Algoritma Complexcity

Kompleksitas Algoritma

·       Sebuah algoritma tidak saja harus benar, tetapi juga harus mangkus (efisien).

·       Algoritma yang bagus adalah algoritma yang mangkus.

·       Kemangkusan algoritma diukur dari berapa jumlah   waktu dan ruang (space) memori yang dibutuhkan untuk menjalankannya.

·       Algoritma yang mangkus ialah algoritma yang meminimumkan kebutuhan waktu dan ruang.

·       Kebutuhan waktu dan ruang suatu algoritma bergantung pada ukuran masukan (n), yang menyatakan jumlah data yang diproses.

·       Kemangkusan algoritma dapat digunakan untuk menilai algoritma yang terbaik.

·       Mengapa Kita Memerlukan Algoritma yang Mangkus?

Model Perhitungan Kebutuhan Waktu/Ruang 

·       Kita dapat mengukur waktu yang diperlukan oleh sebuah algoritma dengan menghitung banyaknya operasi/instruksi yang dieksekusi.

·       Jika kita mengetahui besaran waktu (dalam satuan detik) untuk melaksanakan sebuah operasi tertentu, maka kita dapat menghitung berapa waktu sesungguhnya untuk melaksanakan algoritma tersebut.

Contoh 1. Menghitung rerata

a1

a2

a3

…

an

                             Larik bilangan bulat

procedure HitungRerata(input a1, a2, ..., an : integer, output r : real) { Menghitung nilai rata-rata dari sekumpulan elemen larik integer a1, a2, ..., an.   Nilai rata-rata akan disimpan di dalam peubah r.   Masukan: a1, a2, ..., an   Keluaran: r (nilai rata-rata) } Deklarasi    k : integer    jumlah : real Algoritma    jumlah¬0    k¬1    while k £ n do       jumlah¬jumlah + ak      k¬k+1    endwhile    { k > n }    r ¬ jumlah/n   { nilai rata-rata }

(i) Operasi pengisian nilai (jumlah¬0,  k¬1, jumlah¬jumlah+a_k, k¬k+1, dan r ¬ jumlah/n)

         Jumlah seluruh operasi pengisian nilai adalah

                   t₁ = 1 + 1 + n + n + 1 = 3 + 2n

(ii)   Operasi penjumlahan (jumlah+a_k, dan k+1)

        Jumlah seluruh operasi penjumlahan adalah

                   t₂ =  n + n = 2n 

(iii)  Operasi pembagian (jumlah/n)

        Jumlah seluruh operasi pembagian adalah

          t₃ = 1

Total kebutuhan waktu algoritma HitungRerata:

          t = t₁ + t₂ + t₃ = (3 + 2n)a + 2nb + c  detik                                            

                     

·       Model perhitungan kebutuhan waktu seperti di atas kurang dapat diterima:

1.       Dalam praktek kita tidak mempunyai informasi berapa waktu sesungguhnya untuk melaksanakan suatu operasi tertentu

2.       Komputer dengan arsitektur yang berbeda akan berbeda pula lama waktu untuk setiap jenis operasinya.

·     Selain bergantung pada komputer, kebutuhan waktu sebuah program juga ditentukan oleh compiler bahasa yang digunakan.

·     Model abstrak pengukuran waktu/ruang harus independen  dari pertimbangan mesin dan compiler apapun.

·     Besaran yang dipakai untuk menerangkan model abstrak pengukuran waktu/ruang ini adalah kompleksitas algoritma.

·     Ada dua macam kompleksitas algoritma, yaitu kompleksitas waktu dan kompleksitas ruang.

·     Kompleksitas waktu, T(n), diukur dari jumlah tahapan komputasi yang dibutuhkan untuk menjalankan algoritma sebagai fungsi dari ukuran masukan n.

·     Kompleksitas ruang, S(n), diukur dari memori yang digunakan oleh struktur data yang terdapat di dalam algoritma sebagai fungsi dari ukuran masukan n.

·     Dengan menggunakan besaran kompleksitas waktu/ruang algoritma, kita dapat menentukan laju peningkatan waktu (ruang) yang diperlukan algoritma dengan meningkatnya ukuran masukan n.

Kompleksitas Waktu

·       Dalam praktek, kompleksitas waktu dihitung berdasarkan jumlah operasi abstrak yang mendasari suatu algoritma, dan memisahkan analisisnya dari implementasi.

Contoh 2. Tinjau algoritma menghitung rerata pada Contoh 1. Operasi yang mendasar pada algoritma tersebut adalah operasi penjumlahan elemen-elemen a_k (yaitu jumlah¬jumlah+a_k),

Kompleksitas waktu HitungRerata adalah  T(n) = n.

Contoh 3. Algoritma untuk mencari elemen terbesar di dalam sebuah larik (array) yang berukuran n elemen.

procedure CariElemenTerbesar(input a1, a2, ..., an : integer, output maks : integer) { Mencari elemen terbesar dari sekumpulan elemen larik integer a1, a2, ..., an.   Elemen terbesar akan disimpan di dalam maks.   Masukan: a1, a2, ..., an   Keluaran: maks (nilai terbesar) } Deklarasi    k : integer Algoritma    maks¬a1    k¬2    while k £ n do       if ak > maks then         maks¬ak      endif      i¬i+1    endwhile    { k > n }

 Kompleksitas waktu algoritma dihitung berdasarkan jumlah operasi perbandingan elemen larik (A[i] > maks).

Kompleksitas waktu CariElemenTerbesar :  T(n) = n – 1.                                                                                                

Kompleksitas waktu dibedakan atas tiga macam :

1. T_max(n) : kompleksitas waktu untuk kasus terburuk (worst case),

                   à kebutuhan waktu maksimum.

2. T_min(n) : kompleksitas waktu untuk kasus terbaik (best case),

                   à kebutuhan waktu minimum.

3. T_avg(n): kompleksitas waktu untuk kasus rata-rata (average case)

   à kebutuhan waktu secara rata-rata

Contoh 4. Algoritma sequential search.

procedure PencarianBeruntun(input a1, a2, ..., an : integer, x : integer,                             output idx : integer) Deklarasi   k : integer   ketemu : boolean   { bernilai true jika x ditemukan atau false jika x tidak ditemukan } Algoritma:   k¬1   ketemu ¬ false   while (k £ n) and (not ketemu) do     if ak = x then       ketemu¬true     else          k ¬ k + 1     endif   endwhile   { k > n or ketemu }   if ketemu then   { x ditemukan }      idx¬k   else      idx¬ 0       { x tidak ditemukan }   endif

Jumlah operasi perbandingan elemen tabel:

1. Kasus terbaik: ini terjadi bila a₁ = x.

          T_min(n) = 1

2. Kasus terburuk: bila a_n = x atau x tidak ditemukan.

         

          T_max(n)  = n

3. Kasus rata-rata: Jika x ditemukan pada posisi ke-j, maka operasi perbandingan (a_k = x)akan dieksekusi sebanyak j kali. 

          T_avg(n) = 

Cara lain: asumsikan bahwa P(a_j = x) = 1/n. Jika a_j = x maka T_j yang dibutuhkan adalah T_j = j. Jumlah perbandingan elemen larik rata-rata:         

                T_avg(n) =   

= =

     

Contoh 5. Algoritma pencarian biner (bynary  search).

procedure PencarianBiner(input a1, a2, ..., an : integer, x : integer,                          output idx : integer) Deklarasi    i, j, mid : integer    ketemu : boolean Algoritma    i¬1    j¬n    ketemu¬false    while (not ketemu) and ( i £ j) do       mid ¬ (i+j) div 2         if amid = x then         ketemu ¬ true       else          if amid < x then    { cari di belahan kanan }           i¬mid + 1          else                  { cari di belahan kiri }           j¬mid - 1;          endif       endif    endwhile    {ketemu or i > j }       if ketemu then       idx¬mid    else       idx¬0    endif

1. Kasus terbaik

T_min(n) = 1

2. Kasus terburuk:

          T_max (n) = ²log n

Contoh 6. Algoritma algoritma pengurutan pilih (selection sort).

procedure Urut(input/output a1, a2, ..., an : integer) Deklarasi    i, j, imaks, temp : integer Algoritma   for i¬n downto 2 do   { pass sebanyak n – 1 kali }     imaks¬1     for j¬2 to i do       if aj > aimaks then          imaks¬j       endif     endfor     { pertukarkan aimaks dengan ai }     temp¬ai     ai¬aimaks     aimaks¬temp               endfor

 (i) Jumlah operasi perbandingan elemen

Untuk setiap pass ke-i,        

i = 1 ®  jumlah perbandingan  = n – 1

          i = 2  ®  jumlah perbandingan = n – 2

          i = 3  ®  jumlah perbandingan = n – 3

           

          i = k  ®  jumlah perbandingan = n – k

           

          i = n – 1  ®  jumlah perbandingan = 1

Jumlah seluruh operasi perbandingan elemen-elemen larik adalah

          T(n) = (n – 1) + (n – 2) + … + 1 =           

Ini adalah kompleksitas waktu untuk kasus terbaik dan terburuk, karena algoritma Urut tidak bergantung pada batasan apakah data masukannya sudah terurut atau acak.

(ii) Jumlah operasi pertukaran

Untuk setiap i dari 1 sampai n – 1, terjadi satu kali pertukaran elemen, sehingga jumlah operasi pertukaran seluruhnya adalah

T(n) = n – 1.

Jadi, algoritma pengurutan maksimum membutuhkan n(n – 1 )/2 buah operasi perbandingan elemen dan n – 1  buah operasi pertukaran.                                                                                                

Kompleksitas Waktu Asimptotik

·       Tinjau   T(n) = 2n² + 6n + 1

Perbandingan pertumbuhan T(n) dengan n²

n	T(n) = 2n2 + 6n + 1	n2
10 100 1000 10.000	261 2061 2.006.001 1.000.060.001	100 1000 1.000.000 1.000.000.000

·       Untuk n yang besar, pertumbuhan T(n) sebanding dengan n². Pada kasus ini, T(n) tumbuh seperti n² tumbuh.

·       T(n) tumbuh seperti n² tumbuh saat n bertambah. Kita katakan bahwa T(n) berorde n² dan kita tuliskan

                   T(n) = O(n²)

• Notasi “O” disebut notasi “O-Besar” (Big-O) yang merupakan notasi kompleksitas waktu asimptotik.

DEFINISI.  T(n) = O(f(n)) (dibaca “T(n) adalah O(f(n)” yang artinya T(n) berorde paling besar f(n) ) bila terdapat konstanta C dan n₀ sedemikian sehingga 

T(n)  £ C(f (n))

untuk  n ³ n₀.

 f(n) adalah batas atas (upper bound) dari T(n) untuk n yang besar.

Contoh 7. Tunjukkan bahwa T(n) = 3n + 2 = O(n).

Penyelesaian:

3n + 2 = O(n)

karena

3n + 2 £ 3n + 2n = 5n  untuk semua n ³ 1 (C = 5 dan n₀ = 1).             

Contoh 8. Tunjukkan bahwa T(n) = 2n² + 6n + 1 = O(n²).

Penyelesaian:

     2n² + 6n + 1 = O(n²) 

     karena 

     2n² + 6n + 1 £ 2n² + 6n² + n² = 9n² untuk semua n ³ 1.

atau

karena 

2n² + 6n + 1 £ n² + n² + n² = 3n² untuk semua n ³ 6  (C =3 dan n₀ = 6).         

TEOREMA. Bila T(n) = a_m n^m + a_m-1 n^m-1 + ... + a₁n+ a₀ adalah polinom derajat m  maka T(n) = O(n^m ).            

TEOREMA. Misalkan T₁(n) = O(f(n)) dan T₂(n) = O(g(n)), maka

(a)  T₁(n) + T₂(n) = O(f(n)) + O(g(n)) = O(max(f(n), g(n))        

(b)  T₁(n)T₂(n) = O(f(n))O(g(n)) = O(f(n)g(n))

(c)  O(cf(n)) = O(f(n)), c adalah konstanta

          (d)  f(n) = O(f(n))

Contoh 9. Misalkan T₁(n) = O(n) dan T₂(n) = O(n²), maka

                             (a) T₁(n) + T₂(n) = O(max(n, n²)) = O(n²)      

                             (b) T₁(n)T₂(n) = O(n.n²) = O(n³)            

Contoh 10.         O(5n²) = O(n²)  

                            n² = O(n²)            

Aturan Untuk Menentukan Kompleksitas Waktu Asimptotik

1.    Jika kompleksitas waktu T(n) dari algoritma diketahui,

    Contoh: (i)  pada algoritma cari_maksimum 

T(n) = n – 1 = O(n)

                    (ii) pada algoritma pencarian_beruntun      

T_min(n) = 1 = O(1)

                   T_max(n) = n = O(n)

                             T_avg(n) = (n + 1)/2 = O(n),

         

                     (iii) pada algoritma pencarian_biner,

T_min(n) = 1 = O(1)

                   T_max(n) = ²log n = O(²log n)

                     (iv) pada algoritma selection_sort

                    

             

                    (v) T(n) = (n + 2) log(n² + 1) + 5n²       = O(n²)     

                   Penjelasannya adalah sebagai berikut:  

                             T(n) = (n + 2) log(n² + 1) + 5n²

                                     = f(n)g(n) + h(n),          

Kita rinci satu per satu:                           

                   Þ f(n) = (n + 2) = O(n)

          Þ g(n) = log(n² + 1) = O(log n), karena

          log(n² + 1) £ log(2n²) = log 2 + log n²

= log 2 + 2 log n £ 3 log n untuk n > 2

                   Þ h(n) = 5n² = O(n²)

                   maka

   T(n) = (n + 2) log(n² + 1) + 5n²

= O(n)O(log n) + O(n²)

          = O(n log n) + O(n²) = O(max(n log n, n²)) = O(n²)

         

2.    Menghitung O-Besar untuk setiap instruksi di dalam algoritma dengan panduan di bawah ini, kemudian menerapkan teorema O-Besar.

(a) Pengisian nilai (assignment), perbandingan, operasi  aritmetik, read,  write membutuhkan waktu O(1).

  (b) Pengaksesan elemen larik atau memilih field tertentu dari sebuah record membutuhkan waktu O(1).

         Contoh:

read(x);     O(1) x:=x + a[k]; O(1) + O(1) + O(1) = O(1) writeln(x);  O(1)

          Kompleksitas waktu asimptotik = O(1) + O(1) + O(1) = O(1)

          Penjelasan: O(1) + O(1) + O(1) = O(max(1,1)) + O(1)

  = O(1) + O(1) = O(max(1,1)) = O(1)

                            

 (c) if C then S1 else S2; membutuhkan waktu

               T_C + max(T_S1,T_S2)

         Contoh:

read(x);              O(1) if x mod 2 = 0 then   O(1)  begin    x:=x+1;            O(1)    writeln(x);        O(1)  end else     writeln(x);         O(1)

         

            Kompleksitas waktu asimptotik:

                    = O(1) + O(1) + max(O(1)+O(1), O(1))

= O(1) + max(O(1),O(1))

= O(1) + O(1)

= O(1)                                     

(d) Kalang for. Kompleksitas waktu kalang for adalah jumlah  pengulangan dikali dengan kompleksitas waktu badan (body) kalang.

         Contoh

for i:=1 to n do   jumlah:=jumlah + a[i];    O(1)

 Kompleksitas waktu asimptotik  = n . O(1)

                 = O(n .1)

                 = O(n)

      Contoh: kalang bersarang

for i:=1 to n do    for j:=1 to n do     a[i,j]:=0;       O(1)

          Kompleksitas waktu asimptotik:

                   nO(n) = O(n.n) = O(n²)

Contoh: kalang bersarang dengan dua buah instruksi

for i:=1 to n do    for j:=1 to i do  begin        a:=a+1;     O(1)        b:=b-2      O(1)     end;

        waktu untuk a:=a+1          : O(1)

          waktu untuk b:=b-2          : O(1)

          total waktu untuk badan kalang = O(1) + O(1) = O(1)

kalang terluar dieksekusi sebanyak n kali

kalang terdalam dieksekusi sebanyak i kali, i = 1, 2, …, n                           jumlah pengulangan seluruhnya = 1 + 2 + … + n

       = n(n + 1)/2

          kompleksitas waktu asimptotik = n(n + 1)/2 .O(1)

                    = O(n(n + 1)/2) = O(n²)

                                       

(e) while C do S; dan repeat S until C; Untuk kedua buah kalang, kompleksitas waktunya adalah jumlah pengulangan dikali dengan kompleksitas waktu badan C dan S.

     Contoh: kalang tunggal sebanyak n-1 putaran

i:=2;                     O(1) while i <= n do           O(1)  begin    jumlah:=jumlah + a[i]; O(1)    i:=i+1;                O(1)  end;

         

     Kompleksitas waktu asimptotiknya adalah

                   = O(1) +  (n-1) { O(1) + O(1) + O(1) }

= O(1) + (n-1) O(1)

= O(1) + O(n-1)

= O(1) + O(n)

= O(n)

     

     Contoh: kalang yang tidak dapat ditentukan panjangnya:

ketemu:=false;                           while (p <> Nil) and (not ketemu) do       if p^.kunci = x then     ketemu:=true    else     p:=p^.lalu { p = Nil or ketemu }

          Di sini, pengulangan akan berhenti bila x yang dicari ditemukan di dalam senarai. Jika jumlah elemen senarai adalah n, maka  kompleksitas waktu terburuknya adalah O(n) -yaitu kasus x tidak ditemukan.

(f)  Prosedur dan fungsi. Waktu yang dibutuhkan untuk memindahkan kendali ke rutin yang dipanggil adalah O(1).

Pengelompokan Algoritma Berdasarkan Notasi O-Besar

Kelompok  Algoritma	Nama
O(1)           O(log n)                 O(n)           O(n log n)  O(n2)                   O(n3)                   O(2n)                   O(n!)	konstan logaritmik lanjar n log n kuadratik kubik eksponensial faktorial

                                 

 Urutan spektrum kompleksitas waktu algoritma adalah :

         

                   algoritma polinomial                algoritma eksponensial

         

Penjelasan masing-masing kelompok algoritma adalah sebagai berikut [SED92]:

O(1)       Kompleksitas O(1) berarti waktu pelaksanaan algoritma adalah tetap, tidak bergantung pada ukuran masukan. Contohnya prosedur tukar di bawah ini:

procedure tukar(var a:integer; var b:integer); var   temp:integer; begin   temp:=a;   a:=b;   b:=temp; end;

           Di sini jumlah operasi penugasan (assignment) ada tiga buah dan tiap operasi dilakukan satu kali. Jadi, T(n) = 3 = O(1).

O(log n) Kompleksitas waktu logaritmik berarti laju pertumbuhan waktunya berjalan lebih lambat daripada pertumbuhan n. Algoritma yang termasuk kelompok ini adalah algoritma yang memecahkan persoalan besar dengan mentransformasikannya menjadi beberapa persoalan yang lebih kecil yang berukuran sama (misalnya algoritma pencarian_biner). Di sini basis algoritma tidak terlalu penting sebab bila n dinaikkan dua kali semula, misalnya, log n meningkat  sebesar sejumlah tetapan.

O(n)       Algoritma yang waktu pelaksanaannya lanjar umumnya terdapat pada kasus yang setiap elemen masukannya dikenai proses yang sama, misalnya algoritma pencarian_beruntun. Bila n dijadikan dua kali semula, maka waktu pelaksanaan algoritma juga dua kali semula.

O(n log n)  Waktu pelaksanaan yang n log n terdapat pada algoritma yang memecahkan persoalan menjadi beberapa persoalan yang lebih kecil,  menyelesaikan tiap persoalan secara independen, dan menggabung solusi masing-masing persoalan. Algoritma yang diselesaikan dengan teknik bagi dan gabung mempunyai kompleksitas asimptotik jenis ini. Bila n = 1000, maka n log n mungkin 20.000. Bila n dijadikan dua kali semual, maka n log n menjadi dua kali semula (tetapi tidak terlalu banyak)

O(n²)      Algoritma yang waktu pelaksanaannya kuadratik hanya praktis digunakan untuk persoalana yang berukuran kecil. Umumnya algoritma yang termasuk kelompok ini memproses setiap masukan dalam dua buah kalang bersarang, misalnya pada algoritma urut_maks. Bila n = 1000, maka waktu pelaksanaan algoritma adalah 1.000.000. Bila n dinaikkan menjadi dua kali semula, maka waktu pelaksanaan algoritma meningkat menjadi empat kali semula.

O(n³)      Seperti halnya algoritma kuadratik, algoritma kubik memproses setiap masukan dalam tiga buah kalang bersarang, misalnya algoritma perkalian matriks. Bila n = 100, maka waktu pelaksanaan algoritma adalah 1.000.000. Bila n dinaikkan menjadi dua kali semula, waktu pelaksanan algoritma meningkat menjadi delapan kali semula.

O(2ⁿ)      Algoritma yang tergolong kelompok ini mencari solusi persoalan secara "brute force", misalnya pada algoritma mencari sirkuit Hamilton (lihat Bab 9). Bila n = 20, waktu pelaksanaan algoritma adalah 1.000.000. Bila n dijadikan dua kali semula, waktu pelaksanaan menjadi kuadrat kali semula!

O(n!)      Seperti halnya pada algoritma eksponensial, algoritma jenis ini memproses setiap masukan dan menghubungkannya dengan n - 1 masukan lainnya, misalnya algoritma Persoalan Pedagang Keliling (Travelling Salesperson Problem - lihat bab 9). Bila n = 5, maka waktu pelaksanaan algoritma adalah 120. Bila n dijadikan dua kali semula, maka waktu pelaksanaan algoritma menjadi faktorial dari 2n.

Nilai masing-masing fungsi untuk setiap bermacam-macam nilai n

log n	n	n log n	n2	n3	2n	n!
0	1	0	1	1	2	1
1	2	2	4	8	4	2
2	4	8	16	64	16	24
3	9	24	64	512	256	362880
4	16	64	256	4096	65536	20922789888000
5	32	160	1024	32768	4294967296	(terlalu besar )

·       Sebuah masalah yang mempunyai algoritma dengan kompleksitas polinomial kasus-terburuk dianggap mempunyai algoritma yang “bagus”; artinya masalah tersebut mempunyai algoritma yang mangkus, dengan catatan polinomial tersebut berderajat rendah. Jika polinomnya berderajat tinggi, waktu yang dibutuhkan untuk mengeksekusi algoritma tersebut panjang. Untunglah pada kebanyakan kasus, fungsi polinomnya mempunyai derajat yang rendah.

·       Suatu masalah dikatakan tractable (mudah dari segi komputasi) jika ia dapat diselesaikan dengan algoritma yang memiliki kompleksitas polinomial kasus terburuk (artinya dengan algoritma yang mangkus), karena  algoritma akan menghasilkan solusi dalam waktu yang lebih pendek [ROS99]. Sebaliknya, sebuah masalah dikatakan intractable (sukar dari segi komputasi) jika tidak ada algoritma yang mangkus untuk menyelesaikannya.

·       Masalah yang sama sekali tidak memiliki algoritma untuk memecahkannya disebut masalah tak-terselesaikan (unsolved problem). Sebagai contoh, masalah penghentian (halting problem) jika diberikan program dan sejumlah masukan, apakah program tersebut berhenti pada akhirnya [JOH90]?

·       Kebanyakan masalah yang dapat dipecahkan dipercaya tidak memiliki algoritma penyelesaian dalam kompleksitas waktu polinomial untuk kasus terburuk, karena itu dianggap intractable. Tetapi, jika solusi masalah tersebut ditemukan, maka solusinya dapat diperiksa dalam waktu polinomial. Masalah yang solusinya dapat diperiksa dalam waktu polinomial dikatakan termasuk ke dalam kelas NP (non-deterministic polynomial). Masalah yang tractable termasuk ke dalam kelas P (polynomial). Jenis kelas masalah lain adalah kelas NP-lengkap (NP-complete). Kelas masalah NP-lengkap memiliki sifat bahwa jika ada sembarang masalah di dalam kelas ini dapat dipecahkan dalam waktu polinomial, berarti semua masalah di dalam kelas tersebut dapat dipecahkan dalam waktu polinomial. Atau, jika kita dapat membuktikan bahwa salah satu dari masalah di dalam kelas itu intractable, berarti kita telah membuktikan bahwa semua masalah di dalam kelas tersebut intractable. Meskipun banyak penelitian telah dilakukan, tidak ada algoritma dalam waktu polinomial yang dapat memecahkan masalah di dalam kelas NP-lengkap. Secara umum diterima, meskipun tidak terbuktikan, bahwa tidak ada masalah di dalam kelas NP-lengkap yang dapat dipecahkan dalam waktu polinomial [ROS99].

Notasi Omega-Besar dan Tetha-Besar

Definisi W-Besar adalah:

T(n) = W(g(n)) (dibaca “T(n) adalah Omega (f(n)” yang artinya T(n) berorde paling kecil g(n) ) bila terdapat tetapan C dan n₀ sedemikian sehingga 

T(n) ³ C(f (n))

untuk  n ³ n₀.

Definisi Q-Besar,

T(n) = Q(h(n))  (dibaca “T(n) adalah tetha h(n)” yang artinya T(n) berorde sama dengan h(n) jika T(n) = O(h(n)) dan T(n) = W(g(n)).

Contoh: Tentukan notasi W dan Q untuk T(n) = 2n² + 6n + 1.

Jawab:

          Karena 2n² + 6n + 1 ³ 2n² untuk n ³ 1,

           maka dengan C = 2 kita memperoleh

                   2n² + 6n + 1 = W(n²)

          Karena 2n² + 5n + 1 = O(n²) dan 2n² + 6n + 1 = W(n²),

          maka 2n² + 6n + 1 = Q(n²).

Contoh: Tentukan notasi notasi O, W dan Q untuk T(n) = 5n³ + 6n² log n.

Jawab:

Karena 0 £ 6n² log n £ 6n³, maka 5n³ + 6n² log n £ 11n³ untuk n ³ 1. Dengan mengambil C = 11, maka

                             5n³ + 6n² log n = O(n³)

Karena 5n³ + 6n² log n ³ 5n³ untuk n ³ 1, maka maka dengan mengambil C = 5 kita memperoleh

                   5n³ + 6n² log n = W(n³)

Karena 5n³ + 6n² log n = O(n³) dan 5n³ + 6n² log n = W(n³), maka 5n³ + 6n² log n = Q(n³)

Contoh: Tentukan notasi notasi O, W dan Q untuk T(n) = 1 + 2 + … + n.

Jawab:

          1 + 2 + … + n = O(n²) karena

             1 + 2 + … + n £ n + n + … + n = n² untuk n ³ 1.

          1 + 2 + … + n = W(n) karena

               1 + 2 + … + n £ 1 + 1 + … + 1 = n untuk n ³ 1.

          1 + 2 + … + n ³ én/2ù + … + (n – 1) + n

                                 ³ én/2ù + … + én/2ù + én/2ù      

                                = é(n + 1)/2ù én/2ù

                                ³ (n/2)(n/2)

                                = n²/4              

Kita menyimpulkan bahwa

          1 + 2 + … + n = W(n²)

Oleh karena itu,

          1 + 2 + … + n = Q(n²)

TEOREMA. Bila T(n) = a_m n^m + a_m-1 n^m-1 + ... + a₁n+ a₀ adalah polinom derajat m  maka T(n) adalah berorde n^m.