Minggu, 30 Mei 2010

Minimum Spanning Tree

1

Minimum Spanning Tree

Minimum spanning tree adalah suatu pohon yang dapat didefinisikan dengan sebuah graf. Graf berarah dan graf tidak berarah adalah subgraf yang setiap node/simpulnya terkoneksi satu sama lain. Sebuah graf, dapat memberikan pohon rentang yang berbeda. Pada setiap ruas/edge, kita dapat memberikan suatu bobot untuk menentukan suatu nilai. Setiap bobot tersebut akan dibandingkan dengan bobot yang lain yang mengarah pada simpul berikutnya, selanjutnya akan dipilih bobot yang terkecil. Hal ini akan terus dilakukan sampai menuju simpul tujuan. Ini yang disebut dengan minimum spanning tree.

Gambar ini adalah graf berbobot awal. Pada awalnya graf tersebut bukan pohon karena terdapat sirkuit. Setelah penjelasan sebelumnya dilakukan, maka akan terdapat suatu jalur dan itu disebut minimum spanning tree. Salah satu contohnya adalah perusahaan TV kabel yang memasang kabel ke lingkungan baru. Jika dibatasi untuk mengubur kabel hanya di sepanjang jalan tertentu, maka ada graf yang mewakili suatu jalur. Beberapa jalur tersebut mungkin akan lebih lama, karena memerlukan kabel yang akan dikubur lebih dalam, sehingga membutuhkan biaya yang lebih mahal. Dengan adanya minimum spanning tree, maka akan didapatkan total biaya yang lebih rendah.



Kemungkianan Keseragaman

Dalam suatu graf memungkinkan adanya kesamaan bobot pada setiap ruas untuk menuju simpul tujuan. Dengan ini, maka akan adanya perbedaan jalur, tetapi stiap jalur tersebut memiliki total bobot yang sama.



Keunikan

Jika setiap ruas memiliki bobot yang berbeda, maka akan ada satu minimum spanning tree yang unik. Hal ini dapat dibuktikan dengan induksi atau kontradiksi. Hal ini berlaku dalam situasi yang realistis, seperti contoh perusahaan TV kabel di atas, dimana tidak ada dua jalur yang memiliki biaya yang sama persis.

Minimum Spanning tree juga dapat disebut sebagai biaya graf minimum. Sebagai contoh, apabila kita akan menuju suatu tempat dengan banyak jalur yang ada, kita akan membutuhkan biaya yang mahal untuk mencapai suatu tempat tersebut dengan jalur yang tidak optimal. Dengan adanya minimum spanning tree ini, kita dapat mengetahui jalur mana yang harus dilewati sehingga hanya memerlukan biaya yang murah, dan waktu yang lebih cepat.



Sirkuit

Pada dasarnya dalam sebuah pohon, tidak diperkenankan adanya sirkuit. Untuk mendapatkan minimum spanning tree maka akan ditelusuri suatu jalur yang memiliki bobot terkecil dengan menghindari adanya sirkuit.



Algoritma

Algoritma pertama untuk mencari pohon rentang minimum dikembangkan oleh ilmuwan Ceko Otakar Borůvka pada tahun 1926 (lihat algoritma Borůvka's). Tujuannya adalah cakupan listrik efisien Moravia. Sekarang ada dua algoritma yang umum digunakan, algoritma Prim dan algoritma Kruskal's. Ketiga adalah algoritma greedy yang dijalankan dalam waktu polynomial. Algoritma greedy lainnya tidak umum digunakan adalah algoritma reverse-delete, yang merupakan kebalikan dari algoritma Kruskal's. Algoritma minimumspanning tree tercepat sampai saat ini dikembangkan oleh Bernard Chazelle, dengan running time adalah O (m α (m, n)), di mana m adalah jumlah ruas, n adalah jumlah simpul dan α adalah kebalikan fungsional klasik dari fungsi Ackermann. Fungsi ini tumbuh sangat lambat.

Baru-baru ini, penelitian telah difokuskan pada pemecahan masalah minimum spanning tree dengan cara yang sangat parallelized. Dengan jumlah prosesor linier yang mungkin untuk memecahkan masalah dalam O (logn) kali. Sebuah penulisan pada tahun 2003 "Fast Shared-Memory Algorithms for Computing the Minimum Spanning Forest of Sparse Graphs" oleh David A. Bader dan Guojing Cong mendemonstrasikan algoritma pragmatic yang dapat mengkomputasi MST 5 kali lebih cepat didalam 8 prosesor daripada algorima optimized sequential.

Algoritma khusus lainnya telah dirancang untuk komputasi pohon rentang minimum dari suatu graf begitu besar sehingga sebagian besar harus disimpan pada disk setiap saat. Algoritma penyimpanan eksternal ini, misalnya seperti yang dijelaskan dalam "Rekayasa sebuah Memori Eksternal Minimum Spanning Tree Algoritma" oleh Romawi Dementie dapat beroperasi setidaknya 2 sampai 5 kali lebih lambat dari algoritma tradisional di memori. mereka mengklaim bahwa "minimum spanning tree masalah besar mengisi beberapa hard disk dapat diatasi semalam di PC." Mereka mengandalkan efisien algoritma pengurutan penyimpanan eksternal dan teknik grafik kontraksi untuk mengurangi ukuran grafik secara efisien. Masalahnya juga dapat didekati dengan cara yang didistribusikan. Jika masing simpul dianggap komputer dan simpul tidak tahu apa-apa kecuali link terhubung, kita masih dapat menghitung distribusi pohon rentang minimum.





Source article :

http://en.wikipedia.org/wiki/Minimum_spanning_tree

Minggu, 21 Maret 2010

Algoritma Genetika

3

“Algoritma Genetik”

Sebuah algoritma genetika (GA) adalah sebuah pencarian teknik yang digunakan dalam komputasi untuk mencari persis atau perkiraan solusi untuk optimasi dan mencari masalah. Algoritma genetic dikategorikan sebagai pencarian global heuristik. Algoritma genetik adalah kelas khusus dari algoritma evolusioner (EA) yang menggunakan teknik yang terinspirasi oleh biologi evolusioner seperti warisan, mutasi, seleksi, dan crossover.

Algoritma genetik menemukan aplikasi di bioinformatika, Phylogenetics, ilmu komputer, teknik, ekonomi, kimia, manufaktur, matematika, fisika dan bidang lainnya.

Algoritma genetik yang umum membutuhkan:

  1. Sebuah representasi genetik dari solusi domain,
  2. Sebuah fungsi fitness untuk mengevaluasi solusi domain.

Algoritma genetik yang dilaksanakan dalam simulasi komputer dimana sebuah populasi representasi abstrak (disebut kromosom atau genotipe dari genom) dari solusi-solusi calon (disebut individu, makhluk, atau fenotip) untuk sebuah masalah optimasi berkembang menuju solusi yang lebih baik. Secara tradisional, solusi direpresentasikan dalam biner sebagai benang dari 0s dan 1s, tapi encoding lain juga mungkin. Evolusi biasanya dimulai dari sebuah populasi individu yang dihasilkan secara acak dan terjadi dalam generasi. Dalam setiap generasi, kebugaran setiap individu dalam populasi dievaluasi, beberapa individu stochastically dipilih dari populasi sekarang (berdasarkan kebugaran mereka), dan dimodifikasi (digabungkan dan mungkin bermutasi secara acak) untuk membentuk populasi baru. Penduduk baru kemudian digunakan dalam iterasi berikutnya dari algoritma. Umumnya, algoritma berakhir ketika baik jumlah maksimum generasi telah diproduksi, atau tingkat kebugaran yang memuaskan telah dicapai untuk populasi. Jika algoritma telah dihentikan karena jumlah maksimum generasi, solusi yang memuaskan mungkin atau mungkin belum tercapai.

Sederhana generasi pseudocode algoritma genetika

  1. Pilih awal populasi dari individu-individu
  2. Mengevaluasi kesesuaian setiap individu dalam populasi
  3. Ulangi pada generasi sampai terminasi: (batas waktu, cukup kebugaran dicapai, dll).
  4. Pilih yang paling cocok individu untuk reproduksi.
  5. Keturunan individu baru melalui crossover dan mutasi operasi untuk melahirkan keturunan .
  6. Evaluasi kesesuaian individu individu baru.
  7. Ganti setidaknya-populasi sesuai dengan individu-individu baru.

Optimasi skema yang didasarkan pada algoritma genetika (GA) dapat menghindari masalah-masalah yang melekat pada pendekatan yang lebih tradisional. Pembatasan pada kisaran parameter-ruang yang dikenakan hanya oleh pengamatan dan fisika dari model. Meskipun parameter-ruang yang ditetapkan sehingga sering cukup besar, GA menyediakan cara yang relatif efisien secara global untuk mencari kecocokan model. Pada problem optimasi yang mempunyai multiple objective seringkali tujuannya merupakan konflik dalam pencapaian nilai optimal dari ruang permasalahan dimensi tinggi (high dimensional) dan seringkali membutuhkan proses perhitungan yang rumit. Cara algoritmis yang umum dipakai dalam menyelesaikan permasalahan multi objective biasanya dengan menggunakan teknik konvensional seperti goal programming, compromise programming dan interactive methods. Teknik-teknik ini efektif ketika menghadapi model dengan goal yang tidak terlalu banyak, namun tidak efektif ketika menghadapi model yang kurang jelas dan kompleks (jumlah variabel. subject to dan goal terlalu besar) Algoritma genetika memberikan alternatif baru dalam memecahkan banyak model sulit dari bidang optimalisasi. Metodologi yang digunakan dalam menyelesaikan persoalan multi objective goal programming dengan pendekatan GA, terlebih dahulu dilakukan dengan merubah subject to menjadi nilai domain constrain. Nilai range dari domain constrain ini kemudian diacak pada populasi tertentu untuk menentukan nilai tertinggi dari proses pencarian. Hasil akhir menunjukkan bahwa GA mampu menuntun penelusuran titik-titik optimal dalam persoalan multi objective goal programming. Titik-titik tersebut didapatkan dengan lebih efisien dibandingkan dengan proses QS3 atau LINDO. GA mampu memberikan nilai pencapaian solusi terhadap solusi idealnya lebih baik dibanding dengan metode lainnya.Hal ini disebabkan karena pada saat eksekusi GA lebih tergantung pada panjang populasi dan panjang generasi, sedangkan pada metode lainnya tergantung pada jumlah variabel yang akan dieksekusi.

Rabu, 03 Maret 2010

Pemrograman Multimedia

0

Teksbook URL

1. http://books.google.co.id/books?id=Ek6-nU5OuxQC&pg=PA6&dq=pemrograman+multimedia&cd=4#v=onepage&q=pemrograman%20multimedia&f=false

2. http://books.google.co.id/books?id=3uAMIBpFfoUC&pg=PA103&dq=pemrograman+multimedia&cd=1#v=onepage&q=pemrograman%20multimedia&f=false

3. http://books.google.co.id/books?id=8sWWozWfGlMC&pg=PA167&dq=pemrograman+multimedia&lr=&cd=24#v=onepage&q=pemrograman%20multimedia&f=false

Slide Presentasi(.ppt)

1. http://eri.staff.gunadarma.ac.id/Downloads/files/5144/pendahuluan.ppt

2. http://adab.uin-suka.ac.id/file_kuliah/Perangkat%20lunak%20Multimedia.ppt

3. http://cobaberbagi.files.wordpress.com/2010/02/multimedia-interaktif-untuk-singkawang.ppt

4. http://eri.staff.gunadarma.ac.id/Downloads/files/5145/objekmulti.ppt

5. www.e-dukasi.net/sosialisasi/files/Multimedia/Multimedia.ppt

Artikel di Jurnal atau Prosiding

1. http://lecturer.ukdw.ac.id/anton/download/multimedia1.pdf

2. http://re-searchengines.com/hidayat10608.html

3. http://yudiagusta.files.wordpress.com/2009/11/047-049-knsi09-009-aplikasi-multimedia-untuk-pembelajaran-transportasi.pdf

4. http://jurnaliqro.wordpress.com/2008/08/12/pengembangan-multimedia-pembelajaran-berbantuan-komputer/

5. http://www.masaguz.com/search/Jurnal+UI

6. http://www.ubaya.ac.id/courses/pk_multimedia/0/Program_Kekhususan_Multimedia.html

7. http://id.wikipedia.org/wiki/Multimedia

8. http://www.detikinet.com/read/2010/02/23/071956/1304756/317/blackberry-siapkan-aplikasi-super

Contoh Kasus dan Solusi

Masalah Potensial Keamanan iPhone

iPhone sebagai produk keluaran terbaru dari Apple telah banyak mengundang perhatian para hacker untuk mencobai keamanannya. Yang unik dari iPhone adalah bahwa produk ini tidak dilengkapi dengan software pengaman. Namun di lain pihak, Apple juga tidak mengijinkan pemakai iPhone untuk menambahkan software pengaman sebagai langkah antisipasi untuk menghindarkan iPhone dari infeksi virus-virus software. Namun saat iPhone terhubung ke Internet, kemungkinan tersebut tetap saja terbuka, kata Marius van Oers, seorang peneliti security dari McAfee's AVERT Labs di Amsterdam. Dia sendiri tidak mau menyebutkan secara spesifik celah keamanan yang dimaksud, namun dia menyebutkan beberapa cara untuk menemukan jalan masuknya.

Apple sendiri bergantung pada pengembang dalam menciptakan aplikasi Web-based yang akan diakses secara langsung menggunakan Safari Web Browser. Menurut Oers, browser Safari ini sendiri diklaim mempunyai kelemahan yang dapat membuat hacker mendapatkan kode ilegal dari sistem yang sedang berjalan.

Masih menurut Oers, “Adalah wajar bagi seseorang untuk berkirim SMS maupun email dengan menggunakan link web. Dan sekali terkoneksi dengan link web tertentu, server dapat menyusupkan kode ke dalam iPhone, jika sekali saja hal ini terjadi maka kendali Anda akan segera berpindah”.

Hal yang terjadi pada browser Safari tersebut ditemukan oleh Independent Security Evaluators, sebuah perusahaan yang hadir pada Konferensi Keamanan Black Hat bulan Agustus yang lalu. Dari sebuah situs, para peneliti memasukkan kode ke dalam iPhone dan menyerobot pesan text, nomor telepon serta email terbaru yang masuk. Sejak saat itu Apple memperbaiki kekurangannya tersebut.

Oers memaparkan pandangannya mengenai iPhone ini pada Virus Bulletin Security di Vienna. Apple juga mengjinkan pemakaian Javascript pada saat iPhone terhubung ke Internet. Lebih lanjut, aplikasi multimedia Apple, QuickTime juga cenderung mempunyai kelemahan dalam konsep eksploitasi web.

Namun begitu, iPhone tetap populer di pasar Amerika dan Eropa dalam 6 minggu terakhir ini, sehingga Apple mungkin dapat mengharapkan lebih banyak campur tangan hacker untuk mengganggunya.

Hacker yang mengganggu ke dalam sebuah peralatan memang relatif lebih sedikit dibandingkan dengan yang mengganggu sistem komputer desktop. Namun beberapa aplikasi hacker kini telah dibuat untuk peralatan mobile, termasuk diantaranya untuk menghubungi ulang nomor telepon atau mengirim text ke nomor-nomor telepon milik hacker yang mendapatkan penghasilan darinya.

Mungkin kesempatan para hacker saat ini kecil, namun di masa yang akan datang kesempatan seperti itu bukan tidak mungkin akan meningkat, walaupun kita semua tidak mengharapkannya.(dna)

Sumber: PCWorld.com

http://www.beritanet.com/Hardware/potensial-keamanan-iphone.html