Description

Pembukaan

Di tahun 2025, smartwatch telah berevolusi dari sekadar aksesori menjadi asisten kesehatan esensial. Seiring meningkatnya kesadaran akan gaya hidup sehat, jutaan orang mengandalkan perangkat ini untuk memantau aktivitas fisik mereka, mulai dari berlari, bersepeda, hingga yoga. Fitur paling vital dalam ekosistem ini adalah pemantauan detak jantung secara real-time, yang datanya krusial untuk mengukur intensitas latihan dan kondisi kebugaran.

Agar dapat diandalkan, smartwatch yang memiliki keterbatasan daya dan memori harus menjalankan algoritma yang sangat efisien. Pilihan algoritma secara langsung memengaruhi daya tahan baterai, kecepatan respons, dan stabilitas perangkat. Untuk mendemonstrasikan dampak ini secara dramatis, portofolio ini menggunakan analisis algoritma Fibonacci sebagai studi kasus klasik untuk membandingkan dua pendekatan fundamental yaitu iteratif dan rekursif.

Penjelasan Algoritma dan Logika Kerja

Algoritma Fibonacci adalah algoritma sederhana yang menghasilkan deret angka dengan pola penjumlahan dua elemen sebelumnya. Rumus umumnya adalah:

Dalam simulasi ini, deret Fibonacci digunakan untuk menggambarkan pola fluktuasi detak jantung seseorang yang meningkat dan menurun secara teratur. Misalnya, nilai rendah pada deret menggambarkan kondisi istirahat (detak normal), sedangkan nilai tinggi menggambarkan peningkatan detak karena aktivitas fisik. Disini, kita menggunakan dua pendekatan yaitu pendekatan iteratif dan rekursif. Untuk pendekatan iteratif menghitung nilai-nilai Fibonacci menggunakan looping secara berurutan dari indeks pertama hingga ke-n. Sedangkan, pendekatan rekursif menggunakan pemanggilan fungsi berulang (fungsi yg memanggil dirinya sendiri) untuk menghitung nilai sebelumnya.

Berikut pseudocode sederhana kedua pendekatan:

Perhitungan Jumlah Iterasi (n=10 dan n=20)

Untuk menganalisis efisiensi, kita hitung jumlah langkah yang diperlukan pada masing-masing metode.

Dapat dilihat bahwa jumlah langkah pada algoritma rekursif meningkat secara eksponensial, sedangkan algoritma iteratif meningkat secara linear. Hal ini menggambarkan bahwa untuk perangkat seperti smartwatch yang memproses data sensor setiap detik, penggunaan algoritma rekursif bisa sangat tidak efisien karena memerlukan banyak pemanggilan fungsi dan alokasi memori tambahan.

Analisis kompleksitas (Big-O)

Analisis Big-O memberikan kerangka teoretis untuk memahami pertumbuhan kebutuhan sumber daya (waktu dan memori).

• Algoritma Iteratif
  • Kompleksitas Waktu: O(n) (Linear). Waktu eksekusi tumbuh sebanding dengan nilai n karena hanya ada satu perulangan.
  • Kompleksitas Ruang: O(1) (Konstan). Kebutuhan memori tidak bertambah meskipun n meningkat karena hanya menggunakan beberapa variabel tetap.
• Algoritma Rekursif 
  • Kompleksitas Waktu O(2n) (Eksponensial). Karena setiap panggilan fungsi menghasilkan dua panggilan baru, jumlah total operasi tumbuh secara eksponensial, membuatnya sangat lambat untuk n yang tidak terlalu besar.
  • Kompleksitas Ruang: O(n) (Linear). Memori yang dibutuhkan sebanding dengan n karena adanya tumpukan panggilan fungsi (call stack) yang kedalamannya bisa mencapai n.

Simulasi atau Visualisasi Hasil Eksekusi

Untuk mensimulasikan perbedaan performa, dilakukan uji sederhana terhadap kedua algoritma menggunakan n = 10, 15, dan 20. Hasilnya divisualisasikan dalam grafik berikut:

Grafik menunjukkan bahwa waktu eksekusi algoritma rekursif meningkat tajam seiring bertambahnya n, sedangkan algoritma iteratif tetap stabil. Dalam konteks smartwatch, hal ini berarti jika sistem menggunakan algoritma rekursif untuk menghitung simulasi pola detak jantung, maka daya baterai akan terkuras lebih cepat karena beban CPU meningkat drastis.

Evaluasi Algoritma (Kasus IoT: Iteratif vs Rekursif)

Perangkat IoT seperti smartwatch memiliki keterbatasan pada CPU, RAM, dan kapasitas baterai. Oleh karena itu, efisiensi algoritma adalah sebuah keharusan.

• Pendekatan Iteratif:  Sangat Direkomendasikan. Dengan efisiensi waktu O(n) dan memori O(1), algoritma ini cepat, stabil, dan hemat daya. Ini adalah pilihan ideal untuk tugas pemrosesan data sensor yang berjalan terus-menerus di latar belakang.
• Pendekatan Rekursif: Tidak Cocok. Kompleksitas waktu O(2n) akan membuat perangkat menjadi lambat dan boros baterai. Lebih buruk lagi, kompleksitas ruang O(n) dapat dengan mudah menyebabkan error stack overflow (memori tumpukan habis), yang membuat aplikasi atau bahkan sistem operasi crash.

Kesimpulan dan Rekomendasi

Berdasarkan analisis komprehensif, disimpulkan bahwa algoritma iteratif jauh lebih unggul dibandingkan pendekatan rekursif naif untuk kasus Fibonacci, terutama dalam konteks perangkat dengan sumber daya terbatas. Untuk aplikasi di smartwatch dan perangkat IoT lainnya, pendekatan iteratif harus selalu menjadi pilihan utama untuk memastikan kinerja yang responsif, stabilitas sistem, dan daya tahan baterai yang optimal. Algoritma rekursif yang boros sumber daya sebaiknya dihindari untuk pemrosesan di perangkat dan hanya dipertimbangkan untuk analisis data di lingkungan server atau cloud yang memiliki sumber daya komputasi tak terbatas.