8  

BAB 2

LANDASAN TEORI

2.1 Kecerdasan Buatan

2.1.1 Definisi

Definisi Kecerdasan Buatan

• H. A. Simon [1987] :

“Kecerdasan buatan (artificial intelligence) merupakan kawasan

penelitian, aplikasi dan instruksi yang terkait dengan pemrograman

komputer untuk melakukan sesuatu hal yang -dalam pandangan

manusia adalah- cerdas”

• Rich and Knight [1991]:

“Kecerdasan Buatan (AI) merupakan sebuah studi tentang bagaimana

membuat komputer melakukan hal-hal yang pada saat ini dapat

dilakukan lebih baik oleh manusia.”

• Encyclopedia Britannica:

“Kecerdasan Buatan (AI) merupakan cabang dari ilmu komputer yang

dalam merepresentasi pengetahuan lebih banyak menggunakan bentuk

simbol-simbol daripada bilangan, dan memproses informasi

berdasarkan metode heuristic atau dengan berdasarkan sejumlah

aturan”

9  

Dari definisi yang disebutkan di atas, kecerdasan buatan (bahasa

Inggris yaitu Artificial Intelligence) didefinisikan sebagai kecerdasan

yang ditunjukkan oleh suatu entitas buatan. Sistem seperti ini umumnya

dianggap komputer. Kecerdasan diciptakan dan dimasukkan ke dalam

suatu mesin (komputer) agar dapat melakukan pekerjaan seperti yang

dapat dilakukan manusia. Beberapa macam bidang yang menggunakan

kecerdasan buatan antara lain sistem pakar, permainan komputer (games),

logika fuzzy, jaringan syaraf tiruan dan robotika.

Pengertian AI dapat ditinjau dari dua pendekatan :

1. Pendekatan Ilmiah ( A Scientific Approach)

Pendekatan dasar ilmiah timbul sebelum invansi ke komputer, ini tidak

sama dengan kasus mesin uap. Pendekatan ilmiah melihat batas

sementara dari komputer, dan dapat diatasi dengan perkembangan

teknologi lanjutan. Mereka tidak mengakibatkan tingkatan pada konsep.

2. Pendekatan Teknik ( An Engineering Approach)

Usaha untuk menghindari definisi AI, tetapi ingin mengatasi atau

memecahkan persoalan-persoalan dunia nyata(real world problem).

Karena kecerdasan buatan adalah ilmu yang berdasarkan proses

manusia berpikir, maka penelitian bagaimana proses manusia berpikir

adalah hal yang pokok.

Pada saat ini para peneliti hanya mulai mengerti sedikit dari proses

berpikir tersebut, tetapi sudah cukup diketahui untuk membuat asumsi-

10  

asumsi yang pasti tentang bagaimana cara berpikir dan menggunakan

asumsi-asumsi tersebut untuk mendesain suatu program komputer yang

mempunyai kecerdasan secara tiruan.

Semua proses berpikir menolong manusia untuk menyelesaikan

suatu masalah. Pada saat otak manusia mendapat informasi dari luar,

maka suatu proses berpikir reaksi otomatis dan respon yang spesifik

dicari untuk menyelesaikan masalah tertentu. Hasil akhir dari semua

proses berpikir tersebut disebut tujuan (goal).

Pada saat tujuan telah dicapai, pikiran akan segera berhadapan

dengan tujuan-tujuan lainnya yang akan dicapai. Di mana semua tujuan-

tujuan ini bila terselesaikan akan mengantar ke suatu tujuan utama.

Dalam proses ini tidak ada satupun cara berpikir yang mengarah ke

tujuan akhir dilakukan secara acak dan sembarangan.

Kecerdasan manusia dapat dipecah-pecah menjadi kumpulan

fakta-fakta (facts) dan fakta-fakta ini yang digunakan untuk mencapai

tujuan. Hal ini dilakukan dengan memformulasikan sekelompok aturan-

aturan (rules) yang berhubungan dengan fakta-fakta yang disimpan dalam

otak.

Walaupun Artificial Intelligence memiliki konotasi fiksi ilmiah

yang kuat, Artificial Intelligence membentuk cabang yang sangat penting

pada ilmu komputer, berhubungan dengan perilaku, pembelajaran dan

adaptasi yang cerdas dalam sebuah mesin. Penelitian dalam Artificial

Intelligence menyangkut pembuatan mesin untuk mengotomatisasikan

tugas-tugas yang membutuhkan perilaku cerdas. Termasuk contohnya

11  

adalah pengendalian, perencanaan dan penjadwalan, kemampuan untuk

menjawab diagnosa dan pertanyaan pelanggan, serta pengenalan tulisan

tangan, suara dan wajah.

Sistem Artificial Intelligence sekarang ini sering digunakan dalam

bidang ekonomi, obat-obatan, teknik dan militer, seperti yang telah

dibangun dalam beberapa aplikasi perangkat lunak komputer rumah dan

video game.

Kecerdasan Buatan sendiri dimunculkan oleh seorang professor

dari Massachusetts Institute of Technology yang bernama John McCarthy

pada tahun 1956 pada Dartmount Conference yang dihadiri oleh para

peneliti Artificial Intelligence. Pada konferensi tersebut juga didefinisikan

tujuan utama dari Kecerdasan Buatan, yaitu : mengetahui dan

memodelkan proses-proses berfikir manusia dan mendesain mesin agar

rapat menirukan kelakuan manusia tersebut.

2.1.2 Latar Belakang Kecerdasan Buatan

Pada awal diciptakannya, komputer hanya difungsikan sebagai alat

komputasi belaka. Seiring dengan perkembangan waktu, penggunaan

komputer semakin mendominasi kehidupan manusia sehingga komputer

tidak hanya digunakan sebagai alat hitung saja, tetapi dapat menggantikan

beberapa pekerjaan yang biasanya dilakukan oleh manusia.

Manusia menjadi pintar dalam menyelesaikan segala permasalahan

yang dihadapi karena manusia mempunyai pengetahuan dan pengalaman.

Pengetahuan didapatkan dari proses belajar, pengalaman didapatkan

12  

karena perjalanan waktu dan kehidupan yang dialami oleh manusia.

Semakin banyak bekal pengetahuan dan pengalaman yang dimiliki oleh

seseorang, diharapkan orang tersebut lebih mampu menyelesaikan

masalah yang dihadapinya.

Namun bekal pengetahuan saja tidak cukup, manusia juga

diberikan akal untuk melakukan penalaran, mengambil kesimpulan

berdasarkan pengetahuan dan pengalaman yang dimilikinya. Tanpa

memiliki kemampuan penalaran yang baik, tidak ada artinya manusia itu

memiliki pengetahuan dan pengalaman sebanyak apapun. Demikian juga

sebaliknya, walaupun seorang manusia memiliki kemampuan penalaran

yang baik, namun tanpa bekal pengetahuan dan pengalaman yang

memadai, manusia juga tidak dapat menyelesaikan masalahnya dengan

baik.

Agar komputer bisa bertindak seperti dan sebaik manusia, maka

komputer juga harus diberi bekal pengetahuan dan diberikan kemampuan

untuk menalar. Untuk itu, kecerdasan buatan akan mencoba untuk

memberikan beberapa metode untuk membekali komputer dengan kedua

komponen tersebut agar komputer bisa menjadi mesin yang cerdas.

2.1.3 Sejarah Kecerdasan Buatan

Program AI pertama yang bekerja ditulis pada 1951 untuk

menjalankan mesin Ferranti Mark I di University of Manchester (UK),

sebuah program permainan naskah yang ditulis oleh Christopher Strachey

dan program permainan catur yang ditulis oleh Dietrich Prinz. John

13  

McCarthy membuat istilah "kecerdasan buatan" pada konferensi pertama

yang disediakan untuk pokok persoalan ini, pada 1956. Dia juga

menemukan bahasa pemrograman Lisp. Alan Turing, seorang

matematikawan Inggris, pertama kali mengusulkan adanya tes untuk

melihat bisa tidaknya sebuah mesin dikatakan cerdas. Hasil tes tersebut

kemudian dikenal dengan Turing Test, dimana si mesin tersebut

menyamar seolah-olah sebagai seseorang didalam suatu permainan yang

mampu memberikan respon terhadap serangkaian pertanyaan yang

diajukan. Turing beranggapan bahwa, jika mesin dapat membuat

seseorang percaya bahwa dirinya mampu berkomunikasi dengan orang

lain, maka dapat dikatakan bahwa mesin tersebut cerdas (seperti layaknya

manusia).

Kecerdasan Buatan sendiri dimunculkan oleh seorang professor

dari Massachusetts Institute of Technology (MIT) yang bernama John

McCarthy pada tahun 1956 pada saat Dartmouth Conference yang

dihardiri oleh parah peneliti AI.

Selama tahun 1960-an dan 1970-an, Joel Moses

mendemonstrasikan kekuatan pertimbangan simbolis untuk

mengintegrasikan masalah di dalam program Macsyma, program berbasis

pengetahuan yang sukses pertama kali dalam bidang matematika. Marvin

Minsky dan Seymour Papert menerbitkan Perceptrons, yang

mendemostrasikan batas jaringan syaraf sederhana dan Alain Colmerauer

mengembangkan bahasa komputer Prolog. Ted Shortliffe

mendemonstrasikan kekuatan sistem berbasis aturan untuk representasi

14  

pengetahuan dan inferensi dalam diagnosa dan terapi medis yang

kadangkala disebut sebagai sistem pakar pertama. Hans Moravec

mengembangkan kendaraan terkendali komputer pertama untuk

mengatasi jalan berintang yang kusut secara mandiri.

Pada Pada tahun 1980-an, jaringan syaraf digunakan secara meluas

dengan algoritma perambatan balik, pertama kali diterangkan oleh Paul

John Werbos pada 1974. Tahun 1990-an ditandai perolehan besar dalam

berbagai bidang Artificial Intelligence dan demonstrasi berbagai macam

aplikasi. Lebih khusus Deep Blue, sebuah komputer permainan catur,

mengalahkan Garry Kasparov dalam sebuah pertandingan 6 game yang

terkenal pada tahun 1997.

Awal pekerjaan dipusatkan pada seperti game playing (misalnya:

audio dengan kecerdasan dan permainan catur (chess player), pembuktian

teorema (theorem proving) pada Tugas-tugas formal (Formal Tasks).

Samual (1963) menulis sebuah program yang diberi nama check-er-

playing program, yang tidak hanya untuk bermain game, tetapi digunakan

juga pengalamannya pada permainan untuk mendukung kemampuan

sebelumnya. Catur juga diterima, karena banyak sekali perhatian terhadap

permaianan catur yang merupakan permainan yang lengkap atau

kompleks, program catur di sini situasinya harus jelas dan rule atau

ketentuannya harus seperti dunia nyata. Kandidat AI harus mampu

menangani masalah-masalah yang sulit. Logic theorist diawal percobaan

untuk membuktikan teorema matematika. Ia mampu membuktikan

beberapa teorema dari bab 1 Prinsip Matematika Whiteheat dan Russell.

15  

Theorema Gelernter (1963) membuktikan pencarian area yang lain dari

matematika yaitu geometri.

2.1.4 Tujuan Kecerdasan Buatan

Pengembangan AI dilakukan untuk mengembangkan metode dan

sistem untuk menyelesaikan masalah, masalah yang biasa diselesaikan

melalui aktifivitas intelektual manusia, misalnya pengolahan citra,

perencanaan, peramalan dan lain-lain, meningkatkan kinerja sistem

informasi yang berbasis komputer serta untuk meningkatkan pengertian /

pemahaman kita pada bagaimana otak manusia bekerja. Winston dan

Prendergas [1984] mengungkapkan ada tiga tujuan dari kecerdasan

buatan antara lain :

• Membuat mesin menjadi lebih pintar (tujuan utama)

• Memahami apa itu kecerdasan (tujuan ilmiah)

• Membuat mesin lebih bermanfaat (tujuan entrepreneurial)

Menurut Sri Kusumadewi [2003], tujuan kecerdasan buatan dapat

dilihat dari berbagai sudut pandang, antara lain :

• Sudut pandang kecerdasan.

AI adalah bagaimana membuat mesin yang “cerdas” dan dapat

melakukan hal-hal yang sebelumnya dapat dilakukan oleh

manusia.

16  

• Sudut pandang penelitian.

AI merupakan studi yang menitik beratkan pada pertanyaan

bagaimana membuat computer dapat melakukan kegiatan

seperti yang dilakukan oleh manusia. Tidak menutup

kemungkinan hasil dari kegiatan tersebut dapat lebih baik dari

pada yang dikerjakan oleh manusia seperti dalam hal

kepresisian, ketepatan waktu.

• Sudut pandang bisnis.

AI adalah sekelompok alat bantu (tools) yang berdaya guna,

dan metodologi yang menggunakan alat-alat tersebut guna

menyelesaikan masalah-masalah bisnis.

• Sudut pandang pemrograman.

AI termasuk di dalamnya adalah studi tentang pemrograman

simbolik, penyelesaian masalah (problem solving), dan

pelacakan (searching).

2.1.5 Kecerdasan Buatan dan Kecerdasan Alami

Kita mengetahui bahwa kecerdasan buatan adalah diterapkan

untuk komputer, sedangkan kecerdasan alami merupakan kecerdasan

yang dimiliki oleh manusia. Jika dibanding kecerdasan alami, kecerdasan

buatan memiliki keuntungan komersial, antara lain :

1. Kecerdasan buatan lebih bersifat permanen, komputer tidak akan

mengalami perubahan selama hardware dan software-nya tidak rusak.

17  

Kecerdasan alami akan cepat mengalami perubahan, Hal ini

dikarenakan sifat manusia yang pelupa.

2. Kecerdasan buatan lebih mudah diduplikasi dan disebarkan.

Mentranfer pengetahuan manusia dari satu orang ke orang lain

membutuhkan waktu yang lama dan sulit dilakukan, walaupun

diberikan waktu yang cukup lama untuk pembelajaran belum bisa

mentranfer ilmu pengetahuan dan keahlian dari sang pakar seratus

persen. Sedangkan jika pengetahuan tersebut sudah berada dalam

komputer, maka dalam waktu singkat pengetahuan dapat ditranfer ke

komputer lain seratus persen.

3. Kecerdasan buatan bersifat konsisten. Hal ini sangat mungkin karena

kecerdasan buatan sebagai bagian dari teknologi komputer, maka

kecerdasan buatan akan selalu konsisten dengan aturan-aturan yang

sudah ditetapkan dalam program. Apa yang dilakukan oleh komputer

pada saat ini akan tetap sama dengan apa yang akan dilakukan

komputer disaat yang akan datang selama tidak ada perubahan pada

aturan-aturan yang telah ditetapkan.

4. Kecerdasan buatan dapat didokumentasi. Komputer dapat

didokumentasi dengan mudah melalui pelacakan setiap aktivitas dari

sistem tersebut.

5. Kecerdasan buatan dapat mengerjakan pekerjaan lebih cepat

dibanding dengan kecerdasan alami. Jika komputer yang

mengerjakan, maka dapat dilakukan tepat waktu dan bahkan lebih

cepat dari waktu yang sudah ditetapkan.

18  

6. Kecerdasan buatan dapat mengerjakan pekerjaan lebih baik dibanding

dengan kecerdasan alami. Dalam hal ketepatan atau kepresisian maka

komputer dapat menghitung dalam tingkat mikro atau lebih kecil dari

ukuran tersebut.

Keuntungan kecerdasan alami :

1. Kreatif. Kemampuan manusia untuk menambah pengetahuan yang

setiap waktu bertambah dan berubah. Pada kecerdasan buatan untuk

menambah pengetahuan harus dilakukan melalui sistem yang

dibangun.

2. Kecerdasan alami memungkinkan orang untuk menggunakan

pengalaman secara langsung. Sedang pada kecerdasan buatan harus

bekerja dengan input-input simbolik.

3. Pemikiran manusia dapat digunakan secara luas, sedangkan

kecerdasan buatan sangat terbatas.

2.1.6 Aplikasi Kecerdasan Buatan

Makin pesatnya perkembangan teknologi menyebabkan adanya

perkembangan dan perluasan lingkup yang membutuhkan kehadiran

kecerdasan buatan. Karakteristik ‘cerdas’ sudah mulai tidak hanya

dominan di bidang ilmu komputer (informatika), namun juga sudah

merambah di berbagai disiplin ilmu yang lain. Irisan antara psikologi dan

kecerdasan buatan melahirkan sebuah area yang dikenal dengan nama

Cognition & Psycolonguistics. Irisan antara teknik elektro dengan

19  

kecerdasan buatan melahirkan berbagai ilmu seperti : pengolahan citra,

teori kendali, pengenalan pola dan robotika.

Adanya irisan penggunaan kecerdasan buatan di berbagai disiplin

ilmu tersebut menyebabkan cukup rumitnya untuk mengklasifikasikan

kecerdasan buatan menurut disiplin ilmu yang menggunakannya. Untuk

memudahkan hal tersebut, maka pengklasifikasian lingkup kecerdasan

buatan didasarkan pada output yang diberikan yaitu aplikasi komersial

(meskipun sebenarnya kecerdasan buatan itu sendiri bukan merupakan

medan komersial). Lingkup utama dalam kecerdasan buatan adalah :

a. Sistem Pakar (Expert System)

Kemampuan, keahlian dan pengetahuan tiap orang berbeda-beda.

Komputer dapat diprogram untuk berbuat seperti orang yang ahli dalam

bidang tertentu. Komputer yang demikian dapat dijadikan seperti

konsultan atau tenaga ahli di bidang tertentu yang dapat menjawab

pertanyaan dan memberikan nasehat-nasehat yang dibutuhkan. Sistem

demikian disebut Expert System (Sistem Pakar). Disini komputer

digunakan sebagai sarana untuk menyimpan pengetahuan para pakar.

Dengan demikian dengan meniru keahlian yang dimiliki oleh pakar.

Ada beberapa pengertian sistem pakar, antara lain :

• Menurut Durkin : Sistem pakar adalah suatu program komputer yang

dirancang untuk memodelkan kemampuan penyelesaian masalah yang

dilakukan oleh seorang pakar.

20  

• Menurut Ignizio : Sistem pakar adalah suatu model yang prosedur

yang berkaintan, dalam suatu domain tertentu, yang mana tingkat

keahliannya dapat dibandingkan dengan keahlian seorang pakar.

• Menurut Giarratano dan Riley : Sistem pakar adalah suatu sistem

komputer yang bisa menyamai atau meniru kemampuan seorang

pakar.

• Menurut Sri Kusumadewi : Secara umum, sistem pakar adalah sistem

yang berusaha mengadopsi pengetahuan manusia ke komputer, agar

komputer dapat menyelesaikan masalah seperti yang biasa dilakukan

oleh para ahli.

Sistem pakar pertama kali dikembangkan oleh komunitas AI pada

pertengahan tahun 1960. Sistem pakar yang muncul pertama kali adalah

General-purpose Problem Solver(GPS) yang dikembangkan oleh Newel

dan Simon. GPS (dan program-program yang serupa) ini mengalami

kegagalan dikarenakan cangkupannya terlalu luas sehingga terkadang

justru meninggalkan pengetahuan-pengetahuan penting yang seharusnya

disediakan.

b. Game Playing

Game Playing (permainan game) merupakan bidang AI yang

sangat popular berupa permainan antara manusia melawan mesin yang

mempunyai intelektual untuk berpikir. Bermain dengan komputer

21  

memang menarik, bahkan sampai melupakan tugas utama yang lebih

penting. Komputer dapat bereaksi dan menjawab tindakan-tindakan yang

diberikan oleh lawan mainnya. Kebanyakan permainan dilakukan dengan

menggunakan sekumpulan aturan. Dalam permainan digunakan apa yang

disebut dengan pencarian ruang, teknik untuk menentukan alternatif

dalam menyimak problema ruang merupakan sesuatu yang rumit.

c. Robotics

Robot berasal dari kata Robota, dari bahasa Chekoslavia yang

berarti tenaga kerja, kata ini digunakan oleh dramawan Karel Capek pada

tahun 1920 pada sandiwara fiksinya, yaitu R.U.R (Rossum’s Universal

Robots).

Robot adalah suatu mesin yang dapat diarahkan untuk

mengerjakan bermacam-macam tugas tanpa campur tangan lagi dari

manusia. Secara ideal robot diharapkan dapat melihat, mendengar,

menganalisa lingkungannya dan dapat melakukan tindakan-tindakan yang

terprogram. Robot digunakan untuk maksud-maksud tertentu dan yang

paling banyak adalah untuk keperluan industri. Diterapkannya robot

untuk industri terutama untuk pekerjaan 3D yaitu Dirty, Dangerous, atau

Difficult (kotor, berahaya dan pekerjaan yang sulit). Negara yang banyak

menggunakan robot untuk industri adalah Jepang, Amerika Serikat dan

Jerman Barat.

22  

d. Pengenalan Ucapan (Speech Recognition)

Bidang ini juga masih dikembangkan dan terus dilakukan

penelitiannya. Kalau bidang ini berhasil dengan baik dan sempurna,

alangkah hebatnya komputer. Kita dapat berkomunikasi dengan komputer

hanya dengan bicara, kita bisa mengetik sebuah buku hanya dengan

bicara, dan selanjutnya komputer yang akan menampilkan tulisan hasil

pembicaraan kita. Akan tetapi bidang ini masih belum sempurna seperti

yang diharapkan. Hal ini dikarenakan jenis suara manusia berbeda-beda.

Suatu alat recognizer dapat ditambahkan pada komputer mikro

sehingga dapat digunakan untuk speech recognition, diantaranya yaitu:

- Voice Recognition Module (VRM) buatan Interstate Electronic.

- Voice Data Entry System (VDEC) buatan Interstate Electronic.

- SpeechLab buatan Heuristics Inc.

- Voice Entry Terminal (VET) buatan Scott Instruments.

- Cognivox buatan Voicetek.

e. Computer Vision

Computer vision merupakan kombinasi dari pencitraan,

pengolahan citra, pengenalan pola serta proses pengambilan keputusan.

Tujuan utama dari computer vision adalah untuk menerjemahkan suatu

pemandangan. Computer vision banyak dipakai dalam kendali kualitas

produk industri.

23  

f. Intelligent Computer-Aided Instruction

Komputer yang mengajari manusia. Belajar melalui komputer

sudah lama digunakan, namun dengan menambahkan aspek kecerdasan di

dalamnya, dapat tercipta komputer “guru” yang dapat mengatur teknik

pengajarannya untuk menyesuaikan dengan kebutuhan “murid” secara

individual. System ini juga mendukung pembelajaran bagi orang yang

mempunyai kekurangan fisik atau kelemahan belajar.

g. Pengenalan Bahasa Alami (Natural Language Processing)

Suatu teknologi yang memberikan kemampuan kepada komputer

untuk memahami bahasa manusia sehingga pengguna komputer dapat

berkomunikasi dengan komputer dengan menggunakan bahasa sehari-

hari. Dengan pengolahan bahasa alami ini diharapkan user dapat

berkomunikasi dengan komputer dengan menggunakan bahasa sehari-

hari.

2.2 Computer Vision

Computer vision adalah ilmu pengetahuan yang mempelajari bagaimana

kompter dapat mengenali objek yang diamati atau diobservasi (transparansi

Computer Vision, Binus Univesity, 2002). Computer vision merupakan salah

satu disiplin ilmu dari Artificial Intelligence yang biasa juga di sebut kecerdasan

buatan, dimana computer vision berfokus pada informasi-informasi yang

dimiliki oleh data gambar. Data gambar memiliki banyak bentuk, seperti video

(gambar yang berjalan), gambar dari kamera, atau data multi-dimensional

24  

scanner medis. Salah satu proses dari computer vision adalah image processing

atau lebih dikenal pengolahan citra. Sebagai disiplin teknologi, computer vision

berusaha untuk menerapkan teori dan model untuk pembangunan sistem

computer vision. Definisi computer vision dari beberapa ahli sebagai berikut :

• Menurut Andian Low (1991), computer vision berhubungan dengan

perolehan gambar, pemrosesan, klasifikasi, pengenalan, dan menjadi

penggabungan pengurutan pembuatan keputusan menuju pengenalan.

• Menurut Michael G. Fairhurst (1995), computer vision sesuai dengan

sifatnya, merupakan suatu subyek yang merangkul berbagai disiplin

tradisional secara luas guna mendasari prinsip-prinsip formalnya, dan dalam

mengembangkan suatu metodologi yang berlainan dari apa yang dimilikinya,

pertama-tama harus menggabungkan dan secara berurutan membangun

materi yang mendasari ini.

• Menurut Saphiro dan Stockman (2001), computer vision merupakan suatu

bidang yang bertujuan untuk membuat suatu keputusan yang berguna

mengenai objek fisik nyata dan keadaan berdasarkan atas sebuah citra.

Computer vision merupakan kombinasi antara pengolahan citra dan

pengenalan pola. Hasil keluaran dari proses computer vision adalah

pengertian tentang citra.

Contoh aplikasi dari computer vision mencakup sistem untuk :

• Pengendalian proses (misalnya, sebuah robot industri atau kendaraan

otonom).

25  

• Mendeteksi peristiwa (misalnya, untuk pengawasan visual atau orang

menghitung).

• Mengorganisir informasi (misalnya, untuk pengindeksan database foto dan

gambar urutan).

• Modeling benda atau lingkungan (misalnya, inspeksi industri, analisis citra

medis atau model topografi).

• Interaksi (misalnya, sebagai input ke perangkat untuk interaksi manusia

komputer).

2.2.1 Citra Digital

Seperti yang dikemukan oleh Anvil K. Jain (1989), Citra digital

adalah Representasi dari suatu objek nyata baik dalam bentuk 2 dimensi

maupun 3 dimensi menjadi bentuk gambar digital yang dikenali oleh

komputer.

Citra digital dapat didefinisikan sebagai fungsi dua variabel, f(x,y),

dimana x dan y adalah koordinat spasial dan nilai f(x,y) adalah intensitas

citra pada koordinat tersebut dan nilai dari fungsi yang merupakan tingkat

intensitas warna atau tingkat keabu-abuan dari titik tersebut (Robert

J.schalkoff, 1989). Hal ini diilustrasikan pada gambar 2.1.

26  

Gambar 2.1. Citra Digital

2.2.2 Pengolahan Citra Digital

Pengolahan citra merupakan bidang studi yang mempelajari proses

pengolahan gambar dimana baik masukan maupun keluarannya

berbentuk berkas citra digital (Aniati Murni Arymurthy, 1992).

Pengolahan citra digital dapat dikelompokkan dalam dua jenis kegiatan :

1. Memperbaiki kualitas suatu gambar, sehingga dapat lebih mudah

diinterpretasi oleh mata manusia.

2. Mengolah informasi yang terdapat pada suatu gambar untuk keperluan

pengenalan objek secara otomatis.

Kebutuhan untuk memproses sebuah gambar dengan cepat dalam

satu aplikasi merupakan salah satu masalah utama dalam melakukan

pengolahan citra, sedangkan untuk aplikasi yang bekerja secara real time

lebih bergantung pada pemrosesan piksel atau signal yang cepat daripada

metode optimisasi lain yang rumit dan memakan waktu (Chen, 2003).

27  

Pengolahan citra dan pengenalan pola menjadi bagian dari proses

pengenalan citra. Kedua aplikasi ini akan saling melengkapi untuk

mendapatkan ciri khas dari suatu citra yang hendak dikenali. Secara

umum tahapan pengolahan citra digital meliputi akusisi citra, peningkatan

kualitas citra, segmentasi citra, representasi dan uraian, pengenalan dan

interpretasi.

2.2.3 Pengenalan Pola

Beberapa definisi tentang pengenalan pola :

• Menurut Michael G. Farnhurst (1988), pengenalan pola merupakan

bidang studi yang melakukan proses analisis gambar yang inputnya

adalah gambar ataupun citra digital dan menghasilkan output suatu

deskripsi dengan tujuan untuk mendapatkan informasi yang

disampaikan oleh gambar atau citra. Cara kerja pengenalan pola ini

seperti meniru kemampuan manusia (otak manusia) dalam mengenali

suatu objek atau pola tertentu.

• Menurut Aniati Murni Arymurthy (1992), pengenalan pola adalah

suatu proses analisis gambar, dimana masukkan berupa sebuah citra

dan hasil keluarannya berupa sebuah deskripsi citra tersebut. Proses

ini bertujuan untuk mengekstrak informasi yang disampaikan oleh

citra. Pada pengenalan pola dibutuhkan objek citra untuk

diidentifikasikan. Hasil dari pengenalan pola ini akan berupa kelas

yang merupakan kelompok dari klasifikasinya.

28  

Sebuah contoh dari pengenalan pola adalah klasifikasi, yang

mencoba untuk memberikan setiap nilai masukan ke salah satu dari satu

perangkat class (misalnya, menentukan apakah email yang diberikan

adalah “spam” atau “non-spam”). Namun, pengenalan pola adalah

masalah yang lebih umum yang meliputi jenis lain output juga. Contoh

lain adalah regresi, yang memberikan sebuah output bernilai nyata untuk

setiap masukan, pelabelan urutan, yang memberikan kelas untuk setiap

anggota urutan nilai (misalnya, bagian dari penandaan pidato, yang

memberikan suatu bagian dari pidato untuk setiap kata di sebuah kalimat

input), dan parsing, yang memberikan sebuah pohon parse ke input

kalimat, menggambarkan struktur sintaksis kalimat.

2.2.4 Pengekstraksian Fitur (Feature Extraction)

Ekstraksi fitur adalah proses mendapatkan fitur atau penciri dari

suatu citra. Secara umum, fitur citra berupa warna, bentuk dan tekstur.

Acharya dan Ray (2005) mendefinisikan fitur bentuk sebagai

pendeskripsi suatu objek yang bebas terhadap posisi, orientasi, dan

ukuran. Fitur tekstur didefinisikan sebagai pengulangan pola atau pola-

pola yang ada pada suatu daerah bagian citra.

Pengekstraksian fitur dapat diartikan sebagai proses mengambil

informasi yang relevan, berhubungan dengan klasifikasi data input

dengan bantuan suatu alat. Biasanya pengekstrasian fitur dilakukan

dengan bantuan piranti lunak. Pemrosesan ini akan mengubah pola data

29  

mentah dari gambar menjadi sebuah vektor ciri. Penggunanya akan

mengurangi data yang terulang dalam sebuah pola gambar (Saphiro dan

Stockman, 2001). Teknik pengekstrasian fitur ini digunakan dalam

proses, salah satunya deteksi muka.

2.2.5 RGB to Gray

Konversi RGB to Gray melakukan transformasi dari sebuah image

berwarna 24 bit dengan 3 channel menjadi sebuah image grayscale 8 bit

dengan single channel. Dengan demikian menambahkan merah untuk

menghasilkan hijau kuning. Tambahkan di beberapa biru untuk yang

campuran dalam jumlah yang sama dan mendapatkan warna netral. Penuh

pada [Red, Green, Blue] = [255 255 255] menghasilkan putih. [0, 0, 0]

hasil monitor hitam. Nilai Intermediate, ketika R = G = B semua sama

akan menghasilkan warna netral nominal tingkat tertentu abu-abu.

Konversi dari RGB ke grayscale tergantung pada kurva respon kepekaan

detektor untuk cahaya sebagai fungsi dari panjang gelombang. Rumus

yang digunakan adalah :

Rumus 2.1

Y = 0.299R + 0.587G + 0.114B

2.2.6 Equalisasi Histogram

Equalisasi histogram (Histogram Equalization) menyatakan

frekuensi kemunculan berbagai derajat keabuan dalam suatu citra dibuat

rata. Teknik pemodelan histogram mengubah citra hingga memiliki

30  

histogram sesuai keinginan. Untuk dapat melakukan histogram

equalization ini diperlukan suatu fungsi distribusi kumulatif yang

merupakan kumulatif dari histogram.

Misalkan diketahui data sebagai berikut.

2 4 3 1 3 6 4 3 1 0 3 2

Maka histogram dari data di atas adalah.   

Gambar 2.2. Contoh histogram

Proses perhitungan distribusi kumulatif dapat dijelaskan dengan tabel

berikut.

Tabel 2.1 Proses Perhitungan Distribusi Kumulatif

Nilai Histogram Distribusi Kumulatif 0 1 1 1 2 1+2=3 2 2 3+2=5 3 4 5+4=9 4 2 9+2=11 5 0 11+0=11 6 1 11+1=12

Dan diperoleh histogram kumulatif sebagai berikut.

31  

Nilai hasil histogram equalization adalah sebagai berikut.

w = cw.th / nxny dimana w = nilai keabuan hasil histogram equalization, cw

= histogram kumulatif dari w, th = threshold derajat keabuan (256), nx

dan ny = ukuran gambar.

Hasil setelah histogram equalization adalah sebagai berikut.

Gambar 2.3. Histogram kumulatif

Histogram equalization (ekualisasi histogram) adalah suatu proses

dimana histogram diratakan berdasarkan suatu fungsi linier (garis lurus)

seperti terlihat pada gambar 2.3. Teknik ekualisasi histogram adalah

sebagai berikut.

Tabel 2.2 Teknik Ekualisasi Histogram

Nilai asal Histogram Kumulatif Nilai hasil

0 1 ½ 0 1 3 3/2 1 2 5 5/2 2 3 9 9/2 4 4 11 11/2 5 5 11 11/2 5 6 12 12/2 6

32  

2 5 4 1 4 6 5 4 1 0 4 2

Gambar 2.4. Histogram dari hasil histogram equalization

2.2.7 Dilasi dan Erosi

Operasi dilasi dilakukan untuk memperbesar ukuran segmen objek

dengan menambah lapisan di sekeliling objek sehingga citra hasil dilasi

cenderung menebal. Operasi dilasi akan melakukan proses pengisian pada

citra asal yang memiliki ukuran lebih kecil dibandingkan structuring

element (strel). Sedangkan, operasi erosi adalah kebalikan dari operasi

dilasi. Pada operasi ini, ukuran objek diperkecil dengan mengikis

sekeliling objek sehingga citra hasil cenderung diperkecil menipis.

Operasi erosi akan melakukan pengurangan pada citra asal yang lebih

kecil disbanding elemen penstruktur (strel).

Gambar 2.5. Proses dilasi

33  

Proses erosi yang dilanjutkan dengan proses dilasi dimana kedua

proses tersebut dilakukan secara berulang didefinisikan sebagai proses

opening. Operasi opening digunakan untuk memutus bagian-bagian dari

objek yang hanya terhubung dengan 1 atau 2 buah titik saja, dan

menghilangkan objek yang sangat kecil. Operasi opening bersifat

memperhalus kenampakan citra, menyambung fitur yang terputus (break

narrow joins), dan menghilangkan efek pelebaran pada objek (remove

protrusions).

Gambar 2.6. Proses erosi

Kombinasi antara operasi dilasi dan erosi yang dilakukan secara

berurutan adalah operasi closing. Citra asli didilasi terlebih dahulu,

kemudian hasilnya dierosi. Ada beberapa kegunaan operasi closing yaitu :

(1) menutup atau menghilangkan lubang-lubang kecil yang ada dalam

segmen objek, (2) menggabungkan 2 segmen objek yang saling

berdekatan (menutup sela antara 2 objek yang sangat berdekatan), (3)

juga dilakukan dalam beberapa rangkaian dilasi-erosi (misalnya 3 kali

dilasi, lalu 3 kali erosi) apabila ukuran lubang atau jarak objek cukup

besar. Operasi closing juga cenderung akan memperhalus objek pada

34  

citra, namun dengan cara menyambung pecahan-pecahan (fuses narrow

breaks and thin gulf) dan menghilangkan lubang-lubang kecil pada objek.

Gambar 2.7. Proses closing

2.2.8 Model Warna

Model warna adalah sebuah model matematika abstrak yang

menjelaskan bagaimana warna dapat disajikan sebagai sebuah tupel dari

angka-angka, biasanya tiga atau empat nilai atau komponen warna.

Model warna RGB adalah sebuah model warna additif dimana

pancaran warna red (merah), green (hijau), dan blue (biru) ditambahkan

bersama dengan cara yang bervariasi untuk mereproduksi susunan warna

yang lebar. Warna aditif digunakan untuk lighting, video, dan monitor.

Monitor sebagai contoh, menciptakan warna dengan memancarkan

cahaya melalui merah, hijau dan biru fosfor. Tujuan utama dari model

warna RGB adalah untuk mempresentasikan ulang, dan menampilkan

gambar dalam sistem elektronik, misalnya dalam televisi dan komputer.

Model warna RGB juga digunakan dalam fotografi konvensional. RGB

35  

adalah sebuah ruang warna yang sifatnya bergantung kepada perangkat.

Perangkat yang berbeda akan mendeteksi atau mereproduksi nilai RGB

secara berbeda. Untuk membentuk warna dengan RGB, tiga cahaya

berwarna balok (satu merah, satu hijau, dan satu biru) harus

ditumpangkan (misalnya dengan emisi dari layar hitam, atau dengan

refleksi dari layar putih). Masing-masing dari tiga balok disebut sebagai

komponen warna, dan masing-masing dapat memiliki intensitas yang

berbeda.

Model warna CMYK adalah kependekan dari Cyan, Magenta,

Yellow (kuning) dan warna utamanya yaitu blacK (hitam) dan sering kali

dijadikan referensi sebagai suatu proses pewarnaan dengan

mempergunakan empat warna. CMYK adalah bagian dari model

pewarnaan yang sering dipergunakan dalam pencetakan berwarna.

Namun ia juga dipergunakan untuk menjelaskan proses pewarnaan itu

sendiri. Meskipun berbeda-beda dari setiap tempat pencetakan, operator

surat kabar, pabrik surat kabar dan pihak-pihak yang terkait, tinta untuk

proses ini biasanya, diatur berdasarkan urutan dari singkatan tersebut. K

dalam CMYK berarti Key, karena dalam pencetakan empat warna yaitu

Cyan, Magenta, Yellow mencetak plat yang secara hati – hati terkunci

atau sejajar dengan kunci dari kunci plat hitam. Beberapa sumber

menyatakan bahwa K berasal dari huruf terakhir black, karena huruf

pertama yaitu B sudah digunakan untuk mendefinisikan warna Blue

(biru) dalam model warna RGB. Model ini, baik sebagian ataupun

keseluruhan, biasanya ditimpakan dalam gambar dengan warna latar

36  

putih (warna ini dipilih, dikarenakan dia dapat menyerap panjang struktur

cahaya tertentu). Model seperti ini sering dikenal dengan nama

"subtractive", karena warna-warnanya mengurangi warna terang dari

warna putih. Dalam model yang lain "additive color", seperti halnya RGB

(Red-Merah, Green-Hijau, Blue-Biru), warna putih menjadi warna

tambahan dari kombinasi warna-warna utama, sedangkan warna hitam

dapat terjadi tanpa adanya suatu cahaya. Dalam model CMYK, berlaku

sebaliknya warna putih menjadi warna natural dari kertas atau warna

latar, sedangkan warna hitam adalah warna kombinasi dari warna-warna

utama. Untuk menghemat biaya untuk membeli tinta, dan untuk

menghasilkan warna hitam yang lebih gelap, dibuatlah satu warna hitam

khusus yang menggantikan warna kombinasi dari cyan, magenta dan

kuning.

2.2.9 Luminansi (Brightness)

Luminansi merupakan besaran penerangan yang terkait erat

dengan kuat penerangan-penerangan. Luminansi adalah pernyataan

kuantitatif jumlah cahaya yang dipantulkan oleh permukaan pada suatu

arah. Luminansi suatu permukaan ditentukan oleh kuat penerangan dan

kemampuan memantulkan cahaya oleh permukaan. Kemampuan

memantulkan cahaya oleh permukaan disebut factor refleksi atau

reflektasi.

Pengertian luminansi dapat dijelaskan sebagai berikut jika terdapat

monitor komputer diatas meja arus cahaya yang sampai pada monitor

37  

maupun meja adalah sama demikian pula kuat penerangannya. Namun

luminasi untuk monitor lebih besar karena faktor reflekstasi monitor lebih

besar dibanding reflekstasi meja. Cahaya ini dapat diukur dengan suatu

light meter yang ditunjukkan atau diarahkan pada permukaan. Cahaya

tersebut bergantung pada intensitas dari sumber dan refleksi dari

permukaan mata.

2.2.10 Kontras (Contrast)

Kontras (Contrast) adalah perbedaan gradasi, kecerahan, atau nada

(warna) antara bidang gelap (shadow) dengan bidang terang, atau warna

putih yang mencolok sekali pada objek.

2.3 Open CV

2.3.1 Definisi OpenCV

OpenCV (Open Computer Vision) adalah program open source

berbasiskan C++ yang saat ini banyak digunakan sebagai program

computer vision. Dengan OpenCV dapat membuat interaksi antara

manusia dan komputer, misalnya wajah dari manusia dideteksi oleh

camera/webcam, lalu diproses oleh komputer, untuk melakukan aksi

tertentu seperti mengikuti/mengenal wajah orang tersebut. Kesemuanya

itu membutuhkan openCV sebagai program utama antara webcam dan

pengolahnya yaitu komputer. Library ini terdiri dari fungsi-fungsi

computer vision dan API (Aplication Programming Interface) untuk

image processing high level maupun low level dan sebagai optimasi

38  

aplikasi realtime. OpenCV sangat disarankan untuk programmer yang

akan berkutat pada bidang computer vision, karena library ini mampu

menciptakan aplikasi yang handal, kuat dibidang digital vision, dan

mempunyai kemampuan yang mirip dengan cara pengolahan visual pada

manusia.

2.3.2 Fitur OpenCV

Berikut ini adalah fitur-fitur pada library OpenCV :

• Manipulasi data gambar (alokasi memori, melepaskan memori, kopi

gambar, setting serta konversi gambar)

• Image/Video I/O (Bisa menggunakan camera yang sudah didukung

oleh library ini)

• Manipulasi matrix dan vektor serta terdapat juga routines linear

algebra (products, solvers, eigenvalues, SVD)

• Image processing dasar (filtering, edge detection, pendeteksian tepi,

sampling dan interpolasi, konversi warna, operasi morfologi,

histograms, image pyramids)

• Analisis structural

• Kalibrasi kamera

• Pendeteksian gerak

• Pengenalan objek

• Basic GUI (Display gambar/video, mouse/keyboard kontrol,

scrollbar)

39  

• Image Labelling (line, conic, polygon, text drawing)

2.4 Metode Pendeteksian Objek

Pendeteksian adalah salah satu jenis aplikasi di dalam bidang computer

vision dan image processing. Objek yang akan dideteksi adalah area mata.

Untuk memudahkan pendeteksian terhadap area mata, maka diawali dengan

pendeteksian terhadap wajah. Hal ini dilakukan dengan mempertimbangkan

beberapa hal yaitu :

• Pendeteksian citra wajah akan lebih mudah dilakukan dari pada pendeteksian

citra mata. Hal ini didasarkan pada ukuran wajah yang lebih besar dan

karakteristik wajah yang lebih mudah dikenali.

• Citra mata pasti terletak di dalam citra wajah.

• Dengan melakukan pendeteksian terhadap citra wajah terlebih dahulu maka

akan memperkecil kemungkinan dari kesalahan pendeteksian citra mata.

Selain itu waktu pendeteksian pun menjadi lebih cepat, karena ruang

pendeteksian objek diperkecil dari seluruh area citra gambar menjadi area

citra wajah saja.

2.4.1 Metode Viola-Jones

Proses deteksi adanya citra wajah dalam sebuah gambar pada

OpenCV, menggunakan sebuah metode yang dipublikasikan oleh Paul

Viola dan Michael Jones tahun 2001. Umumnya disebut metode Viola-

40  

Jones. Pendekatan untuk mendeteksi objek dalam gambar

menggabungkan tiga konsep utama :

• Fitur segi empat sederhana yang disebut fitur haar.

• Metode machine learning AdaBoost.

• Pengklasifikasi bertingkat (Cascade classifier) untuk menghubungkan

banyak fitur secara efisien.

2.4.1.1 Cascade of Classifier

Viola Jones menggabungkan beberapa AdaBoots classifier

sebagai rangkaian filter yang cukup efisien untuk menggolongkan

daerah image. Masing-masing filter adalah satu AdaBoost

classifier terpisah yang terdiri classifier lemah atau satu filter

Haar. Threshold yang dapat diterima untuk masing-masing level

filter di set rendah. Selama proses pemfilteran, bila ada salah satu

filter gagal untuk melewatkan sebuah daerah gambar, maka

daerah itu langsung digolongkan sebagai bukan wajah. Namun

ketika filter melewatkan sebuah daerah gambar dan sampai

melewati semua proses filter yang ada dalam rangkaian filter,

maka daerah gambar tersebut digolongkan sebagai wajah. Viola

dan Jones memberi sebutan cascade. Urutan filter pada cascade

ditentukan oleh bobot yang diberikan AdaBoost. Filter dengan

bobot paling besar diletakkan pada proses pertama kali, bertujuan

untuk menghapus daerah gambar bukan wajah secepat mungkin.

41  

2.4.1.2 Haar-like Feature

Adanya fitur Haar ditentukan dengan cara mengurangi

rata-rata piksel pada daerah gelap dari rata-rata piksel pada

daerah terang. Jika nilai perbedaannya itu diatas nilai ambang

atau threshold, maka dapat dikatakan bahwa fitur tersebut ada.

Untuk menentukan ada atau tidaknya dari ratusan fitur Haar pada

sebuah gambar dan pada skala yang berbeda secara efisien, Viola

dan Jones menggunakan satu teknik yang disebut Integral Image.

Pada umumnya, pengintegrasian tersebut berarti menambahkan

unit-unit kecil secara bersamaan. Dalam hal ini unit-unit kecil

tersebut adalah nilai-nilai piksel. Nilai integral untuk masing-

masing piksel adalah jumlah dari semua piksel-piksel dari atas

sampai bawah. Dimulai dari kiri atas sampai kanan bawah,

keseluruhan gambar itu dapat dijumlahkan dengan beberapa

operasi bilangan bulat per piksel.

Gambar 2.8. Integral image

Seperti yang ditunjukkan oleh gambar 2.8(a) di atas

setelah pengintegrasian, nilai pada lokasi piksel (x,y) berisi

42  

jumlah dari semua piksel di dalam daerah segiempat dari kiri atas

sampai pada lokasi (x,y) atau daerah yang diarsir. Untuk

menentukan nilai rata-rata piksel pada area segiempat (daerah

yang diarsir) ini dapat dilakukan hanya dengan membagi nilai

pada (x,y) oleh area segiempat.

2.4.1.3 Algoritma Adaboost

Untuk memilih fitur Haar yang spesifik yang akan

digunakan dan untuk mengatur nilai ambangnya (threshold),

Viola dan Jones menggunakan sebuah metode machine learning

yang disebut Adaboost. Adaboost menggabungkan banyak

classifier lemah untuk membuat sebuah classifier kuat. Lemah

disini berarti urutan filter pada classifier hanya mendapatkan

jawaban benar lebih sedikit. AdaBoost memilih sejumlah

classifier lemah untuk disatukan dan menambahkan bobot pada

setiap classifier, sehingga akan menjadi classifier yang kuat.

2.4.2 Metode Pencarian Area Mata

Setelah berhasil mendeteksi wajah maka langkah

selanjutnya adalah mendeteksi mata. Metode yang kami gunakan

untuk pendeteksian mata adalah dengan melakukan perbandingan

dengan koordinat pusat mata dan pada posisi mata normal yang

sudah pasti, karena :

43  

Pertama, representasi ini terlihat menjadi lebih tepat dalam

hal hasil perbandingan.

Kedua, biasanya algoritma pengenalan wajah memerlukan

pusat mata untuk sample

Ketiga, pendeteksian mata lebih cepat, lebih mudah, dan

lebih tepat daripada menandai wajah dengan empat persegi

panjang

Gambar 2.9. Skema representasi wajah

Keterangan gambar

EyeLeft dan EyeRight = koordinat mutlak terdeteksi masing-masing

mata kiri dan mata kanan

IEyes = jarak antara pusat mata

ILeft HEyes, IRight HEyes = jarak antara batas atas wajah dan tengah kiri

dan kanan mata

Sizehead = ukuran dari persegi panjang yang mewakili wajah

44  

DEyes = diameter daerah mata diterima koordinat deviasi dari mata

yang benar lokasi EyeARight dan EyeALeft

CenterHead = mutlak koordinat wajah ditemukan.

2.5 Use Case Diagram

Use case diagram menggambarkan fungsionalitas yang diharapkan dari

sebuah sistem. Yang ditekankan adalah “apa” yang diperbuat sistem, dan bukan

“bagaimana”. Sebuah use case merepresentasikan sebuah interaksi antara actor

dengan sistem. Use case merupakan sebuah pekerjaan tertentu, misalnya login

ke sistem, meng-create sebuah daftar belanja, dan sebagainya. Seorang/sebuah

aktor adalah sebuah entitas manusia atau mesin yang berinteraksi dengan sistem

untuk melakukan pekerjaan-pekerjaan tertentu.

Use case diagram dapat sangat membantu bila kita sedang menyusun

requirement sebuah sistem, mengkomunikasikan rancangan dengan klien, dan

merancang test case untuk semua feature yang ada pada sistem.

Sebuah use case dapat meng-include fungsionalitas use case lain sebagai

bagian dari proses dalam dirinya. Secara umum diasumsikan bahwa use case

yang di-include akan dipanggil setiap kali use case yang meng-include

dieksekusi secara normal. Sebuah use case dapat di-include oleh lebih dari satu

use case lain, sehingga duplikasi fungsionalitas dapat dihindari dengan cara

menarik keluar fungsionalitas yang common. Sebuah use case juga dapat meng-

extend use case lain dengan behaviour-nya sendiri. Sementara hubungan

generalisasi antar use case menunjukkan bahwa use case yang satu merupakan

spesialisasi dari yang lain.

45  

Gambar 2.10. Contoh Use Case Diagram

2.6 Activity Diagram

Activity diagrams menggambarkan berbagai alir aktivitas dalam sistem

yang sedang dirancang, bagaimana masing-masing alir berawal, decision yang

mungkin terjadi, dan bagaimana mereka berakhir. Activity diagrams juga dapat

menggambarkan proses paralel yang mungkin terjadi pada beberapa eksekusi.

Activity diagrams merupakan state diagram khusus, di mana sebagian

besar state adalah action dan sebagian besar trasisi di-trigger oleh selesainya

state sebelumnya (internal processing). Oleh karena itu activity diagrams tidak

menggambarkan behaviour internal sebuah sistem (dan interaksi antar

subsistem) secara eksak, tetapi lebih menggambarkan proses-proses dan jalur-

46  

jalur aktivitas dari level atas secara umum. Sebuah aktivitas dapat direalisasikan

oleh satu use case atau lebih. Aktivitas menggambarkan proses yang berjalan,

sementara use case menggambarkan bagaimana aktor menggunakan sistem

untuk melakukan aktivitas.

Gambar 2.11. Contoh Activity Diagram