32
digunakan pada proses learning dengan mengoptimalkan nilai parameter Model Markov Tersembunyi atau Hidden Markov Method HMM. Dalam menentukan
rangkaian yang belum diketahui, algoritma Baum Welch mengoptimalkan nilai parameter yang diberikan.
Setiap algoritma memiliki performansi yang berbeda-beda. Nilai performansi suatu algortima dilihat dari kemangkusannya. Suatu algoritma dikatakan bagus
apabila algoritma tersebut mangkus atau efisien. Salah satu melihat kemangkusan algoritma
adalah dengan
menghitung kompleksitas
waktu asimptotik
menggunakan notasi Big-O. Berdasarkan permasalahan di atas maka diperlukan teknik pencarian kata
kunci suatu dokumen dengan menganalisis performansi Algoritma Baum Welch dengan memaksimalkan nilai probabilitas dari kata yang terdapat dalam abstrak.
3.2 Analisis Algoritma
Algoritma merupakan sekumpulan langkah atau perintah untuk dapat menyelesaikan suatu masalah [18]. Suatu algortima dikatakan bagus apabila
algortima tersebut mangkus atau efisien. Untuk menilai suatu Algoritma dikatakan bagus dapat menggunakan kemangkusan algortima. Untuk itu diperlukan analisis
untuk mengukur performansi suatu algortima dengan mengukur kemangkusannya dengan menghitung nilai dari kompleksitas waktu asimptotiknya menggunakan
notasi “O-Besar” Big-O, dimana meningkatnya nilai n dapat mempengaruhi kebutuhan waktu Algoritma [7] [8].
3.1.1 Perhitungan kompleksitas waktu Asimptotik Algoritma Baum Welch
Perhitungan kompleksitas waktu asimptotik Algoritma Baum Welch dapat dihitung dengan menelusuri setiap langkah Algoritma Baum Welch pada
pseudocode-nya. Pseudocode algoritma Baum Welch yang telah diberikan notasi Big-O disetiap langkahnya dapat dilihat pada Tabel III.1.
Tabel III.1
Pseudocode Algoritma Baum Welch dengan notasi Big-O Isi pseudocode
penanda
procedure BaumWelchinput jumlah_kata:integer, p:integer, p_paskata:LarikReal,
p_kata:LarikReal, output
A:LarikReal, B:LarikReal, Phi:LarikReal {I.S
: serangkaian
state ,
jumlah_kata n
sudah