Design and Analysis Algorithm

dokumen-dokumen yang mirip
ANALISIS ALGORITMA REKURSIF DAN NONREKURSIF

Design and Analysis Algorithm

BAB 2 LANDASAN TEORI. Regresi linier sederhana yang variabel bebasnya ( X ) berpangkat paling tinggi satu.

BAB 2 LANDASAN TEORI. perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai

BAB 5. ANALISIS REGRESI DAN KORELASI

BAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier

Di dunia ini kita tidak dapat hidup sendiri, tetapi memerlukan hubungan dengan orang lain. Hubungan itu pada umumnya dilakukan dengan maksud tertentu

ANALISIS REGRESI. Model regresi linier sederhana merupakan sebuah model yang hanya terdiri dari satu peubah terikat dan satu peubah penjelas:

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM

STATISTIKA: UKURAN PEMUSATAN. Tujuan Pembelajaran

4/1/2013. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut. Dengan: n = banyak data

Notasi Sigma. Fadjar Shadiq, M.App.Sc &

MATEMATIKA INTEGRAL RIEMANN

Penarikan Contoh Acak Sederhana (Simple Random Sampling)

BAB 1 ERROR PERHITUNGAN NUMERIK

BAB 2. Tinjauan Teoritis

BAB II LANDASAN TEORI

2.2.3 Ukuran Dispersi

3/19/2012. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut

BAB I PENDAHULUAN. 1.1 Statistika Deskriptif dan Statistika Inferensial. 1.2 Populasi dan Sampel

TEKNIK SAMPLING. Hazmira Yozza Izzati Rahmi HG Jurusan Matematika FMIPA Universitas Andalas

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

KALKULUS LANJUT. Pertemuan ke-4. Reny Rian Marliana, S.Si.,M.Stat.

FMDAM (2) TOPSIS TOPSIS TOPSIS. Charitas Fibriani

BAB 6 PRINSIP INKLUSI DAN EKSKLUSI

SIFAT-SIFAT LANJUT FUNGSI TERBATAS

Penarikan Contoh Gerombol (Cluster Sampling) Departemen Statistika FMIPA IPB

Ukuran Pemusatan Data. Arum Handini P., M.Sc Ayundyah K., M.Si.

* MEMBUAT DAFTAR DISTRIBUSI FREKUENSI MENGGUNAKAN ATURAN STURGES

UKURAN GEJALA PUSAT DAN UKURAN LETAK

BAB 2 LANDASAN TEORI. Analisis regresi adalah suatu proses memperkirakan secara sistematis tentang apa yang paling

BAB II LANDASAN TEORI. Dalam pengambilan sampel dari suatu populasi, diperlukan suatu

3 Departemen Statistika FMIPA IPB

BAB III UKURAN PEMUSATAN DATA

BAB 2 LANDASAN TEORI. yang akan terjadi pada masa yang akan datang dengan waktu yang relative lama.

Algoritma dan Struktur Data

III. METODE PENELITIAN. yang hidup dan berguna bagi masyarakat, maupun bagi peneliti sendiri

8. MENGANALISIS HASIL EVALUASI

BAB III METODE PENELITIAN. Tempat penelitian ini dilaksanakan di SMP Negeri 4 Tilamuta Kabupaten

Sudaryatno Sudirham. Permutasi dan Kombinasi

BAB II LANDASAN TEORI

Notasi Asimtot untuk Analisis Efisiensi Waktu

STATISTIK. Ukuran Gejala Pusat Ukuran Letak Ukuran Simpangan, Dispersi dan Variasi Momen, Kemiringan, dan Kurtosis

PENDAHULUAN Metode numerik merupakan suatu teknik atau cara untuk menganalisa dan menyelesaikan masalah masalah di dalam bidang rekayasa teknik dan

BAB II TINJAUAN TEORITIS. Statistik merupakan cara cara tertentu yang digunakan dalam mengumpulkan,

ALGORITMA MENENTUKAN HIMPUNAN TERBESAR DARI SUATU MATRIKS INTERVAL DALAM ALJABAR MAX-PLUS

BAB IX PENGGUNAAN STATISTIK DALAM SIMULASI

11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN

WAKTU PERGANTIAN ALAT BERAT JENIS WHEEL LOADER DENGAN METODE LEAST COST

BAB 2 LANDASAN TEORITIS. yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama.

I adalah himpunan kotak terbatas dan tertutup yang berisi lebih dari satu

SOLUSI TUGAS I HIMPUNAN

TATAP MUKA III UKURAN PEMUSATAN DATA (MEAN, MEDIAN DAN MODUS) Fitri Yulianti, SP. Msi.

3.1 Biaya Investasi Pipa

BAB III PERSAMAAN PANAS DIMENSI SATU

PRAKTIKUM 5 Penyelesaian Persamaan Non Linier Metode Secant Dengan Modifikasi Tabel

PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN

BAB 2 : BUNGA, PERTUMBUHAN DAN PELURUHAN

UKURAN GEJALA PUSAT (UGP)

NORM VEKTOR DAN NORM MATRIKS

BAB II TINJAUAN PUSTAKA

STATISTIKA A. Definisi Umum B. Tabel Distribusi Frekuensi

XI. ANALISIS REGRESI KORELASI

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. melakukan smash sebelum dan sesudah latihan power otot lengan adalah sebagai

Mean untuk Data Tunggal. Definisi. Jika suatu sampel berukuran n dengan anggota x1, x2, x3,, xn, maka mean sampel didefinisiskan : n Xi.

PRINSIP INKLUSI- EKSKLUSI INCLUSION- EXCLUSION PRINCIPLE

BAB III INTEGRAL RIEMANN-STIELTJES. satu pendekatan untuk membentuk proses titik. Berkaitan dengan masalah

BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP

Integrasi 1. Metode Integral Reimann Metode Integral Trapezoida Metode Integral Simpson. Integrasi 1

Uji Statistika yangb digunakan dikaitan dengan jenis data

Angka Banding Manfaat dan Biaya

Regresi & Korelasi Linier Sederhana. Gagasan perhitungan ditetapkan oleh Sir Francis Galton ( )

Regresi Linier Sederhana Definisi Pengaruh

LANGKAH-LANGKAH UJI HIPOTESIS DENGAN 2 (Untuk Data Nominal)

SUM BER BELA JAR Menerap kan aturan konsep statistika dalam pemecah an masalah INDIKATOR MATERI TUGAS

POLIGON TERBUKA TERIKAT SEMPURNA

INTERPOLASI. FTI-Universitas Yarsi

S2 MP Oleh ; N. Setyaningsih

Muniya Alteza

INTERPOLASI INTERPOLASI LINIER INTERPOLASI KUADRATIK

STATISTIKA SMA (Bag.1)

II. TINJAUAN PUSTAKA. variabel. Dalam regresi sederhana dikaji dua variabel, sedangkan dalam regresi

STATISTIKA DASAR. Oleh

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah

ANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS

STUDI KELAYAKAN: ASPEK FINANSIAL. F.Hafiz Saragih SP, MSc

BAB 2 TINJAUAN TEORITIS. regresi berkenaan dengan studi ketergantungan antara dua atau lebih variabel yaitu

Tabel Distribusi Frekuensi

REGRESI LINIER SEDERHANA

EKONOMI TEKNIK. Ekuivalensi

BAB 2 LANDASAN TEORI

Dasar Ekonomi Teknik: Matematika Uang. Ekonomi Teknik TIP FTP UB

PRAKTIKUM 7 Penyelesaian Persamaan Non Linier Metode Secant Dengan Modifikasi Tabel

PEMBELAJARAN 4 ANALISIS REGRESI KORELASI

9/22/2009. Materi 2. Outline. Graphical Techniques. Penyajian Data. Numerical Techniques

Jawablah pertanyaan berikut dengan ringkas dan jelas menggunakan bolpoin. Total nilai 100. A. ISIAN SINGKAT (Poin 20) 2

b) Untuk data berfrekuensi fixi Data (Xi)

UKURAN PEMUSATAN DATA

ESTIMASI UKURAN SENSITIVITAS KEUNTUNGAN SAHAM DALAM PORTOFOLIO PADA SINGLE INDEX MODEL

Transkripsi:

Desg ad Aalyss Algorthm Pertemua 02 Drs. Achmad Rdok M.Kom Imam Cholssod, S.S., M.Kom M. Al Fauz, S.Kom., M. Kom. Rath Kartka Dew, ST, M.Kom

Cotets ( of 2) 3 Importat Sum Mapulato 2

CS3024-FAZ 3 Importat Sum Mapulatos () ) ( 2 2 ) (... 2 teger lmts :lower & upper ; ) ( 2 2 0 u l l u b a b a a c ca u l u u u u u

CS3024-FAZ 4 Importat Sum Mapulatos (2) k k k k k a a a a a a a k 2 2 0 3 2 2 2 2 lg lg 0.5772... ; l... ) (...... 2 3 6 ) )(2 (... 2

Cotets (2 of 2) 3 2 Aalss Algortma Aalss Efses Algortma 3 4 Aalss Efses Algortma No-Rekursf Order Of Growth 5

Aalss Algortma Aalss Algortma bertujua memerksa efses algortma dar dua seg : waktu eksekus da pegguaa memor Efses waktu seberapa cepat algortma deksekus Efses memor berapa bayak memor yag dbutuhka utuk mejalaka algortma 6

Aalss Efses Algortma Utuk melakuka aalss efses waktu algortma harus destmas dulu waktu eksekus algortma Bagamaa melakukaya? 7

Aalss Efses Algortma Algorthm sequetal search (A[0..-], K) // searches for a gve value a gve array by sequetal search // put: a array A[0..-] ad a search key K // output: returs the dex of the frst elemet of A that matches K or - f there are o matchg elemets 0 whle ad A[] K do + f retur else retur - x 2 x x 2 x x 8

Aalss Efses Algortma Bars kode maa yag sagat berpegaruh pada rug tme? Baga loop (bars 2 da 3). Megapa? Karea deksekus berulag ulag Mak bayak eksekusya, mak lama rug tme program 9

Aalss Efses Algortma Sequetal Search 0 whle ad A[] K do + f retur else retur - x 2 x x 2 x x Estmas waktu eksekus algortma sequetal search! 0

Aalss Efses Algortma tme = Loop x tloop tme = estmas waktu eksekus algortma utuk put tertetu Loop = berapa kal loop deksekus tloop = waktu yag dperluka utuk megeksekus loop kal. Basaya dtetuka satua waktu tapa dspesfkaska berapa laya

Aalss Efses Algortma Asumska array A terdr atas eleme. Best case : k dtemuka d eleme pertama array A. tme = x satua waktu Average case : k dtemuka d eleme tegah array A. tme = /2 x satua waktu Worst case : k dtemuka d eleme palg akhr array A. tme = x satua waktu 2

Aalss Efses Algortma Lagkah-lagkah umum utuk megaalss efses waktu algortma. Tetuka parameter yag megdkaska ukura put 2. Idetfkas basc operato algortma 3. Tetuka apakah utuk ukura put yag sama bayakya eksekus basc operato bsa berbeda 4. Tetuka rumus sgma yag meujukka berapa kal basc operato deksekus 5. Selesaka rumus sgma utuk meghtug bayakya eksekus basc operato 3

Aalss Efses Algortma Step = Tetuka parameter yag megdkaska ukura put Sesuatu pada put yag jka laya bertambah aka meyebabka bayakya eksekus loop bertambah Cotoh, algortma utuk meghtug X megguaka cara X = X * X * X * * X sebayak kal. Parameter ukura putya adalah la, karea jka mak besar, maka bayakya eksekus loop bertambah Bagamaa dega la X? 4

Aalss Efses Algortma Sequetal Search 0 whle ad A[] K do + f retur else retur - x 2 x x 2 x x Estmas waktu eksekus algortma sequetal search! 5

Aalss Efses Algortma Step = Tetuka parameter yag megdkaska ukura put Sesuatu pada put yag jka laya bertambah aka meyebabka bayakya eksekus loop bertambah Cotoh, algortma utuk meghtug X megguaka cara X = X * X * X * * X sebayak kal. Parameter ukura putya adalah la, karea jka mak besar, maka bayakya eksekus loop bertambah Bagamaa dega la X? Utuk algortma sequetal search, parameter ukura putya adalah bayakya eleme array () Megapa la eleme array tdak? 6

Aalss Efses Algortma Step 2 = Idetfkas basc operato algortma Operas palg petg dalam algortma tersebut Dapat dwakl oleh sebuah operas pada loop palg dalam. Operas yag dplh adalah operas yag selalu dlakuka ketka loop deksekus 7

Aalss Efses Algortma Sequetal Search 0 whle ad A[] K do + f retur else retur - x 2 x x 2 x x Estmas waktu eksekus algortma sequetal search! 8

Aalss Efses Algortma Step 2 = Idetfkas basc operato algortma Waktu yag dperluka utuk megeksekus loop kal Dapat dwakl oleh sebuah operas pada loop palg dalam. Operas yag dplh adalah operas yag selalu dlakuka ketka loop deksekus Utuk algortma sequetal search, basc operatoya dapat dguaka A[] K A[] K deksekus kal setap loop deksekus 9

Aalss Efses Algortma Step 2 = Idetfkas basc operato algortma 20

Aalss Efses Algortma Step 2 = Idetfkas basc operato algortma Utuk algortma d atas, basc operatoya dapat dguaka maxval<-a[] 2

Aalss Efses Algortma Step 2 = Idetfkas basc operato algortma 22

Aalss Efses Algortma Step 2 = Idetfkas basc operato algortma Utuk algortma d atas, basc operatoya dapat dguaka a[j] > a[j + ] da/atau swap() 23

Aalss Efses Algortma Just aother Algorthm N 0 for to do S S + * 2 retur S 24

Aalss Efses Algortma Just aother Algorthm N 0 for to do S S + * 2 retur S Utuk algortma d atas, basc operatoya dapat dguaka perkala da/atau peambaha 25

Aalss Efses Algortma Step 3 = Tetuka apakah utuk ukura put yag sama bayakya eksekus basc operato bsa berbeda Pada sequetal search, parameter utuk ukura put adalah atau bayakya eleme array Utuk tertetu, apakah bayakya eksekus basc operato bsa berbeda? Jka eleme pertama array put A berla K, maka bayakya eksekus basc operato utuk tertetu C()= Jka K dtemuka d eleme terakhr, maka C()= Perlu dadaka aalsa best case, worst case da average case 26

Aalss Efses Algortma Step 3 = Tetuka apakah utuk ukura put yag sama bayakya eksekus basc operato bsa berbeda 0 whle ad A[] K do + f retur else retur - x 2 x x 2 x x 27

Aalss Efses Algortma Step 3 = Tetuka apakah utuk ukura put yag sama bayakya eksekus basc operato bsa berbeda 28

Aalss Efses Algortma Step 3 = Tetuka apakah utuk ukura put yag sama bayakya eksekus basc operato bsa berbeda 29

Aalss Efses Algortma Just aother Algorthm N 0 for to do S S + * 2 retur S 30

Aalss Efses Algortma Step 4 = Tetuka rumus sgma yag meujukka berapa kal basc operato deksekus C() = bayakya eksekus basc operato utuk put ukura Utuk Best case : C( ) Best case terjad jka eleme pertama A berla K 3

Aalss Efses Algortma Step 4 = Tetuka rumus sgma yag meujukka berapa kal basc operato deksekus Utuk Worst case : C( ) Worst case terjad jka eleme A yag berla K merupaka eleme terakhr atau tdak ada eleme A yag berla K 32

Aalss Efses Algortma Step 4 = Tetuka rumus sgma yag meujukka berapa kal basc operato deksekus Utuk Average case : Asumska Data K memag ada d A Probabltas K terletak d eleme tertetu A terdstrbus merata. Probabltas K terletak d eleme ke = / 33

Aalss Efses Algortma Step 4 = Tetuka rumus sgma yag meujukka berapa kal basc operato deksekus Poss K dtemuka Bayakya eksekus basc operato Probabltas terjad Kotrbus pada C() / * / 2 2 / 2 * / N * / Betuk umum : * / 34

Aalss Efses Algortma Step 4 = Tetuka rumus sgma yag meujukka berapa kal basc operato deksekus Sehgga utuk Average case : C( ) * 35

Aalss Efses Algortma Step 5 = Selesaka rumus sgma yag meujukka berapa kal basc operato deksekus Best case utuk sequetal search C( ) C( ) Best case pada sequetal search C() = Utuk put berukura, basc operato dlakuka kal 36

Aalss Efses Algortma Step 5 = Selesaka rumus sgma yag meujukka berapa kal basc operato deksekus Worst case utuk sequetal search C( ) C( ) Worst case pada sequetal search C() = Utuk put berukura, basc operato dlakuka kal 37

Aalss Efses Algortma Step 5 = Selesaka rumus sgma yag meujukka berapa kal basc operato deksekus Average case pada sequetal search 38 C * ) ( C ) ( ) ( 2 ) ( 2 * ) ( C

Aalss Efses Algortma Step 5 = Selesaka rumus sgma yag meujukka berapa kal basc operato deksekus Average case pada sequetal search ( ) C( ) 2 Utuk = 0, C() = 5,5 Apakah tu berart K berada pada eleme 5 atau 6 Apa artya? 39

Aalss Efses Algortma Estmas waktu rug algortma sequetal search T() = C op * C() T() = Waktu yag dperluka utuk megeksekus algortma dega put berukura C op = Waktu utuk megeksekus basc operato kal. Basaya dtetuka satua waktu Htug T() utuk sequetal search pada best case, worst case da average case! 40

Latha Buat algortma utuk meghtug X secara teratf megguaka cara X = X * X * X * * X sebayak kal. Estmas rug tme algortma yag ada buat! 4

Latha 2 Algorthm mystery(a[0..-]) X A[0] for to do f A[] > X X A[] retur X. Apa yag dlakuka algortma mystery? 2. Estmaska waktu eksekus algortma mystery 3. Estmas waktu eksekus algortma mystery utuk put A = [, 2, 5, 9, 4, 4, 7, 0,, 6] 42

Latha 3 Algorthm mystery2(a[0..-]) X A[0] for 0 to - do for j 0 to do X A[]+A[j] retur X. Apa Basc Operatoya? 2. Estmaska waktu eksekus algortma mystery2 43

Latha 3 Algorthm mystery2(a[0..-]) X A[0] for 0 to - do for j 0 to - do X A[]+A[j] retur X. Apa Basc Operatoya? 2. Estmaska waktu eksekus algortma mystery2 44

Latha 4 Algorthm MatrxMultplcato(A[0..-, 0..-], B[0..-, 0..-]) //multples two square matrces of order by the // defto-based algorthm //put: two -by- matrces A ad B //output: matrx C = AB for 0 to - do for j 0 to - do C[,j] 0,0 for k 0 to - do C[,j] C[,j] + A[,k]* B[k,j] retur C CS3024-FAZ 45

CS3024-FAZ 46 Latha 4: Aalyss () Iput s sze = matrx order I the ermost loop: multplcato & addto basc operato caddates MUL & ADD executed exactly oce o each repetto o ermost loop we do t have to choose betwee these two operatos Sum of total umber of multplcato 0 3 2 0 0 0 0 0 ) ( j j k M

CS3024-FAZ 47 Latha 4: Aalyss (2) Estmate the rug tme of the algorthm o a partcular mache More accurate estmato (clude addto) c m : the tme of oe multplcato c a : the tme of oe addto 3 ) ( ) ( c M c T m m 3 3 3 ) ( ) ( ) ( ) ( c c c c A c M c T a m a m a m

Example 4 Algorthm Bary() //put: a postve decmal teger //output: the umber of bary dgts s bary represetato cout whle > do cout cout + /2 retur cout CS3024-FAZ 48

Exp4: Aalyss () The most frequet executed operato s the comparso > The umber of tmes the comparso wll be executed s larger tha the umber of repetto of the loop s body by exactly CS3024-FAZ 49

Exp4: Aalyss (2) The value of s about halved o each repetto of the loop about log 2 The exact formula: log 2 + Aother approach aalyss techques based o recurrece relato CS3024-FAZ 50

Soal Algorthm uqueelemet(a[0..-]) //memerksa apakah setap eleme A uk //put : array A[0..-] //output : megembalka true jka setap eleme A uk da false jka terdapat beberapa eleme yag laya sama for 0 to 2 do for j + to - do Retur true If A[] = A[j] retur false Estmas rug tme algortma uqueelemet! (Aay levt halama 63) 5

CS3024-FAZ 55 Exercses (). Compute the followg sums: a. + 3 + 5 + 7 + + 999 b. 2 + 4 + 6 + 8 + + 024 c. 2. Compute order of growth of the followg sums j j j j 0 3 3 ; 3 ); ( ; ; ; )2 ( ; lg ; ) ( 2 2 0 2 2

Exercses (2) 3. Algorthm Mystery() //put: a oegatve teger S 0 for to do S S + * retur S a. What does ths algorthm compute? b. What s ts basc operato? c. How may tmes s the basc op executed? d. What s the effcecy class of ths algorthm? e. Ca you make ay mprovemet? CS3024-FAZ 56

Exercses (3) 4. Algorthm Secret(A[0..-]) //put: a array A[0..-] of real umber m A[0]; ma A[0] for to - do f A[] < m the m A[] f A[] > ma the ma A[] retur ma - m a. What does ths algorthm compute? b. What s ts basc operato? c. How may tmes s the basc op executed? d. What s the effcecy class of ths algorthm? e. Ca you make ay mprovemet? CS3024-FAZ 57

Aalss Algortma No-Rekursf Lagkah-lagkah umum utuk megaalss efses waktu algortma. Tetuka parameter yag megdkaska ukura put 2. Idetfkas basc operato algortma 3. Tetuka apakah utuk ukura put yag sama bayakya eksekus basc operato bsa berbeda 4. Tetuka rumus sgma yag meujukka berapa kal basc operato deksekus 5. Selesaka rumus sgma utuk meghtug bayakya eksekus basc operato 58

Latha Algorthm mystery(a[0..-]) X A[0] for to do f A[] > X X A[] retur X. Apa yag dlakuka algortma mystery? 2. Estmaska waktu eksekus algortma mystery 3. Estmas waktu eksekus algortma mystery utuk put A = [, 2, 5, 9, 4, 4, 7, 0,, 6] 59

Utuk apa kta mecar T()? Apakah utuk megestmas rug tme algortma? Tujua utama mecar T() buka mecar waktu eksak yag dbutuhka utuk megeksekus sebuah algortma Tetap utuk megetahu tgkat pertumbuha waktu eksekus algortma jka ukura put bertambah (order of growth) 60

Latha Algortma mystery T() =. Estmas waktu eksekus algortma jka array putya memlk aggota 0 eleme 20 eleme 30 eleme Buat grafk yag meujukka hubuga atara bayakya eleme array yag deksekus dega waktu eksekus 6

Orders of Growth Order of Growth adalah Tgkat pertumbaha waktu eksekus algortma jka ukura put bertambah 62

Latha Urutka waktu eksekus algortma 4 berdasar order of growthya dar kecl ke besar T () = 2 T 2 () = 3 T 3 () = T 4 () = log 2 T (0) = 00 T 2 (0) =,000 T 3 (0) = 0 T 4 (0) = 3.3 T (00) = 0,000 T 2 (00) =,000,000 T 3 (00) = 00 T 4 (00) = 6.6 63

Membadgka Orders of Growth Algortma A da B merupaka algortma utuk meyelesaka permasalaha yag sama. Utuk put berukura, waktu eksekus algortma A adalah T A () sedagka waktu eksekus algortma B adalah T B (). Orders of growth maa yag palg besar? lm ~ T T A B ( ) ( ) 64

Membadgka Orders of Growth lm ~ T T A B ( ) ( ) 0 maka OoG T A () < OoG T B () C maka OoG T A () = OoG T B () ~ maka OoG T A () > OoG T B () 65

Example () Compare OoG of ½(-) ad 2. 2 2 ( ) lm lm lm 2 2 2 2 The lmt = c ½(-) ( 2 ) 2 Compare OoG of log 2 ad log (log 2 )' (log 2 e) lm 2 lm lm 2log 2 elm ( )' The lmt = 0 log 2 has smaller order of 2 0 CS3024-FAZ 66

Example (2) Compare OoG of! ad 2. lm! 2 lm 2 2 e lm 2 2 e lm 2 2e The lmt =! (2 ) CS3024-FAZ 67

Tugas Terdapat dua algortma yag meyelesaka permasalaha yag sama. Utuk put berukura, Algortma meyelesaka dalam T () = 30 2 + 2 + 5. Algortma 2 dalam T 2 () = 3 + Maa yag lebh besar, OoG T atau T 2? Megapa? Utuk kecl, maa yag ada plh? Megapa? Utuk besar, maa yag ada plh? Megapa? 68

Kelas-Kelas Order of Growth Mak ke bawah, OoGya mak besar C logn N NlogN costat logarthmc lear N 2 quadratc N 3 cubc 2 N expoetal N! factoral 69

Grafk Kelas-Kelas Order of Growth 70

Sfat Order of Growth Msal T() = T () + T 2 () + + T () Maka OoG T() = max OoG(T (), T 2 (),, T ()) Msal T() = cf() Maka OoG T() = f() 7

Example Alg to check whether a array has detcal elemets:. Sort the array 2. Sca the sorted array to check ts cosecutve elemets for equalty () = ½(-) comparso O( 2 ) (2) = - comparso O() The effcecy of ()+(2) = O(max{ 2,}) = O( 2 ) CS3024-FAZ 72

Tugas 2 Tetuka kelas orders of growth dar T () = 2 3 + 4 + T 2 () = 0,5! + 0 T 3 () = 3 + log T 4 () = 2 + 4 3 + log +0 73

Kelas-Kelas OoG () Waktu pelaksaaa algortma adalah tetap, tdak bergatug pada ukura put. (log ) Komplekstas waktu logartmk berart laju pertumbuha waktuya berjala lebh lambat darpada pertumbuha. () Bla djadka dua kal semula, maka waktu pelaksaaa algortma juga dua kal semula. 74

Kelas-Kelas OoG ( log ) Bla djadka dua kal semula, maka log mejad lebh dar dua kal semula (tetap tdak terlalu bayak) ( 2 )Bla dakka mejad dua kal semula, maka waktu pelaksaaa algortma megkat mejad empat kal semula. ( 3 )Bla dakka mejad dua kal semula, waktu pelaksaa algortma megkat mejad delapa kal semula. 75

Kelas-Kelas OoG (2 )Bla djadka dua kal semula, waktu pelaksaaa mejad kuadrat kal semula! (!)Bla djadka dua kal semula, maka waktu pelaksaaa algortma mejad faktoral dar 2. 76

Clck to edt subttle style