 12 2 1 (3) 0 (3)
2 5 15 3 1 (1) 1 (2) 1 (2)
3 10 50 5 0 (4) 1 (1) 1 (1)
4 5 10 2 1 (2) 0 (4)

w1 = 6 ; p1 = 12 w3 = 10 ; p3 = 50
w2 = 5 ; p2 = 15 w4 = 5 ; p4 = 10

1 6 12 2 1 (3) 0 (3) 0 (3)
2 5 15 3 1 (1) 1 (2) 1 (2)
3 10 50 5 0 (4) 1 (1) 1 (1)
4 5 10 2 1 (2) 0 (4) 0 (4)

w1 = 6 ; p1 = 12 w3 = 10 ; p3 = 50
w2 = 5 ; p2 = 15 w4 = 5 ; p4 = 10

1 6 12 2 1 (3) 0 (3) 0 (3) 0
2 5 15 3 1 (1) 1 (2) 1 (2) 1
3 10 50 5 0 (4) 1 (1) 1 (1) 1
4 5 10 2 1 (2) 0 (4) 0 (4) 0
Total bobot 16 15 15 15
Total keuntungan 37 65 65 65

Algoritma greedy by profit
function knapsack01Profit (input C[1 . . . n] : himpunan_ objek,
K: integer)→himpunan_ solusi
{Menghasilkan solusi persoalan 0/1 Knapsack dengan pemilihan objek
berdasarkan profit (C.p[i], C sudah diurutkan berdasarkan profit).
Solusi dinyatakan sebagai vektor X = x[1], . . . , x[n]}
Deklarasi
i, tot : integer
x : himpunan_ solusi
Algoritma
for i ← 1 to n do
x[i] ← 0 {inisialisasi himpunan solusi}
endfor
i ← 1
tot ← 0
while (tot ≤ K) and (i ≤ n) do
if (tot + C.w[i] ≤ K) then
x[i]← 1
tot← tot + C.w[i]
endif
i← i + 1
endwhile
return x
Kompleksitas greedy untuk 0/1 knapsack problem
◦ Pada setiap langkah, kita memilih barang keuntungan terbesar

yang masih bisa dipilih (berdasarkan kapasitas knapsack) di
antara semua barang yang belum dipilih
◦ Untuk mengoptimalkan proses pemilihan objek berdasarkan
keuntungan, maka objek perlu diurutkan berdasarkan besar
keuntungan secara menurun
algoritma greedy by profit untuk masalah 0/1 knapsack adalah
O(n).

Akurasi greedy untuk 0/1 knapsack problem
Algoritma greedy tidak selalu berhasil menemukan solusi terbaik
untuk masalah 0/1 knapsack.
Ketidakakuratan greedy dapat dilihat pada contoh 0/1 knapsack
problem dengan kapasitas K = 100 dan 6 pilihan objek seperti
berikut:
i wi pi wi /pi Profit Weight Density terbaik
1 100 40 0, 4 1 0 0 0
2 50 35 0, 7 0 0 1 1
3 45 18 0, 4 0 1 0 1
4 20 4 0, 2 0 1 1 0
5 10 10 1, 0 0 1 1 0
6 5 2 0, 4 0 1 1 0
Total keuntungan 40 34 51 83
Latihan (3)
Kelly diberikan sebuah tas dengan kapasitas maksimum 16 kg, serta
daftar beberapa barang sebagai berikut:
Barang Berat (kg) Keuntungan (£)
1 7 14
2 2 4
3 3 6
4 6 12
5 4 10
Kelly diberikan kesempatan untuk memasukkan barang-barang
tersebut ke dalam tas yang diberikan, selama barang-barang yang
dimasukkan tidak melebihi kapasitas tas tersebut. Barang mana
sajakah yang harus Kelly masukkan ke dalam tas tersebut untuk
mendapatkan keuntungan yang terbesar?
Selesaikan permasalahan tersebut dengan metode greedy (by
weight, by profit, dan by density).
Fractorial knapsack problem

Permasalahan fractorial knapsack
◦ Diberikan n buah objek dan sebuah knapsack dengan kapasitas
bobot K. Setiap objek i memiliki properti bobot (weight) wi dan
keuntungan (profit) pi .
◦ Jika setiap objek dapat dipecah (diambil sebagian saja), objek
mana sajakah yang harus dibawa agar keuntungan yang didapat
maksimum?
◦ Solusi permasalahan dinyatakan sebagai vektor n−tupel:
X = {x1 , x2 , . . . , xn }
0 ≤ xi ≤ 1

Pemodelan matematis fractorial knapsack
problem
Maximasi
∑
n
F = pi x i
i=1
dengan batasan
∑
n
w i xi ≤ K
i=1
0 ≤ xi ≤ 1

Fractorial knapsack problem dengan exhaustive
search
◦ Setiap elemen xi pada X = {x1 , . . . , xn } dapat bernilai

berapapun dari 0 hingga 1 (0 ≤ xi ≤ 1), sehingga terdapat tak
hingga banyaknya kemungkinan solusi.
◦ Karena enumerasi kemungkinan solusi tidak dapat dilakukan,
fractorial knapsack problem tidak dapat diselesaikan dengan
exhaustive search

Greedy untuk fractorial knapsack problem
Sama dengan untuk permasalahan 0/1 knapsack, terdapat beberapa

pendekatan greedy yang dapat digunakan untuk menyelesaikan
permasalahan fractorial knapsack, yaitu:
pi
Keuntungan per unit berat (densitas) dari objek i = .
wi

Komponen-komponen greedy pada fractional
knapsack problem
◦ Himpunan kandidat: himpunan objek yang merepresentasikan
(bagian) objek yang belum dipilih
◦ Himpunan solusi: himpunan objek yang merepresentasikan
objek yang telah terpilih
◦ Fungsi solusi: total berat objek yang dipilih telah memenuhi
kapasitas knapsack
◦ Fungsi seleksi: memilih (bagian) objek dari himpunan kandidat
yang tersisa yang
▶ by profit: memiliki keuntungan terbesar
▶ by weight: memiliki berat terkecil
▶ by density: memiliki densitas terbesar
◦ Fungsi kelayakan: total berat yang dipilih tidak lebih besar dari
kapasitas knapsack
dari objek-objek yang dipilih
Contoh fractional knapsack problem
Mari kita tinjau persoalan fractional knapsack dengan kapasitas
knapsack K = 20 dan 3 objek, dengan berat dan profit:
w1 = 18 ; p1 = 25
w2 = 15 ; p2 = 24
w3 = 10 ; p3 = 15

1 18 25 1, 4
2 15 24 1, 6
3 10 15 1, 5
Total bobot
Total keuntungan
angka di dalam kurung menandakan urutan pengambilan keputusan

w1 = 18 ; p1 = 25
w2 = 15 ; p2 = 24
w3 = 10 ; p3 = 15

1 18 25 1, 4
2 15 24 1, 6
3 10 15 1, 5 1 (1)
Total bobot 10
Total keuntungan 15

w1 = 18 ; p1 = 25
w2 = 15 ; p2 = 24
w3 = 10 ; p3 = 15

1 18 25 1, 4
2 15 24 1, 6 2/3 (2)
3 10 15 1, 5 1 (1)
Total bobot 20
Total keuntungan 31

w1 = 18 ; p1 = 25
w2 = 15 ; p2 = 24
w3 = 10 ; p3 = 15

1 18 25 1, 4 0 (3)
2 15 24 1, 6 2/3 (2)
3 10 15 1, 5 1 (1)
Total bobot 20
Total keuntungan 31

w1 = 18 ; p1 = 25
w2 = 15 ; p2 = 24
w3 = 10 ; p3 = 15

1 18 25 1, 4 0 (3) 1 (1)
2 15 24 1, 6 2/3 (2)
3 10 15 1, 5 1 (1)
Total bobot 20 18

w1 = 18 ; p1 = 25
w2 = 15 ; p2 = 24
w3 = 10 ; p3 = 15

1 18 25 1, 4 0 (3) 1 (1)
2 15 24 1, 6 2/3 (2) 2/15 (2)
3 10 15 1, 5 1 (1)
Total bobot 20 20
Total keuntungan 31 28, 2

w1 = 18 ; p1 = 25
w2 = 15 ; p2 = 24
w3 = 10 ; p3 = 15

1 18 25 1, 4 0 (3) 1 (1)
2 15 24 1, 6 2/3 (2) 2/15 (2)
3 10 15 1, 5 1 (1) 0 (3)
Total bobot 20 20
Total keuntungan 31 28, 2

w1 = 18 ; p1 = 25
w2 = 15 ; p2 = 24
w3 = 10 ; p3 = 15

1 18 25 1, 4 0 (3) 1 (1)
2 15 24 1, 6 2/3 (2) 2/15 (2) 1 (1)
3 10 15 1, 5 1 (1) 0 (3)
Total keuntungan 31 28, 2 24

w1 = 18 ; p1 = 25
w2 = 15 ; p2 = 24
w3 = 10 ; p3 = 15

1 18 25 1, 4 0 (3) 1 (1)
2 15 24 1, 6 2/3 (2) 2/15 (2) 1 (1)
3 10 15 1, 5 1 (1) 0 (3) 1/2 (2)
Total keuntungan 31 28, 2 31, 5

w1 = 18 ; p1 = 25
w2 = 15 ; p2 = 24
w3 = 10 ; p3 = 15

1 18 25 1, 4 0 (3) 1 (1) 0 (3)
2 15 24 1, 6 2/3 (2) 2/15 (2) 1 (1)
3 10 15 1, 5 1 (1) 0 (3) 1/2 (2)
Total keuntungan 31 28, 2 31, 5

w1 = 18 ; p1 = 25
w2 = 15 ; p2 = 24
w3 = 10 ; p3 = 15

1 18 25 1, 4 0 (3) 1 (1) 0 (3) 0
2 15 24 1, 6 2/3 (2) 2/15 (2) 1 (1) 1
3 10 15 1, 5 1 (1) 0 (3) 1/2 (2) 1/2
Total keuntungan 31 28, 2 31, 5 31, 5

Fractional knapsack: algoritma greedy by density
function fKnapsackDens (input C[1 . . . n] : himpunan_ objek,
K: real)→himpunan_ solusi
{Menghasilkan solusi persoalan Fractional Knapsack dengan greedy by
density (C.p[i]/C.w[i], C sudah diurutkan berdasarkan density).}
Deklarasi
i, tot : integer
Algoritma
for i ← 1 to n do
x[i] ← 0
endfor
i ← 1
tot ← 0
while i ≤ n do
if (tot + C.w[i] ≤ K) then
x[i]← 1
tot← tot + C.w[i]
else
x[i]← (K - tot) / C.w[i]
i← n
endif
i← i + 1
endwhile
return x
Fractional knapsack problem: komplesitas greedy
◦ Pada setiap langkah, kita memilih (bagian) barang dengan

densitas terbesar yang masih bisa dipilih, berdasarkan kapasitas
knapsack, di antara semua barang yang belum dipilih
◦ Untuk mengoptimalkan proses pemilihan objek berdasarkan
densitas, maka objek perlu diurutkan berdasarkan besar
densitas secara menurun
algoritma greedy by density untuk masalah fractional knapsack
adalah O(n).

Fractional knapsack problem: akurasi greedy
Algoritma greedy untuk persoalan fractional knapsack dengan

strategi pemilihan objek berdasarkan keuntungan per satuan berat
(densitas) akan selalu memberikan solusi yang terbaik. Hal ini
dinyatakan dalam Teorema berikut:
Teorema:
Jika p1 /w1 ≥ p2 /w2 ≥ . . . ≥ pn /wn , maka algoritma greedy dengan
strategi pemilihan objek berdasarkan pi /wi terbesar menghasilkan
solusi yang optimum.

Latihan (4)
Kelly diberikan sebuah tas dengan kapasitas maksimum 16 kg, serta
daftar beberapa barang sebagai berikut:
Barang Berat (kg) Keuntungan (£)

1 7 14
2 2 4
3 3 6
4 6 12
5 4 10
Kelly diberikan kesempatan untuk memasukkan barang-barang

tersebut ke dalam tas yang diberikan, selama barang-barang yang
dimasukkan tidak melebihi kapasitas tas tersebut. Jika setiap barang
dapat dipecah, barang mana sajakah yang harus Kelly masukkan ke
dalam tas tersebut untuk mendapatkan keuntungan yang terbesar?
Job scheduling with deadlines

Permasalahan penjadwalan kerja dengan tenggat
waktu
◦ Terdapat n buah pekerjaan yang akan dikerjakan oleh sebuah

mesin
◦ Mesin dapat mengerjakan setiap pekerjaan dalam satu satuan
waktu
◦ Setiap perkerjaan i mempunyai properti tenggat waktu di ≥ 0
(satuan waktu) dan keuntungan pi
◦ Keuntungan dari pekerjaan i akan diperoleh jika dan hanya jika i
selesai dikerjakan tanpa melebihi tenggat waktunya
◦ Pekerjaan mana saja yang harus dikerjakan oleh mesin agar
didapat keuntungan yang maksimum?

Pemodelan matematis job scheduling with
deadlines
Maximasi ∑
F = pi
i∈J
dimana J = himpunan pekerjaan yang terselesaikan sebelum tenggat

waktunya

Contoh job scheduling with deadlines
Misalkan mesin A dapat memilih 4 pekerjaan dengan tenggat dan
keuntungan masing-masing:
p1 = 50 ; d1 = 2 p3 = 15 ; d3 = 2
p2 = 10 ; d2 = 1 p4 = 30 ; d4 = 1

p1 = 50 ; d1 = 2 p3 = 15 ; d3 = 2
p2 = 10 ; d2 = 1 p4 = 30 ; d4 = 1
Jika dikerjakan dengan exhaustive search, terdapat
P (4, 0) + P (4, 1) + P (4, 2) + P (4, 3) + P (4, 4)
kemungkinan solusi.

p1 = 50 ; d1 = 2 p3 = 15 ; d3 = 2
p2 = 10 ; d2 = 1 p4 = 30 ; d4 = 1
P (4, 0) + P (4, 1) + P (4, 2) + P (4, 3) + P (4, 4)
kemungkinan solusi.
Untuk contoh di atas, tenggat waktu terlama adalah 2 (satuan waktu)

sehingga mesin dapat memilih paling banyak dua pekerjaan:

p1 = 50 ; d1 = 2 p3 = 15 ; d3 = 2
p2 = 10 ; d2 = 1 p4 = 30 ; d4 = 1
P (4, 0) + P (4, 1) + P (4, 2) + P (4, 3) + P (4, 4)
kemungkinan solusi.
Untuk contoh di atas, tenggat waktu terlama adalah 2 (satuan waktu)

sehingga mesin dapat memilih paling banyak dua pekerjaan:terdapat
P (4, 0) + P (4, 1) + P (4, 2) kemungkinan solusi.

Job scheduling with deadlines dengan exhaustive
search
p1 = 50 ; d1 = 2 p3 = 15 ; d3 = 2
p2 = 10 ; d2 = 1 p4 = 30 ; d4 = 1
Urutan Profit Kelayakan Urutan Profit Kelayakan
{} {2, 1}
{1} {2, 3}
{2} {2, 4}
{3} {3, 1}
{4} {3, 2}
{1, 2} {3, 4}
{1, 3} {4, 1}
{1, 4} {4, 2}
{4, 3}

search
p1 = 50 ; d1 = 2 p3 = 15 ; d3 = 2
p2 = 10 ; d2 = 1 p4 = 30 ; d4 = 1
{} 0 layak {2, 1}
{1} 50 layak {2, 3}
{2} 10 layak {2, 4}
{3} 15 layak {3, 1}
{4} 30 layak {3, 2}
{1, 2} {3, 4}
{1, 3} {4, 1}
{1, 4} {4, 2}
{4, 3}

search
p1 = 50 ; d1 = 2 p3 = 15 ; d3 = 2
p2 = 10 ; d2 = 1 p4 = 30 ; d4 = 1
{} 0 layak {2, 1}
{1} 50 layak {2, 3}
{2} 10 layak {2, 4}
{3} 15 layak {3, 1}
{4} 30 layak {3, 2}
{1, 2} tidak layak {3, 4}
{1, 3} {4, 1}
{1, 4} {4, 2}
{4, 3}

search
p1 = 50 ; d1 = 2 p3 = 15 ; d3 = 2
p2 = 10 ; d2 = 1 p4 = 30 ; d4 = 1
{} 0 layak {2, 1}
{1} 50 layak {2, 3}
{2} 10 layak {2, 4}
{3} 15 layak {3, 1}
{4} 30 layak {3, 2}
{1, 2} - tidak layak {3, 4}
{1, 3} {4, 1}
{1, 4} {4, 2}
{4, 3}

search
p1 = 50 ; d1 = 2 p3 = 15 ; d3 = 2
p2 = 10 ; d2 = 1 p4 = 30 ; d4 = 1
{} 0 layak {2, 1}
{1} 50 layak {2, 3}
{2} 10 layak {2, 4}
{3} 15 layak {3, 1}
{4} 30 layak {3, 2}
{1, 2} - tidak layak {3, 4}
{1, 3} layak {4, 1}
{1, 4} {4, 2}
{4, 3}

search
p1 = 50 ; d1 = 2 p3 = 15 ; d3 = 2
p2 = 10 ; d2 = 1 p4 = 30 ; d4 = 1
{} 0 layak {2, 1}
{1} 50 layak {2, 3}
{2} 10 layak {2, 4}
{3} 15 layak {3, 1}
{4} 30 layak {3, 2}
{1, 2} - tidak layak {3, 4}
{1, 3} 65 layak {4, 1}
{1, 4} {4, 2}
{4, 3}

search
p1 = 50 ; d1 = 2 p3 = 15 ; d3 = 2
p2 = 10 ; d2 = 1 p4 = 30 ; d4 = 1
{} 0 layak {2, 1}
{1} 50 layak {2, 3}
{2} 10 layak {2, 4}
{3} 15 layak {3, 1}
{4} 30 layak {3, 2}
{1, 2} - tidak layak {3, 4}
{1, 3} 65 layak {4, 1}
{1, 4} tidak layak {4, 2}
{4, 3}

search
p1 = 50 ; d1 = 2 p3 = 15 ; d3 = 2
p2 = 10 ; d2 = 1 p4 = 30 ; d4 = 1
{} 0 layak {2, 1}
{1} 50 layak {2, 3}
{2} 10 layak {2, 4}
{3} 15 layak {3, 1}
{4} 30 layak {3, 2}
{1, 2} - tidak layak {3, 4}
{1, 3} 65 layak {4, 1}
{1, 4} - tidak layak {4, 2}
{4, 3}

search
p1 = 50 ; d1 = 2 p3 = 15 ; d3 = 2
p2 = 10 ; d2 = 1 p4 = 30 ; d4 = 1
{} 0 layak {2, 1} 60 layak
{1} 50 layak {2, 3} 25 layak
{2} 10 layak {2, 4} - tidak layak
{3} 15 layak {3, 1} 65 layak
{1, 2} - tidak layak {3, 4} - tidak layak
{1, 3} 65 layak {4, 1} 80 layak
{4, 3} 45 layak

search
p1 = 50 ; d1 = 2 p3 = 15 ; d3 = 2
p2 = 10 ; d2 = 1 p4 = 30 ; d4 = 1
{} 0 layak {2, 1} 60 layak
{1} 50 layak {2, 3} 25 layak
{3} 15 layak {3, 1} 65 layak
{1, 3} 65 layak {4, 1} 80 layak
{4, 3} 45 layak

Job scheduling with deadlines dengan Greedy
Pilih pekerjaan dengan keuntungan terbesar terlebih dahulu

dan tempatkan mendekati tenggat waktunya

Komponen-komponen greedy pada job
scheduling with deadlines
◦ Himpunan kandidat: himpunan pekerjaan dan himpunan slot

yang dapat dipilih
◦ Fungsi solusi: tidak ada pekerjaan yang layak dipilih
◦ Fungsi seleksi: memilih pekerjaan dengan keuntungan tertinggi
dan memilih slot yang mendekati tengat waktu pekerjaan tersebut
◦ Fungsi kelayakan: pekerjaan yang dipilih dapat ditempatkan
pada slot waktu sebelum masa tenggatnya habis
dari pekerjaan-pekerjaan yang dipilih

Job scheduling with deadlines: contoh
implementasi greedy
p1 = 50 ; d1 = 2 p3 = 15 ; d3 = 2
p2 = 10 ; d2 = 1 p4 = 30 ; d4 = 1
Langkah Pekerjaan Slot Keuntungan Kelayakan
0 - - 0 -

implementasi greedy
p1 = 50 ; d1 = 2 p3 = 15 ; d3 = 2
p2 = 10 ; d2 = 1 p4 = 30 ; d4 = 1
0 - - 0 -
1 1

implementasi greedy
p1 = 50 ; d1 = 2 p3 = 15 ; d3 = 2
p2 = 10 ; d2 = 1 p4 = 30 ; d4 = 1
0 - - 0 -
1 1 layak

implementasi greedy
p1 = 50 ; d1 = 2 p3 = 15 ; d3 = 2
p2 = 10 ; d2 = 1 p4 = 30 ; d4 = 1
0 - - 0 -
1 1 1−2 50 layak

implementasi greedy
p1 = 50 ; d1 = 2 p3 = 15 ; d3 = 2
p2 = 10 ; d2 = 1 p4 = 30 ; d4 = 1
0 - - 0 -
1 1 1−2 50 layak
2 4

implementasi greedy
p1 = 50 ; d1 = 2 p3 = 15 ; d3 = 2
p2 = 10 ; d2 = 1 p4 = 30 ; d4 = 1
0 - - 0 -
1 1 1−2 50 layak
2 4 layak

implementasi greedy
p1 = 50 ; d1 = 2 p3 = 15 ; d3 = 2
p2 = 10 ; d2 = 1 p4 = 30 ; d4 = 1
0 - - 0 -
1 1 1−2 50 layak
2 4 0−1 80 layak

implementasi greedy
p1 = 50 ; d1 = 2 p3 = 15 ; d3 = 2
p2 = 10 ; d2 = 1 p4 = 30 ; d4 = 1
0 - - 0 -
1 1 1−2 50 layak
2 4 0−1 80 layak
3 3

implementasi greedy
p1 = 50 ; d1 = 2 p3 = 15 ; d3 = 2
p2 = 10 ; d2 = 1 p4 = 30 ; d4 = 1
0 - - 0 -
1 1 1−2 50 layak
2 4 0−1 80 layak
3 3 tidak layak

implementasi greedy
p1 = 50 ; d1 = 2 p3 = 15 ; d3 = 2
p2 = 10 ; d2 = 1 p4 = 30 ; d4 = 1
0 - - 0 -
1 1 1−2 50 layak
2 4 0−1 80 layak
3 3 - 80 tidak layak

implementasi greedy
p1 = 50 ; d1 = 2 p3 = 15 ; d3 = 2
p2 = 10 ; d2 = 1 p4 = 30 ; d4 = 1
0 - - 0 -
1 1 1−2 50 layak
2 4 0−1 80 layak

implementasi greedy
p1 = 50 ; d1 = 2 p3 = 15 ; d3 = 2
p2 = 10 ; d2 = 1 p4 = 30 ; d4 = 1
0 - - 0 -
1 1 1−2 50 layak
2 4 0−1 80 layak
Solusi: {4, 1}

Job scheduling with deadlines: algoritma greedy
function jobSched (input C[1 . . . n] : himp_ pekerjaan)→himp_ solusi

{Menghasilkan solusi job scheduling w. deadlines dengan greedy.
C sudah diurutkan berdasarkan profit, C.d[i]≤n untuk setiap i.}
Deklarasi
i, j : integer
Algoritma
for i ← 1 to n do
x[i] ← 0
endfor
i ← 1
while i ≤ n do
for j ← C.d[i] to 1 do
if x[j] = 0 then
x[j]← i
i← i + 1
endwhile
return x

Job scheduling with deadlines: kompleksitas
greedy
◦ Pada setiap langkah, kita memilih pekerjaan dengan keuntungan

terbesar yang belum dipilih dan memeriksa apakah ada slot
waktu yang tersedia untuk pekerjaan tersebut
◦ Untuk mengoptimalkan proses pemilihan pekerjaan, maka
pekerjaan perlu diurutkan berdasarkan keuntungan secara
menurun
algoritma greedy untuk masalah job scheduling with deadlines
adalah O(n2 ).

Latihan (5)
Misalkan pada satu waktu diberikan list tawaran pekerjaan sebagai
berikut:
Pekerjaan Profit Tenggat waktu (jam)

1 50 2
2 20 1
3 30 2
4 10 3
5 70 2
6 50 1
Jika setiap pekerjaan dapat dikerjakan dalam satu jam, pekerjaan
mana sajakah yang harus diambil untuk mendapatkan keuntungan
yang maksimum?

Pemampatan data

Pemampatan data
Proses mengurangi ruang yang dibutuhkan penyimpanan suatu data.

Pemampatan data
Contoh:
Sebuah berkas yang berisi 100.000 karakter dengan frekuensi
kemunculan alfabet di dalam data sebagai berikut:
Alfabet a b c d e f
Frekuensi 45% 13% 12% 16% 9% 5%

Pemampatan data
Contoh:
Sebuah berkas yang berisi 100.000 karakter dengan frekuensi
kemunculan alfabet di dalam data sebagai berikut:
Alfabet a b c d e f
Frekuensi 45% 13% 12% 16% 9% 5%
Jika menggunakan 3-bit untuk mengkodekan setiap karakter:

Alfabet a b c d e f
Kode 000 001 010 011 100 111
Maka data tersebut akan menghasilkan 300.000 bit.

Pemampatan data dengan greedy
Karakter dengan frekuensi terbanyak dikodekan dengan

panjang kode yang kecil.

Algoritma Huffman
Algoritma Huffman:
Misalkan terdapat n buah alfabet dalam suatu data
1. Inisialisasi n pohon yang masing-masing berisi satu simpul dan
beri simpul-simpul tersebut ID berupa alfabet yang diberikan, dan
bobot berupa frekuensi kemunculan alfabet tersebut dalam data
yang diberikan.
2. Ulangi langkah berikut hingga terbentuk satu pohon saja:
▶ Cari dua pohon dengan bobot akar yang terkecil
▶ Bentuk pohon baru dengan menambahkan satu simpul dengan
bobot yang didapat dari penambahan akar dari dua pohon yang
dipilih dan sambungkan simpul tersebut dengan kedua akar dari
pohon yang dipilih sedemikian sehingga simpul baru tersebut
menjadi akar dari pohon yang baru

Contoh implementasi algoritma huffman
a 0,45
b 0,13
c 0,12
d 0,16
e 0,09
f 0,05

a 0,45
b 0,13
c 0,12
d 0,16
e 0,09
f 0,05

a 0,45
b 0,13
c 0,12
d 0,16
e 0,09
0,14
f 0,05

a 0,45
b 0,13
c 0,12
d 0,16
e 0,09
0,14
f 0,05

a 0,45
b 0,13
0,25
c 0,12
d 0,16
e 0,09
0,14
f 0,05

a 0,45
b 0,13
0,25
c 0,12
d 0,16
e 0,09
0,14
f 0,05

a 0,45
b 0,13
0,25
c 0,12
d 0,16
0,30
e 0,09
0,14
f 0,05

a 0,45
b 0,13
0,25
c 0,12
d 0,16
0,30
e 0,09
0,14
f 0,05

a 0,45
b 0,13
0,25
c 0,12
0,55
d 0,16
0,30
e 0,09
0,14
f 0,05

a 0,45
b 0,13
0,25
c 0,12
0,55
d 0,16
0,30
e 0,09
0,14
f 0,05

a 0,45
b 0,13
1,00
0,25
c 0,12
0,55
d 0,16
0,30
e 0,09
0,14
f 0,05

a 0,45
b 0,13
1,00
0,25
c 0,12
0,55
d 0,16
0,30
e 0,09 0
0,14
f 0,05 1

a 0,45
b 0,13 0
1,00
0,25
c 0,12 1
0,55
d 0,16
0,30
e 0,09 0
0,14
f 0,05 1

a 0,45
0
b 0,13 0
1,00
0,25
0
c 0,12 1 1
0,55
d 0,16
0
1
0,30
e 0,09 0
0,14
1
f 0,05 1

a 0,45 Alf. Kode

0 a
b
b 0,13 0 c
1,00
0,25 d
0 e
c 0,12 1 1
0,55
f
d 0,16
0
1
0,30
e 0,09 0
0,14
1
f 0,05 1

a 0,45 Alf. Kode

0 a 0
b
b 0,13 0 c
1,00
0,25 d
0 e
c 0,12 1 1
0,55
f
d 0,16
0
1
0,30
e 0,09 0
0,14
1
f 0,05 1

a 0,45 Alf. Kode

0 a 0
b 100
b 0,13 0 c
1,00
0,25 d
0 e
c 0,12 1 1
0,55
f
d 0,16
0
1
0,30
e 0,09 0
0,14
1
f 0,05 1

a 0,45 Alf. Kode

0 a 0
b 100
b 0,13 0 c 101
1,00
0,25 d
0 e
c 0,12 1 1
0,55
f
d 0,16
0
1
0,30
e 0,09 0
0,14
1
f 0,05 1

a 0,45 Alf. Kode

0 a 0
b 100
b 0,13 0 c 101
1,00
0,25 d 110
0 e
c 0,12 1 1
0,55
f
d 0,16
0
1
0,30
e 0,09 0
0,14
1
f 0,05 1

a 0,45 Alf. Kode

0 a 0
b 100
b 0,13 0 c 101
1,00
0,25 d 110
0 e 1110
c 0,12 1 1
0,55
f
d 0,16
0
1
0,30
e 0,09 0
0,14 1
f 0,05 1

a 0,45 Alf. Kode

0 a 0
b 100
b 0,13 0 c 101
1,00
0,25 d 110
0 e 1110
c 0,12 1 1
0,55
f 1111
d 0,16
0
1
0,30
e 0,09 0
0,14 1
f 0,05 1

a 0,45 Alf. Kode

0 a 0
b 100
b 0,13 0 c 101
1,00
0,25 d 110
0 e 1110
c 0,12 1 1
0,55
f 1111
d 0,16
0
1 ‘ada’
0,30 → ‘01100’
e 0,09 0
0,14
1
f 0,05 1

a 0,45 Alf. Kode

0 a 0
b 100
b 0,13 0 c 101
1,00
0,25 d 110
0 e 1110
c 0,12 1 1
0,55
f 1111
d 0,16
0
1 ‘ada’
0,30 → ‘01100’
e 0,09 0
0,14
1 ‘10001010’
1
→ ‘baca’
f 0,05

Keefektifan algoritma Huffman
Pada contoh sebelumnya, data yang berisi 100.000 karakter akan
menghasilkan kode dengan panjang 300.000 bit.
Dengan algoritma Huffman,

Alf. a b c d e f
Frekuensi 45% 13% 12% 16% 9% 5%
Kode 0 100 101 110 1110 1111
data yang berisi 100.000 karakter akan menghasilkan kode dengan
panjang
100.000 × ((0, 45 × 1) + (0, 13 × 3) + (0, 12 × 3) + (0, 16 × 3) + (0, 09 × 4) + (0, 05 × 4))
224.000 bit. Yang artinya, algoritma Huffman memampatkan data

sebesar (300.000 − 224.000)/300.000 = 25, 3%.

Kompleksitas algoritma Huffman
◦ Pada setiap langkah, algoritma Huffman mencari dua akar

dengan nilai terkecil dan membentuk pohon baru dengan
menggabungkan dua akar yang ditemukan
◦ Untuk n alfabet, pencarian nilai terkecil dilakukan 2 ∗ (n − 1) kali
◦ Pencarian nilai terkecil mempunyai kompleksitas O(log n)
◦ Kompleksitas algoritma Huffman adalah O(n log n)

Latihan (6)
Diberikan suatu data yang berisi karakter A, B, C, D, dan _ dengan

frekuensi kemunculan sebagai berikut:
Alfabet A B C D _
Frekuensi 35% 15% 20% (14)% (16)%
a) Konstruksi kode Huffman untuk data tersebut (tunjukkan pohon
yang terbentuk)
b) Tulislah kode untuk ‘ABACABAD’ dengan menggunakan kode
Huffman yang didapat

Latihan (7)
Diketahui kota A, B, C, D, dan E dengan jarak antar kota sbb:
A
3
5
7 4
5
E B
3
2
6 4
D C
4
Seorang pedagang yang berada di kota A ingin mengunjungi seluruh

kota tersebut, dimana kota B, C, D, dan E tepat dikunjungi sekali
sebelum ia kembali ke kota A. Tentukan rute yang harus pedagang
tersebut lalui untuk mendapatkan jarak yang minimum, dengan
menggunakan teknik greedy.

Latihan (8)
Pada suatu provinsi, akan dibangun jalan tol antar kota untuk
menghubungkan lima kota: A, B, C, D, dan E. Besaran estimasi biaya
yang diperlukan untuk jalan tol antar kota adalah sbb:
A
3
5
7 4
5
E B
3
2
6 4
D C
4
Untuk meminimumkan biaya yang dikeluarkan, gubernur

memutuskan untuk hanya membangun empat jalan tol, namun dapat
menghubungkan kelima kota tersebut. Jalur jalan tol mana sajakah
yang perlu dibangun agar total estimasi biaya yang didapatkan
minimum? Gunakan teknik greedy untuk menyelesaikan masalah
tersebut.
Referensi
1. T. H. Cormen, C. E. Leiserson, R. L. Riverst, C. Stein.

Introduction to Algorithms –3rd Edition, MIT Press, 2009.
2. A. Levitin. Introduction to The Design and Analysis of Algorithms
–3rd Edition, Pearson, 2011.
3. R. Neapolitan, K. Naimipour. Foundations of Algorithms –5th
Edition, Jones and Bartlett Learning, 2014.
4. Ir. Rinaldi Munir, M.T. Diktat Strategi Algoritmik IF2251.
Departemen Teknik Informatika, Institut Teknologi Bandung
5. Ian Parberry. Lecture notes on Algorithm Analysis. Department of
Computer Sciences, University of North Texas, 2001

THANK YOU

(SA) (23) 3 - Greedy

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

(SA) (23) 3 - Greedy

Diunggah oleh

Hak Cipta:

Format Tersedia

CII2K3

3. Permasalahan penukaran koin/uang

5. 0/1 knapsack problem

6. Fractorial knapsack problem

7. Job scheduling with deadlines

CII2K3-Strategi Algoritma / PRODI S1 INFORMATIKA 2

CII2K3-Strategi Algoritma / PRODI S1 INFORMATIKA 3

◦ Persoalan optimasi (optimization problems) adalah persoalan

CII2K3-Strategi Algoritma / PRODI S1 INFORMATIKA 4

CII2K3-Strategi Algoritma / PRODI S1 INFORMATIKA 5

CII2K3-Strategi Algoritma / PRODI S1 INFORMATIKA 6

Algoritma greedy disusun oleh komponen-komponen berikut:

CII2K3-Strategi Algoritma / PRODI S1 INFORMATIKA 7

◦ Himpunan kandidat berisi elemen-elemen pembentuk solusi

CII2K3-Strategi Algoritma / PRODI S1 INFORMATIKA 8

◦ Fungsi solusi adalah fungsi yang menentukan akhir dari iteras

CII2K3-Strategi Algoritma / PRODI S1 INFORMATIKA 9

◦ Memeriksa apakah suatu kandidat yang telah dipilih dapat

CII2K3-Strategi Algoritma / PRODI S1 INFORMATIKA 10

Fungsi yang memaksimumkan atau meminimumkan nilai solusi

CII2K3-Strategi Algoritma / PRODI S1 INFORMATIKA 11

CII2K3-Strategi Algoritma / PRODI S1 INFORMATIKA 12

CII2K3-Strategi Algoritma / PRODI S1 INFORMATIKA 13

Jika dikerjakan dengan exhaustive search,

CII2K3-Strategi Algoritma / PRODI S1 INFORMATIKA 14

“Selalu pilih koin bernilai besar yang mungkin dipilih”

CII2K3-Strategi Algoritma / PRODI S1 INFORMATIKA 15

◦ Himpunan kandidat: himpunan koin yang merepresentasikan

CII2K3-Strategi Algoritma / PRODI S1 INFORMATIKA 16

Langkah Koin yang Total Nilai untuk Keterangan

CII2K3-Strategi Algoritma / PRODI S1 INFORMATIKA 17

Langkah Koin yang Total Nilai untuk Keterangan

CII2K3-Strategi Algoritma / PRODI S1 INFORMATIKA 17

Langkah Koin yang Total Nilai untuk Keterangan

CII2K3-Strategi Algoritma / PRODI S1 INFORMATIKA 17

Langkah Koin yang Total Nilai untuk Keterangan

CII2K3-Strategi Algoritma / PRODI S1 INFORMATIKA 17

Langkah Koin yang Total Nilai untuk Keterangan

CII2K3-Strategi Algoritma / PRODI S1 INFORMATIKA 17

Langkah Koin yang Total Nilai untuk Keterangan

CII2K3-Strategi Algoritma / PRODI S1 INFORMATIKA 17

Langkah Koin yang Total Nilai untuk Keterangan

Misalkan uang bernilai A akan ditukar dengan sejumlah koin, maka

CII2K3-Strategi Algoritma / PRODI S1 INFORMATIKA 18

Catatan: algoritma greedy untuk masalah penukaran uang ini TIDAK

CII2K3-Strategi Algoritma / PRODI S1 INFORMATIKA 20

◦ Algoritma greedy untuk permasalahan penukaran koin tidak

CII2K3-Strategi Algoritma / PRODI S1 INFORMATIKA 21

◦ Algoritma greedy untuk permasalahan penukaran koin tidak

CII2K3-Strategi Algoritma / PRODI S1 INFORMATIKA 21

◦ Algoritma greedy untuk permasalahan penukaran koin tidak

CII2K3-Strategi Algoritma / PRODI S1 INFORMATIKA 21

Pada sebagian masalah, algoritma greedy tidak selalu berhasil

Ini karena algoritma greedy tidak beroperasi secara menyeluruh

Pada praktiknya, pembuktian kebenaran algoritma greedy diperlukan

CII2K3-Strategi Algoritma / PRODI S1 INFORMATIKA 22

Misalkan seseorang ingin menukarkan uang senilai 35 dengan koin,

CII2K3-Strategi Algoritma / PRODI S1 INFORMATIKA 23

CII2K3-Strategi Algoritma / PRODI S1 INFORMATIKA 24

◦ Sebuah server mempunyai n pelanggan yang harus dilayani.

CII2K3-Strategi Algoritma / PRODI S1 INFORMATIKA 25

◦ Total waktu di dalam sistem, dapat dihitung dengan

dimana xi = total waktu pelanggan i berada di dalam sistem.