ANALISIS ALGORITMA REKURSIF DAN NONREKURSIF

dokumen-dokumen yang mirip
Design and Analysis Algorithm

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

STATISTIKA: UKURAN PEMUSATAN. Tujuan Pembelajaran

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

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

NORM VEKTOR DAN NORM MATRIKS

MATEMATIKA INTEGRAL RIEMANN

BAB 6 PRINSIP INKLUSI DAN EKSKLUSI

FMDAM (2) TOPSIS TOPSIS TOPSIS. Charitas Fibriani

8. MENGANALISIS HASIL EVALUASI

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

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

BAB 5. ANALISIS REGRESI DAN KORELASI

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM

BAB 5 BARISAN DAN DERET KOMPLEKS. Secara esensi, pembahasan tentang barisan dan deret komlpeks sama dengan barisan dan deret real.

UKURAN GEJALA PUSAT DAN UKURAN LETAK

BAB III PERSAMAAN PANAS DIMENSI SATU

SOLUSI TUGAS I HIMPUNAN

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

PRINSIP INKLUSI- EKSKLUSI INCLUSION- EXCLUSION PRINCIPLE

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

b) Untuk data berfrekuensi fixi Data (Xi)

SIFAT-SIFAT LANJUT FUNGSI TERBATAS

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

* MEMBUAT DAFTAR DISTRIBUSI FREKUENSI MENGGUNAKAN ATURAN STURGES

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

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

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

2.2.3 Ukuran Dispersi

BAB II LANDASAN TEORI

WAKTU PERGANTIAN ALAT BERAT JENIS WHEEL LOADER DENGAN METODE LEAST COST

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

UKURAN GEJALA PUSAT (UGP)

( ) ( ) ( ) ( ) ( ) III MODEL. , θ Ω. 1 Pendugaan parameter dengan metode maximum lkelihood estimation dapat diperoleh dari:

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

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

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

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

STATISTIKA A. Definisi Umum B. Tabel Distribusi Frekuensi

PENDAHULUAN. Di dalam modul ini Anda akan mempelajari teori gangguan bebas waktu yang mencakup:

BAB 1 ERROR PERHITUNGAN NUMERIK

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

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

PRAKTIKUM 5 Penyelesaian Persamaan Non Linier Metode Secant Dengan Modifikasi Tabel

BAB II LANDASAN TEORI

Ruang Banach. Sumanang Muhtar Gozali UNIVERSITAS PENDIDIKAN INDONESIA

IMPLEMENTASI DAN KOMPARASI ATURAN SEGIEMPAT UNTUK PENYELESAIAN INTEGRAL DENGAN BATAS MENGGUNAKAN MATLAB

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

KODE SIKLIK (CYCLIC CODES)

II. LANDASAN TEORI. Pada bab II ini, akan dibahas pengertian-pengertian (definisi) dan teoremateorema

MINGGU KE-10 HUBUNGAN ANTAR KONVERGENSI

KODE SIKLIK (CYCLIC CODES)

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

TUGAS MATA KULIAH TEORI RING LANJUT MODUL NOETHER

XI. ANALISIS REGRESI KORELASI

S2 MP Oleh ; N. Setyaningsih

PRAKTIKUM 7 Penyelesaian Persamaan Non Linier Metode Secant Dengan Modifikasi Tabel

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

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

BAB 2. Tinjauan Teoritis

REPRESENTASI BILANGAN FIBONACCI DALAM BENTUK KOMBINATORIAL

BAB III UKURAN PEMUSATAN DATA

Penarikan Contoh Gerombol (Cluster Sampling) Departemen Statistika FMIPA IPB

Kompleksitas Waktu untuk Algoritma Rekursif. ZK Abdurahman Baizal

BAB II TINJAUAN PUSTAKA

Orbit Fraktal Himpunan Julia

POLIGON TERBUKA TERIKAT SEMPURNA

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

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

I PENDAHULUAN II LANDASAN TEORI

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

Penarikan Contoh Acak Sederhana (Simple Random Sampling)

Sudaryatno Sudirham. Permutasi dan Kombinasi

BAB III MENYELESAIKAN MASALAH REGRESI INVERS DENGAN METODE GRAYBILL. Masalah regresi invers dengan bentuk linear dapat dijumpai dalam

INTERPOLASI. FTI-Universitas Yarsi

TINJAUAN PUSTAKA Evaluasi Pengajaran

TAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM. Sudarno Jurusan Matematika FMIPA UNDIP

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

Pada saat upacara bendera, kita sering memperhatikan teman-teman kita.

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

BAB II LANDASAN TEORI. merepresentasikan dan menjelaskan permasalahan pada dunia nyata ke dalam. pernyataan matematis (Widowati & Sutimin, 2007 : 1).

II. TINJAUAN PUSTAKA. Dalam proses penelitian untuk menganalisis aproksimasi fungsi dengan metode

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

Regresi Linier Sederhana Definisi Pengaruh

Regresi & Korelasi Linier Sederhana

Penelitian Operasional II Teori Permainan TEORI PERMAINAN

BAB IX PENGGUNAAN STATISTIK DALAM SIMULASI

3 Departemen Statistika FMIPA IPB

UKURAN PEMUSATAN & PENYEBARAN

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

REGRESI LINIER SEDERHANA

JENIS BUNGA PEMAJEMUKAN KONTINYU

5/12/2014. Tempat Kedudukan Akar(Root Locus Analysis) ROOT LOCUS ANALYSIS

STATISTIKA. A. Tabel Langkah untuk mengelompokkan data ke dalam tabel distribusi frekuensi data berkelompok/berinterval: a. Rentang/Jangkauan (J)

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

100% r n. besarnya %. n. h t t p : / / m a t e m a t r i c k. b l o g s p o t. c o m =. 400

Tabel Distribusi Frekuensi

47 Soal dengan Pembahasan, 46 Soal Latihan

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

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

Transkripsi:

ANALISIS ALGORITMA REKURSIF DAN NONREKURSIF KELOMPOK A I GUSTI BAGUS HADI WIDHINUGRAHA (0860500) NI PUTU SINTYA DEWI (0860507) LUH GEDE PUTRI SUARDANI (0860508) I PUTU INDRA MAHENDRA PRIYADI (0860500) DESAIN ANALISIS DAN ALGORITMA

PENDAHULUAN Bagamaa megaalss algortma Rekursf? Bagamaa megaalss algortma No- Rekursf? Bagamaa cara mecar komplekstas waktu pada algortma Rekursf da No- Rekursf? Bagamaa cara meetuka otas asmptotk dar algortma Rekursf da No- Rekursf?

Mapulas Pejumlaha Petg ) ( ) (... bawah da atas lmt :teger ; ) ( 0 u l u l b a b a a c ca u l u u u u u

Mapulas Pejumlaha Petg k k k k k a a a a a a a k 0 3 lg lg... 0.577 ; l... ) (...... 3 6 ) )( (...

Algortma Rekursf

Betuk Rekursf Suatu subrut/fugs yag memaggl drya sedr. Pemaggla fugs yag berulag terdapat dalam bod fugs Dega rekursf, program aka lebh mudah dlhat

Tujua Betuk Rekursf Meyederhaaka peulsa program Meggatka betuk teras

Syarat Betuk Rekursf Ada kods termal (bass) Ada subroute call yag melbatka parameter yag laya meuju kods termal (recurrece)

Efses Waktu Algortma Recursve Lagkah-lagkah dalam aalss matemats dar algortma rekursf:. Tetuka parameter yag meujukka ukura put. Tetuka operas dasar algortma (loop terdalam) 3. Tetuka apakah utuk ukura put yag sama bayakya eksekus basc operato sama atau berbeda. 4. Tetuka relas rekures, dega kods awal yag tepat utuk berapa kal algortma aka djalaka 5. Meyelesaka solus relas rekures yag ddapat d omor 4 (t()) 6. Tetuka g() dmaa t() termasuk salah satu

Cotoh Meghtug faktoral Mear hao

Meghtug Faktoral Fucto Faktoral (put : teger) teger {meghaslka la!, tdak egatf} Algortma : If =0 the Retur Else Retur ( *faktoral (-) ) Edf

Aalss Ukura put = Komplekstas waktu: Utuk kasus bass, tdak ada operas perkala T(0) = 0 (kods awal) Utuk kasus rekures, komplekstas waktu dukur dar jumlah perkala () dtambah komplekstas waktu utuk faktoral (-)

Aalss Komplekstas waktu T() =+T(-) T() =++T(-)=+T(-) T() =++T(-3)=3+T(-3) = = = +T(0) = + 0 Jad T() = T() O()

Vsualsas

Meara hao Bagamaa memdahka seluruh prga tersebut ke sebuah tag yag la (dar A ke B); setap kal haya satu prga yag boleh dpdahka, tetap tdak boleh ada prga besar d atas prga kecl. Ada tag peratara C.

Algortma Procedure Hao (put, A, B, C:teger) Algortma If = the Edf Wrte ( Pdahka prga dar,a, ke,b) Else Hao(-,A,C,B) Wrtel( Pdahka prga dar,a, ke,b) Hao(-,C,B,A) Relas Rekures

T()= + adalah jumlah seluruh perpdaha prga dar satu tag ke tag laya. Bla terdapat 64 tumpuka prga da perpdaha prga butuh waktu detk, maka waktu yag dbutuhka : detk 64 detk = 0.446.744.073.709.55.65 detk = kra-kra 600 mlyar tahu

Vsualsas

Algortma No Rekursf

Efses Waktu Algortma Norekursf Lagkah-lagkah dalam aalss matemats dar algortma orekursf:. Tetuka parameter yag meujukka ukura put.. Tetuka operas dasar algortma (loop terdalam). 3. Tetuka apakah utuk ukura put yag sama bayakya eksekus operas dasar yag dlakuka sama atau berbeda. 4. Tetuka rumus sgma yag meujukka berapa kal operas dasar djalaka. 5. Selesaka rumus sgma utuk meghtug bayakya operas dasar djalaka.

Cotoh: Perkala Matrks Max Elemet

Cotoh. Perkala Matrks Algortma PerkalaMatrk(A[0 -,0 -], B[0 -,0 -]) //megalka matrks perseg berordo //put: matrks A da B //output: Matrks 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

Cotoh. Aalss() Ukura put = matrks ordo Loop terdalam = perkala da peambaha calo operas dasar Perkala da pertambaha dlakuka tepat sekal dalam setap perulaga, sehgga kta tdak harus memlh atara dua operas Jumlah dar total perkala () M 0j 0k 0 0j 0 0 3

Cotoh. Aalss () Perkraa waktu berjalaya algortma pada mes tertetu T( ) cm () m c 3 m Perkraa yag lebh akurat (termasuk peambaha) T 3 3 3 )( mmc )( aac )( ma ccc ( m a) c c m :waktu satu perkala c a :waktu satu tambaha

Vsualsas

Cotoh. Algortma MaxElemet Berkut adalah algortma utuk mecar eleme terbesar dar sekumpula blaga: ALGORITHM MaxElemet (A[0..-]) //Iput: Array A[0..-] dar blaga real //Output: Nla dar eleme terbesar pada array A max A[0] for to - do f A[] > max max A[] retur max

Cotoh. Aalss () Ukura put dar algortma adalah jumlah eleme pada array, yatu. Operas dasar yag palg bayak deksekus ada dalam loop for. Ada operas dalam loop: perbadga A[] >max da assgmet max A[]. Karea operas perbadga deksekus pada tap teras (da operas assgmet tdak), maka perbadga djadka sebaga operas dasar.

Cotoh. Aalss ()

Vsualsas

Pertayaa Megapa dalam T() O() memaka otas O? Da megapa dalam mapulas pejumlaha petg terdapat peryataa? (Mer Sryat) T() O( ) Buktka bahwa? (Eka Ayugsh) Apa maksud dar termal da body fugs? (Tutde Suputrawa)

Pembahasa. Pembukta T() O() Msalka dberka lmt : lm t )( lm lm g )( Sehgga Jad bear bahwa T() O()

Pembukta ( ) Msalka dberka lmt: TA ( ) lm ~ T( ) B Jka hasl: 0 maka OoG T A () < OoG T B () otas : O C maka OoG T A () = OoG T B () otas : Ɵ maka OoG T A () > OoG T B () otas : Ω

Sehgga lm lm Jad bear bahwa ( )

. Pembukta T() O( ) lm lm 0 log. Jad bear bahwa T( ) O ()

3. Termal adalah kods awal dar suatu fugs rekursf, dmaa kods termal adalah tempat perheta fugs rekursf, sedagka body fugs megadug fugs rekursf. Pemaggla fugs yag berulag terdapat dalam bod fugs. Cotoh dalam pseudocode faktoral, yag mejad termal adalah f (=0) the retur, yag mejad bod fugs adalah retur (*factoral(-))