JavaScript Algorithms: Pola & Struktur Data untuk Developer

JavaScript Algorithms and Data Structures adalah salah satu repository paling populer di GitHub untuk belajar algoritma dan struktur data — dan semuanya ditulis dalam JavaScript. Dibuat oleh Oleksii Trekhleb, repo ini sudah di-star lebih dari 196.000 kali dan punya lebih dari 31.000 forks. Kalau kamu mau belajar computer science secara praktis tapi nggak mau baca buku tebal, ini tempat yang tepat buat mulai.

Gambar: GitHub

Kenapa Harus Belajar Algoritma & Struktur Data?

Sebagai developer, kita sering kali fokus ke framework atau library terbaru. Tapi tanpa pemahaman yang kuat soal algoritma dan struktur data, performa aplikasi kita bisa jadi masalah besar — terutama saat data yang dihandle makin banyak.

Bayangin kamu lagi bikin fitur search di aplikasi. Kalau cuma pakai linear search buat data 100 item, masih oke. Tapi gimana kalau data-nya 1 juta item? Nah, di sinilah algoritma yang efisien jadi penyelamat.

Belajar algoritma juga sering jadi bahan wawancara kerja. Banyak perusahaan tech besar — Google, Meta, Amazon — masih ngasih soal coding challenge yang berbasis algoritma. Kalau kamu sudah familiar dengan konsepnya, interview jadi jauh lebih ringan.

Dan yang nggak kalah penting, pemahaman algoritma bikin kamu jadi developer yang lebih problem solver, bukan sekadar "tukang copy-paste dari Stack Overflow."

Apa Isi Repo Ini?

Repo javascript-algorithms punya dua bagian utama: struktur data dan algoritma. Setiap item punya README sendiri dengan penjelasan lengkap, diagram visual, dan link ke video YouTube kalau kamu mau belajar lebih dalam.

Struktur Data

Struktur data adalah cara kita menyimpan dan mengorganisasi data di komputer. Pemilihan struktur data yang tepat bisa bikin kode kita jauh lebih cepat dan efisien.

Level Beginner (B)

Berikut struktur data level pemula yang ada di repo ini:

• Linked List — kumpulan node yang saling terhubung. Setiap node punya data dan pointer ke node berikutnya. Cocok buat data yang sering di-insert atau hapus di tengah. Beda sama array yang aksesnya pakai index, linked list harus traverse dari awal.
• Doubly Linked List — versi linked list yang bisa diakses dari dua arah (depan dan belakang). Lebih fleksibel tapi butuh lebih banyak memory karena ada dua pointer per node.
• Queue — struktur data FIFO (First In, First Out). Bayangin antrian di ATM — yang datang duluan dilayani duluan. Dipake di breadth-first search dan task scheduling.
• Stack — struktur data LIFO (Last In, First Out). Sama kayak tumpukan piring — yang paling atas diambil duluan. Dipake di function call stack, undo/redo di editor, dan balanced parentheses checker.
• Deque — double-ended queue, bisa diakses dari kedua ujung. Fleksibel banget karena bisa jadi queue sekaligus stack.
• Hash Table — penyimpanan key-value yang memungkinkan pencarian super cepat dengan time complexity O(1) di best case. Ini yang bikin JavaScript Object dan Map jadi powerful.
• Heap — struktur data pohon yang menjaga properti max atau min. Max heap: parent selalu lebih besar dari child. Min heap: sebaliknya. Penting buat priority queue dan algoritma sorting seperti Heap Sort.
• Priority Queue — seperti queue tapi setiap elemen punya prioritas. Elemen prioritas tinggi dilayani duluan, meskipun datang belakangan. Dipake di Dijkstra's algorithm.

Level Advanced (A)

Struktur data level lanjutan yang lebih menantang:

• Trie — struktur pohon khusus buat menyimpan string. Setiap node merepresentasikan satu karakter. Sering dipake di autocomplete, spell checker, dan search engine. Lookup-nya O(m) di mana m adalah panjang string.
• Tree — beberapa variasi yang semuanya ada di repo ini:
  • Binary Search Tree (BST) — setiap node punya max 2 child, node kiri lebih kecil, node kanan lebih besar. Lookup average O(log n).
  • AVL Tree — BST yang selalu di-balance. Insert dan delete lebih lambat tapi lookup dijamin O(log n).
  • Red-Black Tree — balance tree yang lebih longgar dari AVL. Lebih cepat buat insert/delete tapi lookup agak lebih lambat.
  • Segment Tree — untuk query range (misal: jumlah dari index 3 sampai 7). Sangat efisien untuk masalah range query.
  • Fenwick Tree — juga dikenal sebagai Binary Indexed Tree. Lebih ringkas dari segment tree tapi lebih terbatas fungsinya.
• Graph — bisa directed (satu arah) atau undirected (dua arah). Bisa weighted atau unweighted. Bisa dipresentasikan sebagai adjacency matrix atau adjacency list. Sering dipake buat modeling jaringan, maps, social network, dan dependency graph.
• Disjoint Set — juga dikenal sebagai union-find. Operasi utama: union (gabung dua set) dan find (cek apakah dua elemen di set yang sama). Berguna di connected components dan Kruskal's algorithm.
• Bloom Filter — struktur data probabilistik yang super efisien buat mengecek apakah sebuah elemen ada dalam set. Trade-off: bisa ada false positive (kata "ada" padahal nggak ada) tapi nggak ada false negative. Dipake di database dan network routers.
• LRU Cache — Least Recently Used cache. Menyimpan N item terakhir yang diakses. Saat cache penuh, item yang paling lama nggak diakses yang dihapus. Dipake di browser cache, CDN, dan database.

Algoritma

Bagian algoritma di repo ini terorganisir berdasarkan topik dan paradigma. Ada banyak banget kategori yang dicakup:

Matematika

Ini fondasi dari semua algoritma. Matematika di programming sering diabaikan tapi krusial banget:

• Bit Manipulation — operasi langsung pada level bit menggunakan operator AND, OR, XOR, NOT, dan bit shift. Contoh: cek apakah sebuah angka ganjil bisa dilakukan dengan num & 1. Sangat efisien dari sisi performa.
• Factorial, Fibonacci Number — implementasi rekursif dan iteratif. Versi rekursif lebih mudah dipahami tapi bisa bikin stack overflow. Versi iteratif lebih aman untuk input besar.
• Sieve of Eratosthenes — cara efisien menemukan bilangan prima sampai N. Time complexity O(N log log N). Algoritma kuno yang masih relevan sampai sekarang.
• Euclidean Algorithm — untuk mencari Greatest Common Divisor (GCD). Algoritma yang sudah ada sejak 300 SM dan masih dipakai di kriptografi modern!
• Pascal's Triangle — struktur berbilangan segitiga yang banyak dipake di kombinatorika dan probabilitas.
• Matrices — operasi matriks seperti perkalian, transpose, dan inverse. Penting di computer graphics dan machine learning.
• Discrete Fourier Transform — transformasi sinyal dari time domain ke frequency domain. Dipake di audio processing dan image compression.
• Square Root — implementasi akar kuadrat tanpa pakai Math.sqrt(). Menarik buat dipelajari.

Set

Algoritma yang bekerja dengan kumpulan elemen:

• Power Set — menemukan semua subset dari sebuah set. Kalau set punya n elemen, power set-nya ada 2^n subset. Bisa diselesaikan dengan iterasi atau backtracking.
• Permutations dan Combinations — dasar dari banyak masalah kombinatorika. Permutation peduli urutan, combination tidak.
• Knapsack Problem — masalah klasik optimasi: gimana cara isi tas dengan barang yang punya berat dan nilai berbeda supaya total nilai maksimal. Solusi dynamic programming-nya O(nW).
• Longest Common Subsequence (LCS) — menemukan subsequence terpanjang yang sama di dua string. Penting di version control (git pakai konsep ini!) dan text diff tools.
• Maximum Subarray — menemukan subarray dengan jumlah terbesar. Algoritma Kadane's Algorithm menyelesaikan ini dalam O(n) yang sangat efisien.
• Combination Sum — menemukan kombinasi angka yang jumlahnya sama dengan target. Sering muncul di coding interview.

String

Banyak masalah real-world yang melibatkan string manipulation:

• Palindrome — cek apakah string dibaca sama dari depan dan belakang. Bisa diselesaikan dengan dua pointer dari ujung ke tengah. Atau bisa juga pakai reversing string.
• Levenshtein Distance — mengukur kemiripan dua string (edit distance). Minimum operasi insert, delete, atau replace yang dibutuhkan. Dipake di spell checker, autocorrect, dan DNA sequence alignment.
• KMP Algorithm (Knuth–Morris–Pratt) — pattern matching yang efisien O(n+m). Menggunakan prefix function untuk menghindari pencarian ulang yang tidak perlu.
• Rabin Karp — pencarian pola menggunakan hashing. Cocok untuk mencari multiple pattern sekaligus dalam satu teks.
• Z Algorithm — mirip KMP tapi lebih simpel. Menghitung panjang substring yang cocok dari setiap posisi.
• Regular Expression Matching — implementasi regex dari scratch menggunakan dynamic programming. Memahami ini bikin kamu paham kenapa regex bisa lambat di case tertentu.
• Hamming Distance — jumlah posisi yang berbeda antara dua string dengan panjang sama. Dipake di error detection dan coding theory.

Searching

Algoritma pencarian fundamental yang wajib dipahami:

• Linear Search — sederhana tapi O(n). Cocok untuk data kecil atau data yang nggak terurut.
• Binary Search — jauh lebih cepat O(log n), tapi butuh data yang sudah terurut. Setiap langkah membuang setengah data. Implementasi yang benar butuh hati-hati soal boundary condition.
• Jump Search — kompromi antara linear dan binary search. Melompat beberapa langkah lalu linear search di blok yang tepat. O(√n).
• Interpolation Search — variasi binary search yang lebih cerdas untuk data terurut secara uniform. Estimate posisi berdasarkan distribusi data. Bisa O(log log n) di best case.

Sorting

Ini salah satu bagian yang paling sering ditanyakan di interview. Berikut perbandingan lengkapnya:

Setiap algoritma sorting punya trade-off yang beda-beda. Quick Sort umumnya paling cepat di dunia nyata, tapi Merge Sort lebih stabil. Kalau kamu cuma punya sedikit data, Insertion Sort malah bisa lebih cepat karena overhead-nya kecil.

Contoh implementasi Quick Sort yang ada di repo ini cukup elegan: memilih pivot, partition array, lalu rekursif sort kedua bagian.

Linked Lists

Algoritma spesifik untuk traversal linked list:

• Straight Traversal — traversal dari head ke tail. Dasar dari banyak operasi linked list seperti searching dan printing.
• Reverse Traversal — traversal dari tail ke head. Bisa dilakukan dengan rekursi atau iterasi dengan pointer tambahan. Berguna untuk cetak linked list secara terbalik.

Trees

Algoritma traversal pohon yang fundamental:

• Depth-First Search (DFS) — menjelajahi sejauh mungkin ke satu cabang sebelum backtracking. Bisa preorder (root-kiri-kanan), inorder (kiri-root-kanan), atau postorder (kiri-kanan-root).
• Breadth-First Search (BFS) — menjelajahi level per level dari root. Menggunakan queue. Cocok untuk mencari node terdekat dari root.

Graph

Graph algorithms penting banget buat aplikasi yang melibatkan jaringan atau relasi:

• DFS dan BFS — dua cara utama traverse graph. DFS pakai stack (rekursif), BFS pakai queue.
• Dijkstra — mencari jalur terpendek dari satu titik ke semua titik lain. Time complexity O((V+E) log V) dengan priority queue.
• Bellman-Ford — seperti Dijkstra tapi bisa handle edge negatif. Time complexity O(VE). Berguna kalau ada biaya negatif.
• Floyd-Warshall — mencari jalur terpendek antara semua pasang titik. O(V³) tapi simpel implementasinya.
• Prim's dan Kruskal — untuk minimum spanning tree (MST). Prim mulai dari satu titik dan tumbuh, Kruskal mulai dari edge paling ringan.
• Topological Sorting — sorting berdasarkan dependensi. Penting di build system, task scheduler, dan course prerequisite planning.
• Articulation Points dan Bridges — menemukan titik/jembatan kritis yang kalau dihapus bikin graph terpisah.
• Strongly Connected Components — subset dari directed graph di mana setiap titik bisa mencapai setiap titik lainnya.
• Eulerian Path — jalur yang melewati setiap edge tepat sekali. Eulerian Circuit: jalur yang mulai dan berakhir di titik yang sama.
• Hamiltonian Cycle — cycle yang melewati setiap titik tepat sekali. Masalah NP-complete yang menarik dipelajari.

Kriptografi

Beberapa algoritma enkripsi sederhana untuk belajar konsep kriptografi:

• Caesar Cipher — penggeser huruf klasik dari zaman Romawi. Setiap huruf digeser sebanyak N posisi. Mudah dipecahkan tapi bagus buat pemahaman dasar substitution cipher.
• Hill Cipher — enkripsi berbasis matriks. Lebih kompleks dari Caesar Cipher dan butuh pengetahuan linear algebra.
• Rail Fence Cipher — enkripsi zig-zag. Tulis pesan secara diagonal, baca secara horizontal. Simple tapi bisa bikin pesan jadi nggak terbaca.
• Polynomial Hash — teknik hashing yang memetakan string ke angka. Dasar dari banyak algoritma string matching.

Machine Learning

Menariknya, repo ini juga punya implementasi algoritma ML sederhana yang bisa dipelajari:

• NanoNeuron — neural network minimalis untuk memahami konsep dasar forward/backward propagation. Cuma beberapa baris kode tapi bisa belajar konsep fundamental ML.
• k-NN (k-Nearest Neighbors) — klasifikasi berdasarkan tetangga terdekat. Sederhana tapi sering cukup efektif. Cocok buat baseline classifier.
• k-Means — clustering tanpa label. Bagus buat mengelompokkan data berdasarkan kemiripan. Iteratif: assign cluster, update centroid, ulangi sampai konvergen.

Image Processing & Lainnya

• Seam Carving — teknik content-aware image resizing. Menghapus jalur (seam) dengan energi terendah dari gambar. Berbeda dari crop biasa karena menjaga konten penting.
• Weighted Random — generate angka random dengan probabilitas yang bisa dikonfigurasi. Berguna buat game mechanics dan simulasi.
• Genetic Algorithm — algoritma evolusi untuk optimasi. Terinspirasi dari seleksi alam Darwin: survive, mutate, crossover.

Paradigma Algoritma

Repo ini juga mengorganisir algoritma berdasarkan paradigma pendekatan:

• Brute Force — coba semua kemungkinan. Simple tapi bisa sangat lambat untuk input besar. Cocok sebagai baseline untuk membandingkan optimasi. Contoh: Linear Search, Rain Terraces, Travelling Salesman Problem.
• Greedy — pilih opsi terbaik di setiap langkah tanpa memikirkan masa depan. Tidak selalu menghasilkan solusi optimal tapi cepat dan sederhana. Contoh: Jump Game, Dijkstra, Prim's.
• Divide and Conquer — pecah masalah jadi bagian-bagian kecil, selesaikan masing-masing, lalu gabungkan. Contoh: Merge Sort, Binary Search, Tower of Hanoi, Quicksort.
• Dynamic Programming — simpan hasil sub-masalah supaya nggak dihitung ulang (memoization). Mengubah exponential time jadi polynomial. Contoh: Fibonacci, Knapsack, LCS, Bellman-Ford.
• Backtracking — seperti brute force tapi lebih cerdas karena bisa "mundur" kalau solusi yang sedang dibangun tidak menjanjikan. Contoh: N-Queens, Knight's Tour, Power Set, Hamiltonian Cycle.
• Branch and Bound — memperluas backtracking dengan menambahkan batas (bound) untuk pruning cabang yang tidak menjanjikan. Lebih efisien dari backtracking murni.

Cara Pakai Repo Ini

Repo ini sangat mudah dipakai. Clone, install, dan langsung jalan:

# Clone repository
git clone https://github.com/trekhleb/javascript-algorithms.git
 
# Install dependencies
cd javascript-algorithms
npm install
 
# Jalankan semua test (pastikan Node >= 22)
npm test
 
# Jalankan test untuk algoritma tertentu
npm test -- 'LinkedList'
npm test -- 'MergeSort'
npm test -- 'Dijkstra'
 
# Cek kualitas kode dengan ESLint
npm run lint

Setiap algoritma punya file test sendiri yang bisa kamu baca untuk memahami cara kerjanya. Test-nya juga jadi contoh penggunaan yang bagus.

Ada juga playground file di ./src/playground/playground.js yang bisa kamu pakai buat bereksperimen. Tinggal tulis kode, jalankan test, dan lihat hasilnya:

# Test playground
npm test -- 'playground'

Kalau ada masalah, coba hapus node_modules dan install ulang:

rm -rf ./node_modules
npm install

Pastikan kamu pakai versi Node yang benar. Kalau pakai nvm, cukup jalanin nvm use dari root folder project dan versi yang tepat akan otomatis dipakai.

Tips Belajar dari Repo Ini

Berikut beberapa tips yang bisa membantu kamu belajar lebih efektif dari repo ini:

1. Mulai dari struktur data yang sederhana — pahami Linked List dan Queue dulu sebelum loncat ke Trie atau Graph.
2. Baca test-nya dulu — sebelum baca implementasi, baca test-nya. Test menjelaskan "apa" yang harus dilakukan kode.
3. Coba implementasi sendiri — sebelum lihat solusi, coba tulis kode sendiri dulu. Kalau stuck, baru lihat.
4. Perhatikan complexity — setiap kali baca algoritma, tanya: "Apa best case, average case, dan worst case?"
5. Gunakan playground — bereksperimen dengan kode langsung membantu memahami konsep lebih dalam.
6. Baca README per algoritma — setiap algoritma punya README dengan penjelasan visual dan link tambahan.
7. Ikuti urutan — beberapa algoritma punya prerequisite. Misalnya, pahami Binary Search Tree dulu sebelum ke Red-Black Tree.

Masalah Coding Interview Populer dari Repo Ini

Banyak masalah yang ada di repo ini juga sering muncul di coding interview. Berikut beberapa yang paling sering ditanyakan:

• Two Sum / Combination Sum — menemukan kombinasi angka yang jumlahnya sama dengan target. Sering jadi soal pertama di interview.
• Valid Parentheses — cek apakah kurung seimbang. Bisa diselesaikan dengan stack sederhana.
• Merge Two Sorted Lists — menggabungkan dua linked list yang sudah terurut. Test pemahaman tentang linked list.
• Binary Search — meskipun terdengar simpel, banyak yang gagal di edge condition-nya. Practice makes perfect!
• BFS/DFS on Graph — traversal graph dengan pendekatan yang berbeda. Penting buat soal-soal tentang jaringan atau grid.
• N-Queens Problem — menempatkan N ratu di papan catur tanpa saling menyerang. Contoh klasik backtracking.
• Knapsack Problem — optimasi pemilihan item dengan batasan berat. Sering muncul di interview Google dan Amazon.
• LRU Cache — implementasi cache yang efficient. Menggabungkan hash map dan doubly linked list.

Masalah-masalah ini sudah punya solusi lengkap di repo. Tinggal baca, pahami, dan praktekkan sendiri.

Konsep Kompleksitas Tambahan

Berikut tabel perbandingan kompleksitas operasi pada struktur data yang ada di repo ini:

Tabel ini membantu kamu memilih struktur data yang tepat berdasarkan kebutuhan. Misalnya, kalau kamu butuh akses cepat berdasarkan key, Hash Table jawabannya. Kalau butuh data terurut dengan insert cepat, Red-Black Tree atau AVL Tree lebih cocok.

Referensi & Sumber Belajar Tambahan

Repo ini juga menyediakan link ke sumber belajar lain:

• Data Structures and Algorithms di YouTube — video visual buat pemahaman lebih dalam dari konsep-konsep yang dijelaskan. Cocok buat visual learner.
• Data Structure Sketches — sketsa visual struktur data yang membantu memahami konsep secara intuitif. Sangat berguna saat kamu perlu mengingat bentuk dan struktur dari masing-masing data structure.

Complexity Cheat Sheet

Sebagai referensi cepat, berikut perbandingan Big O notation:

Perhatikan bagaimana perbedaannya makin drastic saat ukuran data meningkat. Algoritma O(N!) yang butuh 3 juta operasi untuk 10 item, butuh angka yang nggak masuk akal untuk 100 item. Itulah kenapa memilih algoritma yang tepat itu sangat penting.

Kompatibilitas dan Kualitas Kode

Repo ini dijalankan dengan Node.js >= 22 (terakhir di-upgrade 6 bulan lalu). Kode-nya di-lint dengan ESLint dan di-test menggunakan Jest. Coverage test-nya cukup lengkap, dan repo ini juga pakai Husky untuk git hooks supaya kualitas kode tetap terjaga.

Dengan 220+ kontributor dan 1.153 commit, repo ini sangat aktif dipelihara. Terakhir commit 3 minggu lalu — menunjukkan bahwa maintainer masih rajin update dan menjaga kualitas.

Siapa yang Cocok Pakai Repo Ini?

• Developer yang lagi persiapan interview — belajar algoritma dan data structure yang sering ditanyakan di tech interview. Setiap topik langsung bisa dipraktikkan dengan kode.
• Fresh graduate — memperdalam pemahaman CS yang mungkin kurang solid dari kuliah.
• Self-taught developer — mengisi gap knowledge di computer science fundamentals. Nggak perlu kuliah CS untuk paham algoritma kalau mau belajar sendiri.
• Siapapun yang penasaran — ingin ngerti "kenapa" di balik cara kerja teknologi yang kita pakai sehari-hari.

Kesimpulan

javascript-algorithms adalah resource yang wajib dimiliki setiap JavaScript developer. Baik kamu lagi persiapan interview, pengen improve skill algorithmic, atau sekadar ingin ngerti bagaimana JavaScript bekerja di level yang lebih dalam — repo ini punya semuanya.

Yang paling bagus dari repo ini: setiap algoritma diimplementasikan dari scratch tanpa mengandung library eksternal. Jadi kamu benar-benar belajar cara kerjanya, bukan sekadar pakai fungsi built-in.

Plus, repo ini punya versi terjemahan dalam banyak bahasa — termasuk Bahasa Indonesia — jadi kamu bisa baca penjelasannya dalam bahasa ibu.

Dari 196K+ bintang yang dikumpulkan, bisa dipastikan ribuan developer di seluruh dunia sudah belajar dari repo ini. Sekarang giliran kamu.

Langsung aja clone dan mulai eksplorasi. Happy coding!

Informasi Repository: