MAKALAH MATEMATIKA

ALGORITMA GREEDY

DISUSUN OLEH : MIMIN SUMINAR 41101255 TI-A1 STEFANUS NUGROHO 41101274 TI-A2 PRAYOGI 41101363 TI-A2 SEKOLAH TINGGI MANAJEMEN INFORMATIKA & KOMPUTER STMIK IKMI CIREBON
Jalan Perjuangan 10B Majasem Telp.0231 ± 490480, 490481 Cirebon Websites : www.ikmi.ac.id Email : stmik _ikmi@yahoo.com

0

1. Hal ini dikarenakan pada algoritma dijkstra kita membandingkan semua lintasan yang mungkin dari simpul awal ke simpul akhir. Tapi algoritma dijkstra yang selama ini kami pelajari. Kami mempunyai pemikiran untuk menerapkan Algoritma Branch & Bound pada prinsip pencarian solusi. Dengan penerapan ini akan ditemukan solusi yang benar untuk semua kondisi tanpa mengurangi kemangkusan dari algoritma. 1 . Pendahuluan Prinsip pencarian lintasan terpendek memegang peranan yang penting selama ini. algoritma yang selama ini sering digunakan untuk memecahkan masalah tersebut adalah algoritma dijkstra.membutuhkan waktu yang lama untuk menemukan solusinya.

Greedy = rakus. Dengan cara pengambilan nilai optimum lokal pada setiap langkah diharapkan akan tercapainya optimum global. loba. Pendekatan yang digunakan di dalam algoritma greedy adalah membuat pilihan yang ³tampaknya´ memberikan perolehan terbaik. y y Prinsip greedy adalah: ³take what you can get now!´. y Terdapat banyak pilihan yang perlu dieksplorasi pada setiap langkah solusi. Algoritma Greedy Definisi Algoritma Greedy Algoritma Greedy membentuk solusi langkah per langkah. «. kami menggunakan algoritma Dijkstra untuk dibandingkan dengan algoritma B&B. Dalam makalah ini. pada setiap langkah dalam algoritma greedy kita ambil keputusan yang paling optimal untuk langkah tersebut tanpa memperhatikan konsekuensi pada langkah ± langkah selanjutnya. pada setiap langkah harus dibuat keputusan yang terbaik dalam menentukan pilihan. lalu kita namakan solusi tersebut dengan optimum lokal. yaitu tercapainya solusi optimum yang melibatkan keseluruhan langkah dari awal sampai akhir. yaitu dengan membuat pilihan optimum lokal (local optimum) pada setiap langkah dengan harapan bahwa sisanya mengarah ke solusi optimum global (global optimm). y 2 . y Algoritma greedy merupakan metode yang paling populer untuk memecahkan persoalan optimasi. Pada setiap langkah tersebut akan dipilih keputusan yang paling optimal. Keputusan yang telah diambil pada suatu langkah tidak dapat diubah lagi pada langkah selanjutnya. Contoh masalah sehari-hari yang menggunakan prinsip greedy: o Memilih beberapa jenis investasi (penanaman modal) o Mencari jalur tersingkat dari Bandung ke Surabaya o Memilih jurusan di Perguruan Tinggi o Bermain kartu remi y Algoritma greedy membentuk solusi langkah per langkah (step by step). Keputusan tersebut tidak perlu memperhatikan keputusan selanjutnya yang akan diambil.2. dan keputusan tersebut tidak dapat diubah lagi pada langkah ± langkah selanjutnya. Maksud dari prinsip tersebut adalah sebagai berikut. Oleh karena itu. Prinsip utama algoritma greedy adalah prinsip ³take what you can get now!´. tamak.

pada setiap langkah: 1. Tinjau masalah menukarkan uang 32 dengan koin 1.y Algoritma greedy adalah algoritma yang memecahkan masalah langkah per langkah. 10. 5. dan 25 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 ) hanya 4 koin Strategi greedy yang digunakan adalah: Pada setiap langkah. y Pada setiap langkah diperoleh optimum lokal. pilihlah koin dengan nilai sebesar mungkin dari himpunan koin yang tersisa dengan syarat (kendala) tidak melebihi nilai uang yang ditukarkan. berharap bahwa dengan memilih optimum lokal pada setiap langkah akan berakhir dengan optimum global. mengambil pilihan yang terbaik yang dapat diperoleh pada saat itu tanpa memperhatikan konsekuensi ke depan (prinsip ³take what you can get now!´) 2. 10. Skema Umum Algoritma Greedy Algoritma greedy disusun oleh elemen-elemen berikut: 1. dan 25: Langkah 1: pilih 1 buah koin 25 (Total = 25) Langkah 2: pilih 1 buah koin 5 (Total = 25 + 5 = 30) Langkah 3: pilih 2 buah koin 1 (Total = 25+5+1+1= 32) Solusi: Jumlah koin minimum = 4 (solusi optimal!) Pada setiap langkah di atas kita memperoleh optimum lokal. dan pada akhir algoritma kita memperoleh optimum global (yang pada contoh ini merupakan solusi optimum). Bila algoritma berakhir. Himpunan kandidat. Contoh 1 (Masalah Penukaran uang): Persoalan: Diberikan uang senilai A. 5. 3 . Berapa jumlah minimum koin yang diperlukan untuk penukaran tersebut? Contoh: tersedia koin-koin 1. Tukar A dengan koin-koin uang yang ada. kita berharap optimum lokal menjadi optimum global.

3. 5. Algoritma: Sn{} { inisialisasi S dengan kosong } 4 . 3. 25. 2. Contoh pada masalah penukaran uang. sedangkan kandidat yang tidak layak dibuang dan tidak pernah dipertimbangkan lagi. yaitu fungsi yang memaksimumkan atau meminimumkan nilai solusi (misalnya panjang lintasan. Fungsi seleksi (selection function) Memilih kandidat yang paling memungkinkan mencapai solusi optimal. 10. 5. 4. elemen-elemen algoritma greedy-nya adalah: 1. 5. output S : himpunan_solusi) { menentukan solusi optimum dari persoalan optimasi dengan algoritma greedy Masukan: himpunan kandidat C Keluaran: himpunan solusi S } Deklarasi x : kandidat. dan lain-lain). Himpunan kandidat: himpunan koin yang merepresentasikan nilai 1. yakni kandidat tersebut bersama-sama dengan himpunan solusi yang sudah terbentuk tidak melanggar kendala (constraints) yang ada. paling sedikit mengandung satu koin untuk setiap nilai. Kandidat yang layak dimasukkan ke dalam himpunan solusi.Berisi elemen-elemen pembentuk solusi. Fungsi seleksi: pilihlah koin yang bernilai tertinggi dari himpunan kandidat yang tersisa. keuntungan. Himpunan solusi: total nilai koin yang dipilih tepat sama jumlahnya dengan nilai uang yang ditukarkan. Fungsi layak: memeriksa apakah nilai total dari himpunan koin yang dipilih tidak melebihi jumlah uang yang harus dibayar. Pseudo-code algoritma greedy adalah sebagai berikut: procedure greedy(input C: himpunan_kandidat. 4. Fungsi kelayakan (feasible) Memeriksa apakah suatu kandidat yang telah dipilih dapat memberikan solusi yang layak. Kandidat yang sudah dipilih pada suatu langkah tidak pernah dipertimbangkan lagi pada langkah selanjutnya. 2. Himpunan solusi Berisi kandidat-kandidat yang terpilih sebagai solusi persoalan. Fungsi obyektif. Fungsi obyektif: jumlah koin yang digunakan minimum.

2. «. dn}. algoritma greedy tidak beroperasi secara menyeluruh terhadap semua alternatif solusi yang ada (sebagaimana pada metode exhaustive search). { pilih sebuah kandidat dari C} Cn C . Alasan: y 1. Namun adakalanya optimum global merupakan solusi sub-optimum atau pseudo-optimum. Pada akhir kalang while-do diperoleh optimum global. solusi yang terbentuk adalah optimum lokal. sedemikian sehingga xi = 1 jika di dipilih.{x} { elemen himpunan kandidat berkurang satu } if LAYAK(S Š {x}) then SnS Š {x} endif endwhile {SOLUSI(S) sudah diperoleh or C = {} } y Pada akhir setiap lelaran.while (belum SOLUSI(S)) and (C { {} ) do xnSELEKSI(C). maka keoptimalannya itu dapat dibuktikan secara matematis y (Sekali Lagi) Masalah Penukaran Uang Misalkan koin-koin dinyatakan dalam himpunan-ganda (multiset) {d1. sehingga kita harus memilih fungsi yang tepat jika kita ingin algoritma bekerja dengan benar dan menghasilkan solusi yang benar-benar optimum y Karena itu. Jika jawaban terbaik mutlak (benar-benar optimum) tidak diperlukan. pada sebagian masalah algoritma greedy tidak selalu berhasil memberikan solusi yang benar-benar optimum. Misalkan uang yang akan ditukar dengan sejumlah koin adalah A. Obyektif persoalan adalah Minimisasi F = § x i i !1 n (fungsi obyektif) 5 . «. Solusi persoalan dinyatakan sebagai tupel X = {x1. pemilihan fungsi SELEKSI: Mungkin saja terdapat beberapa fungsi SELEKSI yang berbeda. maka algoritma greedy sering berguna untuk menghasilkan solusi yang menghampiri (approximation) optimum. x2. y Bila algoritma greedy optimum. d2. xn}. daripada menggunakan algoritma yang lebih rumit untuk menghasilkan solusi yang eksak. atau xi = 0 jika di tidak dipilih.

(a) Koin: 5. Pemecahan Masalah dengan Algoritma Greedy y Strategi greedy yang digunakan dalam memilih koin berikutnya: Pada setiap langkah. 7. xn } adalah 0 atau 1. 1 Uang yang ditukar: 15 Solusi dengan algoritma greedy: 6 . x2. «. maka perlu mengurutkan himpunan koin dalam urutan yang menurun (noninceasing order). dan 1 Uang yang ditukar = 7. maka terdapat 2n kemungkinan nilai X. 4. Jika waktu pengurutan diperhitungkan. y y y Contoh 2. bergantung pada koin mata uang yang digunakan. pilihlah koin dengan nilai sebesar mungkin dari himpunan koin yang tersisa dengan syarat tidak melebihi nilai uang yang ditukarkan. 3. Apakah algoritma greedy untuk masalah penukaran uang ini selalu menghasilkan solusi optimum? Jawabannya: tidak selalu. Jika himpunan koin sudah terurut menurun. Solusi dengan algoritma greedy: 7=5+1+1 Solusi yang optimal: 7 = 4 + 3 ( 3 koin) ( 2 koin) tidak optimal (b) Koin: 10. maka kompleksitas algoritma greedy ditentukan dari kompleksitas algoritma pengurutan. y Agar pemilihan koin berikutnya optimal. Waktu yang dibutuhkan untuk mengevaluasi fungsi obyektif adalah O(n).dengan kendala §d x ! A i !1 i i n Algoritma Exhaustive Search y Karena setiap elemen X = {x1. oleh karena itu kompleksitas algoritma exhaustive search untuk masalah ini adalah O(n ™ 2n ). maka kompleksitas algoritma greedy adalah O(n).

Misalkan kita mempunyai tiga pelanggan dengan t1 = 5. algoritma greedy selalu memberikan solusi optimum. 10.15 = 10 + 1 + 1 + 1 + 1 + 1 (6 koin) Solusi yang optimal: 15 = 7 + 7 + 1 (hanya 3 koin) (c) Koin: 15.39) Bagaimana dengan mata uang rupiah Indonesia? Minimisasi Waktu di dalam Sistem (Penjadwalan) Persoalan: Sebuah server (dapat berupa processor. t3 = 3. meminimumkan waktu di dalam sistem ekivalen dengan meminimumkan waktu rata-rata. Contoh 3. Kita ingin meminimumkan total waktu di dalam sistem. yaitu pelanggan i membutuhkan waktu ti. Waktu pelayanan untuk setiap pelanggan sudah ditetapkan sebelumnya. pompa. dan crown Swedia. Misalnya untuk menukarkan $6. dan 1 Uang yang ditukar: 20 Solusi dengan algoritma greedy: 20 = 15 + 1 + 1 + 1 + 1 + 1 Solusi opgtimal: 20 = 10 + 10 (6 koin) (2 koin) y Untuk sistem mata uang dollar AS. 7 .25) y Satu koin 10 sen ($5 + $1 + 25c + 10c = $6.39 dengan uang kertas (bill) dan koin sen (cent). kita dapat memilih: y Satu buah uang kertas senilai $5 y Satu buah uang kertas senilai $1 ($5 + $1 = $6)) y Satu koin 25 sen ($5 + $1 + 25c = $6. n T= § i !1 (waktu di dalam sistem untuk pelanggan i) Karena jumlah pelanggan adalah tetap. client) yang harus dilayani. euro Eropa. t2 = 10. dll) mempunai n pelanggan (customer.35) y Empat koin 1 sen ($5 + $1 + 25c + 10c + 1c + 1c + 1c + 1c = $6. kasir di bank.

Jika waktu pengurutan tidak dihitung. «. setiap pelanggan dinomori 1. 2.maka enam urutan pelayanan yang mungkin adalah: Urutan T ================================= 1. 3: 10 + (10 + 5) + (10 + 5 + 3) = 43 2. Waktu yang dibutuhkan untuk mengevaluasi fungsi obyektif adalah O(n). 3. 2. maka perlu mengurutkan waktu pelayanan seluruh pelanggan dalam urutan yang menaik. 1. oleh karena itu kompleksitas algoritma exhaustive search untuk masalah ini adalah O(nn!) Pemecahan Masalah dengan Algoritma Greedy Strategi greedy untuk memilih pelanggan berikutnya adalah: Pada setiap langkah. n Keluaran: urutan pelanggan yang dilayani } Deklarasi i : integer 8 . 2. 2: 5 + (5 + 3) + (5 + 3 + 10) = 31 2. 1: 10 + (10 + 3) + (10 + 3 + 5) = 41 3. 3: 5 + (5 + 10) + (5 + 10 + 3 ) = 38 1. maka kompleksitas algoritma greedy untuk masalah minimisasi waktu di dalam sistem adalah O(n). masukkan pelanggan yang membutuhkan waktu pelayanan terkecil di antara pelanggan lain yang belum dilayani. maka tedapat n! urutan pelanggan. 2: 3 + (3 + 5) + (3 + 5 + 10) = 29 n (optimal) 3. 1: 3 + (3 + 10) + (3 + 10 + 5) = 34 Pemecahan Masalah dengan Algoritma Exhaustive Search y y Urutan pelangan yang dilayani oleh server merupakan suatu permutasi Jika ada n orang pelanggan. procedure PenjadwalanPelanggan(input n:integer) { Mencetak informasi deretan pelanggan yang akan diproses oleh server tunggal Masukan: n pelangan. 3. 1. y Agar proses pemilihan pelanggan berikutnya optimal.

. objek tersebut tidak bisa dikeluarkan lagi.Algoritma: {pelanggan 1. i. xi = 0 atau 1. n sudah diurut menaik berdasarkan ti} for in1 to n do write(µPelanggan µ. 2. Jika t1 e t2 e « e tn maka pengurutan ij = j. . «. µ dilayani!¶) endfor Pemilihan srategi greedy untuk penjadwalan pelanggan akan selalu menghasilkan solusi optimum. Algoritma Greedy y Masukkan objek satu per satu ke dalam knapsack. Persoalan Knapsack (a) 0/1 Knapsack n maksimasi F = § i !1 px i i dengan kendala (constraint) §w x eW i !1 i i n yang dalam hal ini.. meminimumkan n k ij 1 e j e n T= §§ t k !1 j !1 untuk semua kemungkinan permutasi ij. n Algoritma exhaustive search untuk persoalan 0/1 Knapsack mempunyai kompleksitas O(n ™ 2n). Keoptimuman ini dinyatakan dengan Teorema 3. Terdapat beberapa strategi greedy yang heuristik yang dapat digunakan untuk memilih objek yang akan dimasukkan ke dalam knapsack: y 9 . Sekali objek dimasukkan ke dalam knapsack. 2.1. Algoritma Exhaustive Search y i = 1.1 berikut: Teorema 3..

p1 = 15 w3 = 10. Pada setiap langkah. Greedy by weight. Strategi ini mencoba memaksimumkan keuntungan dengan memilih objek yang paling menguntungkan terlebih dahulu. p1 = 10 Kapasitas knapsack W = 16 Solusi dengan algoritma greedy: Properti objek pi pi /wi 12 2 15 3 50 5 10 2 Total bobot Total keuntungan Greedy by weight 1 1 0 1 16 37 Solusi Optimal 0 1 1 0 15 65 y i 1 2 3 4 wi 6 5 10 5 profit 0 1 1 0 15 65 density 0 1 1 0 15 65 y Pada contoh ini. p1 = 50 w4 = 5. Pemilihan objek berdasarkan salah satu dari ketiga strategi di atas tidak menjamin akan memberikan solusi optimal. knapsack diisi dengan objek yang mempunyai densitas.1. w1 = 2. Strategi ini mencoba memaksimumkan keuntungan dengan memilih objek yang mempunyai keuntungan per unit berat terbesar. Strategi ini mencoba memaksimumkan keuntungan dengan memasukkan sebanyak mungkin objek ke dalam knapsack. Greedy by profit. sedangkan pemilihan objek berdasarkan berat tidak memberikan solusi optimal. pi /wi terbesar. Greedy by density. Tinjau persoalan 0/1 Knapsack dengan n = 4. 3.. Pada setiap langkah. 2. Tinjau persoalan 0/1 Knapsack lain dengan 6 objek: 10 . p1 = 12 w2 = 5. algoritma greedy dengan strategi pemilihan objek berdasarkan profit dan density memberikan solusi optimal. Bahkan ada kemungkinan ketiga stategi tersebut tidak memberikan solusi optimum. Contoh 4 berikut memberikan ilustrasi kedua kasus ini. Contoh 4. Pada setiap langkah. knapsack diisi dengan objek yang mempunyai berat paling ringan. knapsack diisi dengan objek yang mempunyai keuntungan terbesar.

0. «. Kesimpulan: Algoritma greedy tidak selalu berhasil menemukan solusi optimal untuk masalah 0/1 Knapsack. 0) dengan total keuntungan = 55. n Algoritma Exhaustive Search 11 . i = 1. tetapi 0 e xi e 1. p5 = 10 w6 = 5. 2.0 5 2 0. 2.4 20 4 0.4 Total bobot Total keuntungan Greedy by weight 0 0 1 1 1 1 80 34 Solusi Optimal 0 1 1 0 0 0 100 55 i 1 2 3 4 5 6 profit 1 0 0 0 0 0 100 40 density 0 1 0 1 1 1 85 51 y Pada contoh ini. n n maksimasi F = § i !1 px i i dengan kendala (constraint) §w x eW i !1 i i n yang dalam hal ini. algoritma greedy dengan ketiga strategi pemilihan objek tidak berhasil memberikan solusi optimal. p6 = 2 Kapasitas knapsack W = 100 Properti objek wi pi pi /wi 100 40 0. Solusi optimal permasalah ini adalah X = (0. (b) Fractional Knapsack Serupa dengan persoalan 0/1 Knapsack di atas. p2 = 35 w3 = 45. «.4 50 35 0. p4 = 4 w5 = 10. untuk i = 1.7 45 18 0. 1. 1.w1 = 100. 0 e xi e 1. p3 = 18 w4 = 20. 0.2 10 10 1. p1 = 40 w2 = 50.

1/2) yang memberikan keuntungan maksimum 31. Solusi optmal persoalan knapsack di atas adalah X = (0.. w1 = 18. 2. Panggil SolveFractinonalKnapsack untuk mencari solusi optimum. y 12 ..5 Total bobot Total keuntungan Greedy by weight 0 2/3 1 20 31.0 i 1 2 3 profit 1 2/15 0 20 28.y Oleh karena 0 e xi e 1. Pemecahan Masalah dengan Algoritma Greedy y Ketiga strategi greedy yang telah disebutkan di atas dapat digunakan untuk memilih objek yang akan dimasukkan ke dalam knapsack. maka terdapat tidak berhinga nilai-nilai xi. i = 1.5 y Penyelesaian persoalan knapsack yang memakai strategi pemilihan objek berdasarkan pi /wi terbesar memberikan keuntungan yang maksimum (optimum). maka kita perlu mengurutkan objek terlebih dahulu berdasarkan p i /wi dalam urutan yang menurun. y y Agar proses pemilihan objek berikutnya optimal.. Tinjau persoalan fractional knapsack dengan n = 3. 1. . Algoritma persoalan fractional knapsack: 1. p1 = 15 Kapasitas knapsack W = 20 Solusi dengan algoritma greedy: Properti objek wi pi pi /wi 18 25 1. Contoh 5. Hitung harga pi/wi .4 15 24 1.5. p1 = 24 w3 = 10. Urutkan seluruh objek berdasarkan nilai pi/wi yang menurun 3. Persoalan Fractional Knapsack menjadi malar (continuous) sehingga tidak mungkin dipecahkan dengan algoritma exhaustive search. sehingga objek berikutnya yang dipilih adalah objek sesuai dalam urutan itu. n 2. p1 = 25 w2 = 15.2 density 0 1 1/2 20 31.6 10 15 1.

MasihMuatUtuh : boolean. . else MasihMuatUtuhnfalse endif endwhile { i > n or not MasihMuatUtuh } 13 . W : real. n : integer. : Tabel.procedure SolveFractionalKnapsack(input p. 2. n 2. w. kapasitas : real.. Baru kemudian panggil procedure SolveFractionalKnapsack ini } Deklarasi i : integer. Hitung harga pi/wi . TotalUntung : real) { Penyelesaian persoalan fractional knapsack dengan algoritma greedy yang menggunaka strategi pemilihan objek berdasarkan density (pi/wi) Asumsi: Sebelum pemanggilan SolveFractionalKnapsack. i = 1. Urutkan seluruh objek berdasarkan nilai pi/wi yang menurun 3. Algoritma: for in1 to n do xi n 0 { inisialisasi setiap fraksi objek i dengan 0 } endfor kapasitasnW { kapasitas knapsack awal } TotalUntungn0 in1 MasihMuatUtuhntrue while (i e n) and (MasihMuatUtuh) do if wi e kapasitas then xin1 TotalUntungnTotalUntung + pi kapasitasnkapasitas ..wi ini+1. output x : Tabel.. harus dilakukan prosedur pendahuluan sebagai berikut : 1.

.if i e n then { objek terakhir yang akan dimasukkan} xi n kapasitas/wi TotalUntungnTotalUntungt + xi *pi endif y Kompleksitas waktu asimptotik algoritma di atas (dengan mangabaikan waktu pengurutan objek) adalah O(n). pengelolaan memori dan yang terutama adalah masalah efektifitas.. kami menyimpulkan bahwa algoritma B&B memiliki kemampuan yang lebih baik dibanding dijkstra dalam hal waktu yang dibutuhkan.2. u pn/wn maka algoritma greedy dengan strategi pemilihan objek berdasarkan pi /wi terbesar menghasilkan solusi yang optimum. Jika p1/w1 u p2/w2 u . Algoritma greedy untuk persoalan fractional knapsack dengan strategi pemilihan objek berdasarkan pi /wi terbesar akan selalu memberikan solusi optimal.2 berikut ini. Kesimpulan Algoritma greedy sangat mudah untuk diimplementasikan tetapi hasil yang didapatkan tidak selalu merupakan hasil yang optimal hal ini dikarenakan algoritma greedy tidak melakukan operasi terhadap semua kemungkinan yang ada serta banyaknya fungsi seleksi yang dapat kita pilih sehingga belum tentu fungsi yang kita pilih merupakan fungsi yang tepat. Dari hasil analisis di atas. y Teorema 3. Hal ini dinyatakan dalam Teorema 3. Masalah pencarian lintasan terpendek dapat diselesaikan dengan berbagai cara antara lain dengan algoritma dijkstra dan dengan algoritma B&B. 14 .

Sign up to vote on this title
UsefulNot useful