PH Konsep Algoritma

Sebuah perusahaan logistik ingin mengoptimalkan rute pengiriman barang dari gudang utama ke 100 toko yang tersebar di berbagai kota. Setiap toko memiliki permintaan barang yang berbeda-beda dan estimasi waktu pengiriman ke setiap toko juga bervariasi tergantung kondisi lalu lintas dan jarak. Perusahaan memiliki beberapa truk dengan kapasitas angkut yang berbeda, dan tujuan utama adalah meminimalkan total biaya operasional (termasuk bahan bakar dan upah supir) serta memastikan semua pengiriman selesai dalam batas waktu tertentu. Strategi algoritmik manakah yang paling sesuai untuk menyelesaikan masalah optimasi rute pengiriman ini, mengingat kompleksitas permintaan yang bervariasi, waktu pengiriman yang dinamis, dan kapasitas truk yang berbeda?

• Greedy, karena cepat dan sederhana dalam memilih rute terpendek untuk setiap pengiriman.

• Backtracking, karena dapat menjelajahi semua kemungkinan rute hingga menemukan yang paling optimal

• Dijkstra, karena algoritmanya dirancang khusus untuk menemukan jalur terpendek dalam graf

• Dynamic Programming, karena masalah ini melibatkan sub-masalah yang tumpang tindih dan struktur optimalitas yang memungkinkan optimasi multi-kendala

• Divide & Conquer, karena masalahnya dapat dipecah menjadi rute-rute yang lebih kecil dan kemudian digabungkan

Dalam masalah pengembalian uang, jika tersedia koin pecahan 1, 4, dan 6, dan Anda diminta memberikan kembalian sebesar 8, mengapa strategi Greedy tidak selalu menghasilkan solusi optimal untuk masalah ini ?

• Strategi Greedy akan masuk ke dalam loop tak terbatas karena adanya pecahan koin yang kecil

• Strategi Greedy selalu memberikan solusi optimal untuk masalah koin, sehingga pertanyaan ini salah

• Strategi Greedy membutuhkan terlalu banyak memori untuk melacak semua kemungkinan kombinasi koin

• Strategi Greedy akan memilih koin 6, lalu sisa 2 tidak bisa dipenuhi, padahal kombinasi 4+4 adalah solusi optimal

• Strategi Greedy terlalu kompleks untuk diimplementasikan dalam masalah pengembalian uang

Seorang mahasiswa ingin menggunakan Algoritma Dijkstra untuk menemukan rute terpendek di antara dua kota. Namun, dia menemukan bahwa beberapa ruas jalan memiliki 'biaya' negatif karena subsidi bahan bakar tertentu yang berlaku jika rute tersebut dilewati. Mengapa Algoritma Dijkstra tidak cocok atau mungkin memberikan hasil yang tidak akurat dalam skenario ini ?

• Algoritma Dijkstra akan selalu menghasilkan solusi suboptimal jika ada bobot negatif

• Algoritma Dijkstra tidak dapat menangani lebih dari dua kota dalam satu waktu

• Algoritma Dijkstra hanya dapat digunakan untuk graf tanpa bobot

• Algoritma Dijkstra terlalu lambat untuk graf dengan banyak simpul dan bobot yang bervariasi.

• Algoritma Dijkstra menjamin solusi optimal hanya untuk graf berbobot positif, dan dapat masuk ke dalam siklus tak terbatas dengan bobot negatif

Sebuah perusahaan sedang merencanakan jadwal produksi untuk beberapa produk. Setiap produk memiliki keuntungan berbeda dan membutuhkan waktu produksi yang bervariasi. Perusahaan memiliki total waktu produksi yang terbatas dan ingin memaksimalkan keuntungan. Masalah ini memiliki ciri di mana keputusan produksi untuk satu produk dapat memengaruhi ketersediaan waktu untuk produk lain, dan seringkali ada sub-bagian dari masalah yang serupa dan tumpang tindih. Strategi algoritmik manakah yang paling efektif untuk menyelesaikan masalah ini ?

• Dynamic Programming, karena melibatkan sub-masalah yang tumpang tindih dan struktur optimalitas untuk maksimasi keuntungan dalam batasan sumber daya

• Backtracking, karena dapat mencoba semua kombinasi produk untuk menemukan keuntungan maksimum

• Greedy, karena dapat memilih produk dengan keuntungan tertinggi di setiap langkah hingga waktu habis

• Dijkstra, karena masalah ini adalah tentang optimasi dan pemilihan rute produksi terbaik

• Divide & Conquer, karena masalahnya dapat dipecah menjadi sub-masalah produksi untuk setiap produk

Seorang ilmuwan komputer sedang mendesain algoritma untuk memecahkan teka-teki labirin yang sangat besar. Dia membutuhkan algoritma yang dapat menjelajahi semua kemungkinan jalur dan 'mundur' jika jalur yang dipilih ternyata buntu atau tidak mengarah ke solusi. Apa ciri khas utama yang membedakan strategi Backtracking dari strategi eksplorasi lain seperti Greedy atau Divide & Conquer dalam konteks ini ?

• Backtracking tidak memerlukan penyimpanan memori untuk jalur yang telah dicoba

• Backtracking secara sistematis mencoba semua kemungkinan dan melakukan revisi (mundur) ketika menemui jalan buntu atau solusi sementara gagal

• Backtracking membagi masalah labirin menjadi sub-masalah yang sepenuhnya independen

• Backtracking memilih solusi terbaik secara lokal di setiap belokan labirin

• Backtracking selalu menemukan solusi tercepat untuk labirin

Dalam konteks pengurutan daftar angka yang sangat besar, mengapa Merge Sort, yang merupakan contoh dari strategi Divide & Conquer, seringkali lebih disukai daripada pendekatan Greedy atau Backtracking, meskipun mungkin ada 'overhead penggabungan'?

• Karena Merge Sort adalah algoritma termudah untuk diimplementasikan di antara ketiganya

• Karena Merge Sort dapat menangani graf berbobot negatif, yang sering ditemukan dalam masalah pengurutan

• Karena Divide & Conquer secara inheren lebih efisien dan terstruktur untuk masalah pengurutan skala besar, sementara Greedy dan Backtracking memiliki keterbatasan yang signifikan pada kasus tersebut

• Karena Merge Sort tidak menggunakan rekursi, sehingga lebih cepat dalam pengolahan data besar

• Karena Merge Sort selalu menemukan solusi optimal secara global tanpa overhead penggabungan yang signifikan

Sebuah tim pengembang sedang merancang sistem rekomendasi film. Mereka memiliki database film dengan rating pengguna, genre, dan aktor. Tujuan mereka adalah merekomendasikan film yang paling mirip dengan film yang disukai pengguna, namun juga harus mempertimbangkan keragaman genre dan aktor agar pengguna tidak bosan. Jika mereka memilih untuk menggunakan pendekatan Greedy untuk memilih film satu per satu berdasarkan kemiripan tertinggi, apa potensi kelemahan fatal dari pendekatan ini dalam mencapai tujuan 'keragaman'?

• Pendekatan Greedy tidak dapat mengurutkan film berdasarkan rating atau kemiripan

• Pendekatan Greedy akan selalu memilih film dari genre yang sama atau yang sangat mirip secara berulang, mengabaikan keragaman yang diinginkan

• Pendekatan Greedy akan membutuhkan terlalu banyak memori untuk menyimpan semua rekomendasi yang mungkin

• Pendekatan Greedy akan terlalu lambat untuk basis data film yang besar.

• Pendekatan Greedy hanya bekerja dengan data numerik dan tidak bisa memproses genre atau aktor

Seorang programmer sedang menghadapi masalah di mana dia harus membuat jadwal kuliah untuk siswa. Ada banyak mata kuliah yang bisa dipilih, dan setiap mata kuliah memiliki prasyarat dan batasan kapasitas kelas. Tujuannya adalah membuat jadwal yang optimal untuk setiap siswa, memenuhi semua prasyarat, dan memaksimalkan jumlah mata kuliah yang bisa diambil siswa, namun seringkali ada keputusan yang tumpang tindih (misalnya, memilih satu mata kuliah mungkin memengaruhi ketersediaan mata kuliah lain). Mengingat kompleksitas ini, karakteristik masalah mana yang paling mendukung penggunaan Dynamic Programming ?

• Adanya sub-masalah yang tumpang tindih dan struktur optimalitas, yang berarti solusi optimal keseluruhan dapat dibangun dari solusi optimal sub-masalah.

• Tujuan untuk menemukan jalur terpendek dalam graf berbobot positif

• Kebutuhan untuk menjelajahi setiap jalur yang mungkin dan mundur jika buntu

• Keharusan untuk membuat pilihan terbaik secara lokal di setiap langkah tanpa revisi

• Kemampuan untuk memecah masalah menjadi sub-masalah yang sepenuhnya independen

Sebuah perusahaan keamanan siber sedang mengembangkan sistem untuk menguji kerentanan kata sandi dengan mencoba semua kombinasi karakter yang mungkin hingga menemukan kata sandi yang benar. Masalah ini melibatkan pencarian di ruang solusi yang sangat besar dan membutuhkan eksplorasi yang sistematis untuk menemukan satu atau semua solusi yang valid. Strategi algoritmik manakah yang paling sesuai untuk skenario ini, dan mengapa ?

• Backtracking, karena dirancang untuk menjelajahi semua kemungkinan solusi secara sistematis dalam masalah pencarian kombinatorial dan dapat mundur jika kombinasi tidak valid

• Divide & Conquer, karena masalah dapat dipecah menjadi bagian-bagian yang lebih kecil dari kata sandi

• Dijkstra, karena mencari jalur terpendek menuju solusi kata sandi

• Dynamic Programming, karena masalah memiliki sub-masalah yang tumpang tindih dalam pembentukan kombinasi

• Greedy, karena cepat dan sederhana untuk menemukan solusi pertama yang mungkin

Anda adalah seorang konsultan teknologi yang diminta untuk merancang algoritma untuk mengelola pengiriman paket dalam sebuah kota. Paket-paket tersebut harus dikirimkan ke berbagai alamat dalam waktu tertentu. Anda perlu mempertimbangkan kapasitas kendaraan, lalu lintas yang berubah-ubah, dan prioritas paket. Jika Anda harus memilih satu strategi algoritmik dasar sebagai fondasi, dan kemudian mengadaptasinya dengan teknik lain, strategi manakah yang paling mungkin Anda pilih untuk memulai, dan mengapa ?

• Greedy, karena memungkinkan pengambilan keputusan cepat tentang paket mana yang akan dikirim terlebih dahulu

• Divide & Conquer, karena masalah pengiriman dapat dibagi berdasarkan wilayah atau kelompok paket

• Dijkstra, karena masalah utamanya adalah menemukan rute terpendek untuk setiap paket

• Backtracking, karena dapat mencoba semua kemungkinan rute dan alokasi paket untuk menemukan yang optimal

• Dynamic Programming, karena masalah ini adalah masalah optimasi kompleks dengan berbagai kendala (kapasitas, waktu, prioritas) yang dapat dipecah menjadi sub-masalah dengan struktur optimalitas