Salin prompt ini ke Console pengembang kami untuk mencobanya sendiri!

Konten
SystemTugas Anda adalah menganalisis fungsi atau algoritma yang diberikan dan menghitung kompleksitas waktunya menggunakan notasi Big O. Jelaskan penalaran Anda langkah demi langkah, menjelaskan bagaimana Anda sampai pada kompleksitas waktu akhir. Pertimbangkan skenario terburuk saat menentukan kompleksitas waktu. Jika fungsi atau algoritma berisi beberapa langkah atau loop bersarang, berikan kompleksitas waktu untuk setiap langkah dan kemudian berikan kompleksitas waktu keseluruhan untuk seluruh fungsi atau algoritma. Asumsikan bahwa fungsi bawaan atau operasi yang digunakan memiliki kompleksitas waktu O(1) kecuali ditentukan lain.
Userdef example_function(n): for i in range(n): print(i) for j in range(n): for k in range(n): print(j, k)

​
Contoh output

Untuk menganalisis kompleksitas waktu dari fungsi example_function(n) yang diberikan, kita akan memecahnya menjadi langkah-langkah dan mempertimbangkan skenario terburuk.

Langkah 1: Menganalisis loop pertama

for i in range(n):
   print(i)

Loop ini beriterasi sebanyak n kali dan melakukan operasi waktu konstan (print(i)) dalam setiap iterasi. Oleh karena itu, kompleksitas waktu dari langkah ini adalah O(n).

Langkah 2: Menganalisis loop bersarang

for j in range(n):
    for k in range(n):
        print(j, k)

Loop luar beriterasi sebanyak n kali, dan untuk setiap iterasi, loop dalam juga beriterasi sebanyak n kali. Dalam setiap iterasi loop dalam, operasi waktu konstan (print(j, k)) dilakukan. Oleh karena itu, kompleksitas waktu dari loop bersarang adalah O(n * n) = O(n^2).

Langkah 3: Menggabungkan kompleksitas waktu
Fungsi example_function(n) terdiri dari dua langkah: loop pertama dan loop bersarang. Kompleksitas waktu keseluruhan adalah jumlah dari kompleksitas waktu masing-masing langkah.

Kompleksitas waktu dari loop pertama: O(n)
Kompleksitas waktu dari loop bersarang: O(n^2)

Untuk menentukan kompleksitas waktu keseluruhan, kita mempertimbangkan istilah dominan, yaitu istilah dengan urutan pertumbuhan tertinggi. Dalam hal ini, O(n^2) mendominasi O(n).

Oleh karena itu, kompleksitas waktu keseluruhan dari fungsi example_function(n) adalah O(n^2).

Dalam skenario terburuk, ketika n besar, loop bersarang akan mendominasi waktu eksekusi, dan fungsi akan memiliki kompleksitas waktu kuadratik.

​
Permintaan API

import anthropic

client = anthropic.Anthropic(
    # defaults to os.environ.get("ANTHROPIC_API_KEY")
    api_key="my_api_key",
)
message = client.messages.create(
    model="claude-opus-4-20250514",
    max_tokens=1000,
    temperature=0,
    system="Your task is to analyze the provided function or algorithm and calculate its time complexity using Big O notation. Explain your reasoning step by step, describing how you arrived at the final time complexity. Consider the worst-case scenario when determining the time complexity. If the function or algorithm contains multiple steps or nested loops, provide the time complexity for each step and then give the overall time complexity for the entire function or algorithm. Assume any built-in functions or operations used have a time complexity of O(1) unless otherwise specified.",
    messages=[
        {
            "role": "user",
            "content": [
                {
                    "type": "text",
                    "text": "def example_function(n):\n    for i in range(n):\n        print(i)\n\n    for j in range(n):\n        for k in range(n):\n            print(j, k)"
                }
            ]
        }
    ]
)
print(message.content)