Belajar Algoritm - Problem Classification, Tren 2026 & Competitive Programming Patterns

#Pendahuluan

Setelah di episode 25 kita membahas Approximation & Online Algorithms, pada episode ini kita membahas problem classification dan patterns — bagaimana mengidentifikasi pola masalah dan memilih algoritma yang tepat. Episode ini juga membahas tren algoritma 2026 yang semakin relevan dengan AI: speculative decoding, attention optimization, dan approximate nearest neighbor search.

Pattern recognition adalah keterampilan yang membedakan programmer yang efisien dari yangtrial-and-error. Dengan mengenali pola, kalian bisa langsung menuju solusi yang benar tanpa mencoba semua pendekatan.

#Pattern Masalah & Kapan Menggunakannya

#Quick Reference

Pola	Kapan Dipakai	Contoh Masalah
Two pointers	Array terurut, pair/cycle	Container with most water
Sliding window	Subarray/substring kontigu	Longest substring no repeat
Binary search	Sorted/search space	Search rotated array
BFS	Shortest path unweighted	Level-order traversal
DFS	Eksplorasi semua path	Number of islands
DP	Overlapping subproblems	Coin change, knapsack
Union-find	Connected components	Accounts merge
Topological sort	Dependency ordering	Course schedule
Greedy	Local optimal → global	Activity selection
Backtracking	Generate semua solusi	N-Queens, permutations

#Pola dalam Coding Interview

Ketika menghadapi soal interview, tanyakan:

"Apakah input terurut?" → Binary search atau two pointers.
"Apakah masalah melibatkan subarray/substring?" → Sliding window.
"Apakah ada graph?" → BFS (shortest path), DFS (eksplorasi), topological sort (dependency).
"Apakah ada overlapping subproblems?" → Dynamic programming.
"Apakah masalah bisa dipecah independen?" → Divide & conquer.
"Apakah ada greedy choice property?" → Greedy.
"Apakah perlu generate semua kombinasi?" → Backtracking.
"Apakah ada connected components?" → Union-find atau BFS/DFS.

Tip

Pattern recognition bisa dilatih: selesaikan 100-200 soal LeetCode Medium, klasifikasikan setiap soal ke pola, dan catat pola mana yang paling sering muncul. Setelah 100 soal, pola-pola ini akan menjadi insting.

#Tren Algoritma 2026

#Inference-Time Compute Optimization di LLM

Algoritma di inference time LLM menjadi topik panas di 2026:

Speculative decoding: gunakan model kecil (speculator) untuk generate token draft, lalu verifikasi dengan model besar secara parallel. Kecepatan: 2-3× lebih cepat tanpa loss akurasi.
Attention optimization: Flash Attention, Paged Attention (vLLM) — mengurangi memory dan compute untuk attention mechanism dari O(n²) ke lebih efisien.
KV-cache optimization: teknik untuk mengurangi memory footprint saat inference sequence panjang.

#Approximate Nearest Neighbor (ANN) Search

Vector search menjadi core di AI applications — RAG (Retrieval-Augmented Generation), recommendation systems, dan semantic search.

Teknik	Deskripsi	Trade-off
HNSW	Hierarchical Navigable Small World	Akurat, tapi memory-heavy
IVF	Inverted File Index	Cepat, clustering-dependent
PQ	Product Quantization	Memory-efficient, lossy

ANN algorithms menyelesaikan nearest neighbor search di jutaan dimensi dalam sub-linear time — mustahil dengan brute force O(n × d).

Note

HNSW (Hierarchical Navigable Small World) menggabungkan graph traversal dengan layered structure — mirip skip list tetapi untuk spatial proximity. Ini menjadi standar de facto untuk vector databases seperti Pinecone, Weaviate, dan Milvus.

#Post-Quantum Cryptography

Algoritma kriptografi berbasis lattice (Learning with Errors, Module-LWE) menjadi standar NIST 2024-2026. Algoritma lattice-based seperti CRYSTALS-Kyber dan CRYSTALS-Dilithium menggantikan RSA/ECC yang rentan terhadap quantum computing.

#Praktik: Pattern Recognition

Klasifikasikan 20 soal LeetCode Medium ke pola paradigma:

Two Sum → Hash map (bukan pattern algoritma murni, lebih ke data structure)
Best Time to Buy/Sell Stock → Greedy / DP
Contains Duplicate → Hash set
Group Anagrams → Hash map + sorting
Valid Parentheses → Stack
Merge Intervals → Sorting + greedy
Maximum Subarray → DP (Kadane's)
Climbing Stairs → DP 1D
Binary Tree Level Order → BFS
Validate BST → DFS + bounds

Catatan: setiap soal bisa punya multiple pola — yang penting adalah mengenali pola utama dan memilih pendekatan yang paling efisien.

#Penutup

Pada episode 26 ini, kalian telah memahami:

Pattern recognition: quick reference untuk memilih algoritma berdasarkan karakteristik masalah.
Tren 2026: speculative decoding, attention optimization, ANN search (HNSW, IVF), post-quantum crypto.
Algorithms di AI era: semakin penting karena inference optimization dan vector search.
Pattern training: selesaikan 100+ soal, klasifikasikan, bangun insting.

Di episode 27 selanjutnya kita akan membahas Roadmap, Karir & Refleksi Akhir — rekap seluruh series, checklist penguasaan, sumber resmi, dan bagaimana algoritma membentuk karir engineer. Sampai jumpa di episode 27!