9

BAB 2

LANDASAN TEORI

2.1 Kecerdasan Buatan

2.1.1. Definisi

Istilah kecerdasan buatan berasal dari bahasa Inggris yaitu Artificial Intelligence.

Jika diartikan tiap kata, artificial artinya buatan, sedangkan intelligence adalah kata

sifat yang berarti cerdas. Jadi artificial intelligence maksudnya adalah kecerdasan yang

dibuat. Cerdas di sini maksudnya adalah kepandaian atau ketajaman dalam berpikir,

seperti halnya otak manusia dalam menyelesaikan suatu masalah.

Kecerdasan buatan didefinisikan sebagai ilmu yang mempelajari tentang

bagaimana membuat komputer untuk melakukan sesuatu yang saat ini lebih baik

dilakukan oleh manusia.

Kecerdasan ini ditunjukkan oleh suatu entitas buatan. Sistem seperti ini

umumnya dianggap sebagai komputer. Kecerdasan diciptakan dan dimasukkan kedalam

suatu mesin (komputer) agar dapat melakukan pekerjaan seperti yang dapat dilakukan

manusia. Kecerdasan buatan ini bukan hanya ingin mengerti apa itu sistem kecerdasan,

tapi juga mengkonstruksinya.

Menyatakan komputer itu cerdas tentu tergantung sudut pandang dari orang

yang memanfaatkan komputer tersebut. Karena itulah sangat sulit untuk mendefinisikan

dengan pasti apa yang dimaksud dengan kecerdasan buatan itu. Menurut John

10

McCarthy, 1965, kecerdasan buatan adalah untuk mengetahui dan memodelkan proses-

proses berpikir manusia dan mendesain mesin agar dapat menirukan perilaku manusia.

Menurut Russell dan Norvig (2003, p5) definisi tentang kecerdasan buatan

dikembangkan berdasarkan empat kelompok kategori, yaitu :

• Sistem yang berpikir selayaknya manusia berpikir (thinking humanly).

• Sistem yang bertindak selayaknya manusia bertindak (acting humanly).

• Sistem yang berpikir secara rasional (thinking rationally).

• Sistem yang bertindak secara rasional (acting rationally).

Gambar 2.1 Proses sistem kecerdasan buatan

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 karena perjalanan waktu dan

11

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

Kecerdasan buatan merupakan inovasi baru dibidang ilmu pengetahuan. Mulai

ada sejak muncul komputer modern, yakni pada 1940 dan 1950. Dalam literatur, orang

pertama yang dianggap sebagai pionir dalam mengembangkan mesin cerdas

(intelligence machine) adalah Alan Turing, seorang matematikawan asal Inggris yang

memulai karir saintifiknya di awal tahun 1930-an. Di tahun 1937 ia menulis paper

tentang konsep mesin universal (universal machine). Kemudian, selama perang dunia

12

ke-2 ia dikenal sebagai pemain kunci dalam penciptaan Enigma, sebuah mesin encoding

milik militer Jerman. Ia dikenal juga sebagai pencipta pertama program komputer untuk

bermain catur, yang kemudian program ini dikembangkan dan dimainkan di komputer

milik Manchester University. Karya-karyanya ini, yang kemudian dikenal sebagai

Turing Machine, dewasa ini masih dapat ditemukan aplikasi-aplikasinya.

Beliau melakukan percobaan Turing (Turing Test) yaitu sebuah komputer

melalui terminalnya ditempatkan pada jarak jauh. Di ujung yang satu ada terminal

dengan software AI dan diujung lain ada sebuah terminal dengan seorang operator.

Operator itu tidak mengetahui kalau di ujung terminal lain dipasang software AI.

Mereka berkomunikasi dimana terminal di ujung memberikan respon terhadap

serangkaian pertanyaan yang diajukan oleh operator. Dan sang operator itu mengira

bahwa ia sedang berkomunikasi dengan operator lainnya yang berada pada terminal

lain. 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.

Beberapa tulisannya yang berkaitan dengan prediksi perkembangan komputer di

masa datang akhirnya juga ada yang terbukti. Misalnya tentang ramalannya bahwa di

tahun 2000-an komputer akan mampu melakukan percakapan dengan manusia. Meski

tidak ditemukan dalam paper-papernya tentang istilah resmi artificial intelligence,

namun para peneliti dibidang ini sepakat untuk menobatkan Turing sebagai orang

pertama yang mengembangkan kecerdasan buatan.

Secara ilmu pengetahuan, istilah kecerdasan buatan pertama kali diperkenalkan

oleh Warren McCulloch, seorang filsuf dan ahli perobatan dari Columbia University,

13

dan Walter Pitts, seorang matematikawan muda pada tahun 1943, (Negnevitsky, 2004).

Mereka mengajukan suatu teori tentang jaringan saraf tiruan (artificial neural network),

bahwa setiap neuron dapat dipostulasikan dalam dua keadaan biner, yaitu ON dan OFF.

Mereka mencoba menstimulasi model neuron ini secara teori dan eksperimen di

laboratorium. Dari percobaan, telah didemonstrasikan bahwa model jaringan saraf yang

mereka ajukan mempunyai kemiripan dengan mesin Turing, dan setiap fungsi

perhitungan dapat diselesaikan melalui jaringan neuron yang mereka modelkan.

Pentingnya kecerdasan buatan menjadi nyata bagi negara-negara yang berperan

sejak tahun 1970. Para pemimpin negara yang mengakui potensialnya kecerdasan

buatan mengharap mendapat persetujuan jangka panjang untuk sumber-sumber yang

memerlukan dana intensif. Awalnya, kecerdasan buatan hanya ada di universitas-

universitas dan laboratorium penelitian, dan hanya sedikit produk yang dihasilkan dan

dikembangkan. Menjelang akhir 1970-an dan 1980-an, mulai dikembangkan secara

penuh dan hasilnya berangsur-angsur dipublikasikan di khalayak umum.

2.1.4 Tujuan Kecerdasan Buatan

Adapun tujuan kecerdasan buatan adalah sebagai berikut:

• Untuk mengembangkan metode dan sistem dalam menyelesaikan masalah

yang biasa diselesaikan melalui aktifivitas intelektual manusia, misalnya

pengolahan citra, perencanaan, peramalan dan lain-lain, meningkatkan kinerja

sistem informasi yang berbasis komputer.

• Untuk meningkatkan pengertian atau pemahaman kita pada bagaimana otak

manusia bekerja.

14

Menurut Sri Kusumadewi, tujuan kecerdasan buatan dapat dilihat dari berbagai

sudut pandang, antara lain:

• Sudut pandang kecerdasan.

Kecerdasan buatan akan membuat mesin menjadi cerdas yaitu mampu

melakukan perbuatan seperti yang dilakukan oleh manusia.

• Sudut pandang penelitian

Kecerdasan buatan merupakan studi yang menitik beratkan pada pertanyaan

bagaimana membuat komputer dapat melakukan sesuatu sebaik yang

dikerjakan oleh manusia. Tidak menutup kemungkinan hasil pekerjaan

tersebut lebih baik dari pada yang dikerjakan oleh manusia seperti dalam hal

kepresisian, ketepatan waktu.

• Sudut pandang bisnis.

Sekumpulan peralatan yang sangat powerfull dan metodologis untuk

menyelesaikan masalah-masalah bisnis.

• Sudut pandang pemrograman.

Studi tentang pemrograman simbolik, penyelesaian masalah (problem

solving), dan pelacakan (searching).

2.1.5 Kecerdasan Buatan dan Kecerdasan Alami

Sepintas kita sudah mengetahui bahwa kecedasan buatan adalah diterapkan

untuk komputer, sedangkan intelegensia alami merupakan kecerdasan yang dimiliki

oleh manusia. Beberapa kekurangan dan kelebihan yang dimiliki oleh kecerdasan

buatan dan kecerdasan alami adalah sebagai berikut:

15

Kecerdasan Alami :

1. Kreatif : Kemampuan untuk menambah ataupun memenuhi pengetahuan itu

sangat melekat pada jiwa manusia, sehingga setiap waktu pengetahuan manusia

terus bertambah dan berubah. Pada kecerdasan buatan untuk menambah

pengetahuan harus dilakukan melalui sistem yang dibangun.

2. Menggunakan Pengalaman : Dengan kecerdasan alami memungkinkan orang

untuk menggunakan pengalamannya secara langsung. Sedangkan pada

kecerdasan buatan harus bekerja dengan input-input simbolik.

3. Digunakan Luas : Pemikiran manusia dapat digunakan secara luas, sedangkan

komputer sangat terbatas. Artinya kemahiran komputer dalam menyelesaikan

satu permasalahan tidak bisa digunakan untuk menyelesaikan permasalahan lain

yang berbeda.

Kecerdasan buatan :

1. Permanen : Kecerdasan alami akan cepat mengalami perubahan. Hal ini

dimungkinkan karena sifat manusia yang pelupa. Sebaliknya komputer tidak

akan pernah lupa selama hardware dan software nya tidak rusak.

2. Duplikasi : Kecerdasan buatan lebih mudah diduplikasi atau digandakan dan

disebarkan. Mentransfer pengetahuan manusia dari satu orang ke orang lain

membutuhkan waktu yang sangat lama dan sulit dilakukan. Diberikan pelajaran

yang sama dalam waktu cukup lama dan sering saja belum bisa mentransfer

ilmu pengetahuan dan keahlian dari sang pakar seratus persen. Namun

16

sebaliknya jika pengetahuan tersebut sudah berada dalam komputer, maka dalam

waktu singkat pengetahuan dapat ditransfer ke komputer lain seratus persen.

3. Murah : Komputer yang sudah dilengkapi dengan kecerdasan dapat bekerja 24

jam tanpa menuntut upah sepeserpun. Komputer bisa memberikan layanan

dengan sangat konsisten tanpa mengenal lelah. Kalau Anda pergi ke mall, sering

kali ditawari untuk melakukan medical diagnostic test seperti melihat kadar gula

dalam darah, melihat kandungan kolesterol, mengetahui fungsi ginjal,

mengetahui fungsi paru-paru, dll. Anda hanya dikenakan biaya sekitar Rp

50.000,- sudah dapat melakukan cek up. Berapakah yang harus anda bayar jika

anda lakukan dengan mendatangi dokter ahli untuk masing-masing jenis

penyakit tersebut.

4. Konsisten : Kecerdasan buatan akan selalu konsisten dengan aturan-aturan yang

sudah ditetapkan dalam program. Hal ini sangat mungkin karena kecerdasan

buatan sebagai bagian dari teknologi komputer. 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

5. Di Dokumentasi : Keputusan yang dibuat oleh komputer dapat

didokumentasikan dengan mudah, melalui pelacakan setiap aktivitas dari sistem

tersebut.

6. Lebih Cepat : Kecerdasan buatan dapat mengerjakan pekerjaan lebih cepat

dibanding dengan kecedasan alami. Sehingga dengan komputer yang

17

mengerjakan pekerjaan, maka pelaporan dapat dilakukan tepat waktu dan

bahkan lebih cepat dari waktu yang sudah ditetapkan.

7. Lebih Baik : 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.

2.1.6 Aplikasi Kecerdasan Buatan

Kecerdasan buatan dibagi atas beberapa sub disiplin ilmu yang

mengkonsentrasikan pada bagian-bagian aplikasi yang berbeda, antara lain: (

a. Sistem Pakar (Expert System)

Ada beberapa definisi tentang sistem pakar, antara lain:

• Menurut Durkin : Sistem pakar adalah suatu program komputer yang

dirancang untuk memodelkan kemampuan penyelesaian masalah yang

dilakukan oleh seorang pakar.

• Menurut Ignizio: Sistem pakar adalah suatu model dan prosedur yang

berkaitan, 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.

18

• 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.

Secara garis besar, banyak manfaat yang dapat diambil dengan adanya sistem

pakar, antara lain:

• Dapat menyediakan kepakaran setiap waktu dan diberbagai lokasi.

• Secara otomatis mengerjakan tugas-tugas rutin yang membutuhkan

seorang pakar.

• Seorang Pakar akan pensiun atau pergi.

• Seorang Pakar adalah mahal.

• Kepakaran dibutuhkan juga pada lingkungan yang tidak bersahabat

(hostile environtment).

Disamping memiliki beberapa keuntungan, sistem pakar juga memiliki beberapa

kelemahan, antara lain:

19

• Biaya yang diperlukan untuk membuat dan memeliharanya sangat mahal.

• Sulit dikembangkan. Hal ini tentu saja erat kaitannya dengan ketersediaan

pakar di bidangnya.

• Sistem pakar tidak 100% bernilai benar.

b. Logika Samar (Fuzzy Logic)

Logika samar dikatakan sebagai logika baru yang lama, sebab ilmu tentang

logika samar modern dan metodis baru ditemukan beberapa tahun yang lalu, padahal

sebenarnya konsep tentang logika samar itu sendiri sudah ada pada diri kita sejak lama.

Logika samar adalah suatu cara yang tepat untuk memetakan suatu ruang input

ke dalam suatu ruang output. Ada beberapa alasan mengapa orang menggunakan logika

samar, antara lain:

• Konsep logika samar mudah dimengerti. Konsep matematis yang mendasari

penalaran samar sangat sederhana dan mudah dimengerti.

• Logika samar sangat fleksibel.

• Logika samar memiliki toleransi terhadap data-data yang tidak tepat.

• Logika samar mampu memodelkan fungsi-fungsi nonlinear yang sangat

kompleks.

• Logika samar dapat membangun dan mengaplikasikan pengalaman-

pengalaman para pakar secara langsung tanpa harus melalui proses

pelatihan.

20

• Logika samar dapat bekerjasama dengan teknik-teknik kendali secara

konvensional.

• Logika samar didasarkan pada bahasa alami.

•

c. Jaringan Saraf Tiruan

Ada beberapa definisi jaringan saraf tiruan, antara lain:

• Menurut Arief Hermawan: Jaringan saraf tiruan adalah sistem komputasi di

mana arsitekutr dan operasi diilhami dari pengetahuan tentang sel saraf

biologis di dalam otak, yang merupakan salah satu representasi buatan dari

otak manusia yang selalu mencoba menstimulasi proses pembelajaran pada

otak manusia tersebut.

• Menurut Sri Kusumadewi: jaringan saraf tiruan adalah merupakan salah satu

representasi buatan dari otak manusia yang selalu mencoba untuk

menstimulasikan proses pembelajaran pada otak manusia tersebut.

Yang diadopsi jaringan saraf tiruan dari proses kerja otak manusia adalah :

1. Jumlah processing element (neuro) yang sangat besar.

2. Neuron-neuron bekerja secara paralel.

3. Ada toleransi kesalahan (fault tolerance). Jika ada sebagian dari neuron

terjadi malfunction dalam batas tertentu maka sistem secara keseluruhan

tetap berjalan.

21

d. Algoritma Genetika (Genetic Algorithm)

Dasar-dasar algoritma genetika digali oleh John Holland pada pertengahan tahun

70-an. Algoritma genetika adalah metode komputasi yang meniru proses evolusi dan

seleksi alam. Metode ini sering dimanfaatkan untuk mencari nilai optimal suatu fungsi

atau permasalahan.

Beberapa keunggulan yang dimiliki GA adalah sebagai berikut (Hagiwara,

2003):

• GA memiliki kemampuan untuk mencari nilai optimal secara paralel,

melalui proses kerjasama antara berbagai unit yang disebut kromosom

individu.

• GA tidak memerlukan perhitungan matematika yang rumit seperti

differensial yang diperlukan oleh algoritma optimisasi yang lain.

Namun demikian GA memiliki juga kelemahan dan keterbatasan, antara lain:

• Tidak memiliki rumusan yang pasti bagaimana mentransfer parameter

permasalahan ke dalam kode genetic. Dengan kata lain, hal ini memerlukan

pengalaman dan wawasan dari desainer.

• Banyak parameter yang perlu diset secara baik agar proses evolusi dalam

GA berjalan sesuai dengan yang diharapkan.

• Penentuan rumus menghitung fitness merupakan hal yang sangat penting

dan mempengaruhi proses evolusi pada GA. Sayangnya tidak ada prosedur

yang baku bagaimana menentukan rumus tersebut. Dalam hal ini

pengalaman dari desainer memegang peranan penting.

22

Terlepas dari kendala yang ada, GA merupakan alternative solusi yang dikenal

cukup handal dalam berbagai masalah optimisasi.

e. Visi Komputer (Computer Vision)

Komputer dapat melakukan interpretasi terhadap gambar atau pola yang tampak.

2.2 Visi Komputer (Computer Vision)

Visi komputer merupakan ilmu pengetahuan yang mempelajari bagaimana

komputer dapat mengenali objek yang diamati atau diobservasi (transparansi Computer

Vision, Binus Univesity, 2002). Visi komputer oleh beberapa ahli didefinisikan sebagai

berikut:

• Menurut Adrian Low (1991), visi komputer berhubungan dengan perolehan

gambar, pemrosesan, klasifikasi, pengenalan, dan menjadi penggabungan,

pengurutan pembuatan keputusan menuju pengenalan.

• Menurut Michael G. Fairhurst (1995), visi komputer 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), visi komputer adalah suatu bidang

yang bertujuan untuk membuat suatu keputusan yang berguna mengenai

objek fisik nyata dan keadaan berdasarkan atas sebuah citra. Visi komputer

23

merupakan kombinasi antara pengolahan citra dan pengenalan pola. Hasil

keluaran dari proses visi komputer adalah pengertian tentang citra.

 

Gambar 2.2 Skema hubungan visi komputer dengan bidang lain.

2.2.1 Citra Digital

Ada beberapa definisi citra digital, yaitu :

• Suatu representasi, kemiripan, atau imitasi dari suatu objek atau benda

(menurut kamus webster).

• Gambar dua dimensi yang dihasilkan dari gambar analog dua dimensi yang

kontinu menjadi gambar diskrit melalui proses sampling. Gambar analog

adalah representasi visual dari suatu objek menggunakan kamera analog yang

secara matematika dapat direpsresntasikan sebagai rentang nilai yang

24

menujukan letak (posisi) dan intensitas. Gambar analog dibagi menjadi N

baris dan M kolom sehingga menjadi gambar diskrit. Persilangan antara baris

dan kolom tertentu disebut dengan piksel. Sampling pada penjelasan di atas

adalah proses untuk menentukan warna pada piksel tertentu pada citra dari

sebuah gambar yang kontinu. Pada proses sampling biasanya dicari warna

rata-rata dari gambar analog yang kemudian dibulatkan. Proses sampling

sering juga disebut proses digitisasi.

• Representasi dari suatu objek nyata baik dalam bentuk 2 dimensi maupun 3

dimensi menjadi bentuk gambar digital yang dikenali oleh komputer (Anvil

K. Jain, 1989, p2).

• Fungsi intensitas warna dua dimensi f(x,y) dimana x dan y mewakili

koordinat lokasi suatu titik dan nilai dari fungsi yang merupakan tingkat

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

J.schalkoff, 1989, p9). Hal ini diilustrasikan pada gambar 2.3.

Gambar 2.3. Citra Digital

25

2.2.2 Pengolahan Citra

Pengolahan citra merupakan bidang studi yang mempelajari proses pengolahan

gambar dimana baik masukan maupun keluarannya berbentuk berkas citra digital

(Aniati Murni Arymurty, 1992). Juga dijelaskan bahwa pengolahan citra merupakan

pengolahan dan analisis citra yang banyak melibatkan persepsi visual.

Seperti yang dikemukakan oleh Chen (2003), bahwa 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.

2.2.3 Pengenalan Pola

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 (Computer Vision, Michael G.

farnhurst, 1988, p5).

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 (arymurty, 1992,p 168).

26

2.2.4 Pengekstrasian Fitur (Feature extraction)

Pada pengolahan citra serta pengenalan pola, terkadang terdapat data input yang

berukuran besar akan tetapi informasi yang dibutuhkan dari data input tersebut tidaklah

banyak. Dengan data input yang berukuran besar ini akan menimbulkan sejumlah

kendala seperti memperlambat proses kinerja ataupun membuat data input menjadi

tidak dapat diproses oleh algortima tertentu. Untuk mengatasi hal ini maka dilakukan

pengekstrasian fitur pada data input tersebut. Dengan pilihan pengekstrasian fitur yang

tepat maka akan dihasilkan sebuah set data yang berisi informasi yang relevan dari data

input.

Pengekstrasian 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 mentah dari gambar menjadi sebuah vektor ciri. Penggunaanya

akan mengurangi data yang terulang dalam seubah pola gambar (Saphiro dan Stockman,

2001,p 94). 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.

konversi ini dilakukan dengan melakukan penjumlahan nilai bobot dari warna merah,

biru dan hijau dari citra berwarna. Rumus yang digunakan adalah:

27

Rumus 2.1

Y=0.114B+0.587G+0.299R.

2.2.6 Equalisasi Histogram

Equalisasi histogram bertujuan untuk meningkatan detail dan kontras pada citra,

terutama ketika data pada gambar dipresentasikan dengan nilai kontras yang sangat

dekat. Melalui penyesuaian, intensitas warna pada citra dapat didistribusikan secara

lebih baik pada histrogram. Equalisasi ini membuat area dengan nilai kontras yang kecil

mendapatkan nilai kontras yang tinggi tanpa mempengaruhi kontras secara keseluruhan.

Hal ini dilakukan dengan melakukan penyebaran secara efektif dari nilai intensitas yang

paling banyak.

Gambar 2.4 Template Gambar Grayscale dengan ukuran 8x8

28

Tabel 2.1 Jumlah intensitas warna

Nila Jumlah Nilai Jumlah Nilai Jumlah Nilai Jumlah Nilai Jumlah

52 1 64 2 72 1 85 2 113 1

55 3 65 3 73 2 87 1 122 1

58 2 66 2 75 1 88 1 126 1

59 3 67 1 76 1 90 1 144 1

60 1 68 5 77 1 94 1 154 1

61 4 69 3 78 1 104 2

62 1 70 4 79 2 106 1

63 2 71 2 83 1 109 1

Catatan : Nilai yang memiliki jumlah 0 tidak dimasukkan kedalam table.

Tabel 2.2 CDF (Fungsi Distribusi Kumulatif)

Nilai CDF Nilai CDF Nilai CDF Nilai CDF Nilai CDF

52 1 64 19 72 40 85 51 113 60

55 4 65 22 73 42 87 52 122 61

58 6 66 24 75 43 88 53 126 62

59 9 67 25 76 44 90 54 144 63

60 10 68 30 77 45 94 55 154 64

61 14 69 33 78 46 104 57

62 15 70 37 79 48 106 58

63 17 71 39 83 49 109 59

Catatan : Nilai CDF diperoleh dengan menjumlahkan jumlah nilai intensitas

Rumus 2.2

29

v = nilai

cdfmin = nilai CDF minimum

M = Panjang Matrix

N = Lebar Matrix

L = Tingkat Grey Level (256)

2.2.7 Dilasi dan Erosi

Dilasi dan erosi adalah bentuk konvolusi dari sebuah area citra dengan suatu

kernel. Proses dilasi mengakibatkan suatu area yang mempunyai brightness tinggi

dalam sebuah citra untuk membesar. Sedangkan erosi mengakibatkan suatu area

menjadi lebih sempit dalam sebuah citra.

Proses operasi dilasi yang diikuti oleh erosi disebut closing. Sedangkan proses

operasi erosi yang diikuti oleh dilasi sisebut opening.

Gambar 2.5 Citra Biner

30

Gambar 2.6 Proses Dilasi

Gambar 2.7 Proses Erosi

31

Proses Opening merupakan pengabungan operasi erosi dan operasi dilasi,

dimana pertama kali akan dilakukan proses erosi pada gambar dan gambar dari hasil

erosi akan dilanjutkan dengan proses dilasi. Hasil dari proses dilasi inilah yang disebut

sebagai hasil dari proses opening. (lihata gambar 2.8 dan 2.9)

Gambar 2.8 Proses opening-erosi

Gambar 2.9 Proses opening-dilasi

32

Proses closing merupakan pengabungan operasi erosi dan operasi dilasi, dimana

pertama kali akan dilakukan proses dilasi pada gambar dan gambar dari hasil dilasi akan

dilanjutkan dengan proses erosi. Hasil dari proses erosi inilah yang disebut sebagai hasil

dari proses closing. (lihata gambar 2.10 dan 2.11)

Gambar 2.10 Proses closing-dilasi

Gambar 2.11 Proses closing-erosi

33

2.2.8 Model Warna

Model warna adalah sebuah model abstrak matematika yang mendeskripsikan

bagaimana sebuah warna direpresentasikan sebagai tupel dari angka, umumnya

direpresentasikan dalam 3 atau 4 nilai komponen warnna. Contoh dari color model ini

adalah RGB dan CMYK.

Model warna RGB (Red Green Blue) adalah sebuah model warna aditif yang

mana cahaya berwarna merah , hijau dan biru dipadukan dalam bermacam-macam cara

untuk mereproduksi nilai-nilai warna. Tujuan dari model warna RGB ini adalah untuk

sensing (Pengindraan), Representasi dan menampilkan gambar di sistem elektronik

seperti cahaya. Model ini bersifat aditif karena melibatkan cahaya yang dipancarkan

secara langsung dari sebuah sumber.

Model warna CMYK (Cyan Yellow Magenta Black) adalah sebuah model warna

subtraktif yang digunakan untuk pencetakan warna. Model warna ini bekerja melalui

masking sebagian atau seluruh warna tertentu dalam sebuah latar belakang yang putih.

Model ini bersifat subtraktif karena memanfaatkan campuran dari cat,celupan,tinta dan

pewarna alami untuk menghasilkan nilai-nilai wawrna. Setiap warna yang muncul

disebabkan Penyerapan campuran dari beberapa panjang gelombang cahaya dan

merefleksikan panjang gelombang lainnya.

Dalam pencetakan warna, Cyan adalah komplemen dari merah, yang menandakan cyan

bekerja sebagai filter yang menyerap merah. Jumlah cyan yang digunakan dalam kertas

akan menentukan seberapa besar warna merah ditampilan. Magenta adalah komponen

dari warna hijau dan kuning adalah komplemen dari biru. CMYK umumnya digunakan

dalam percetakan.

34

2.2.9 Brightness (Luminansi)

Brightness adalah sebuah dari atribut dalam persepsi visual mengenai sebuah

sumber/objek yang men-radiasikan atau merefleksikan cahaya.Dalam hal ini brightness

menjelaskan mengenai jumlah cahaya yang menembus atau dipancarkan dari sebuah

area.

Dalam model warna RGB, brightness dapat dianggap sebagai rata-rata

aritmatika dari nilai warna merah,hijau dan biru.

3

2.2.10 Kontras (Contrast)

Kontras adalah perbedaan dalam propertivisual yang membuat sebuah gambar

dapat dipisahkan dari objek lain dan latar belakang. Dalam persepsi visual dunia nyata,

kontras ditentukan oleh perbedaan warna dan brightness dari sebuah objek dan objek

lain yang berada dalam pandangan.

2.3 Open CV

2.3.1 Definisi OpenCV

OpenCV adalah singkatan dari Open Computer Vision, yaitu pustaka

opensource yang dikhususkan untuk melakukan image prosessing. Tujuaannya adalah

agar komputer mempunyai kemampuan yang mirip dengan cara pengolahan visual pada

manusia. Library ini dibuat untuk bahasa C/C++ sebagai optimasi realtime aplikasi,

mempunyai API (Aplication Programming Interface) untuk tingkat tinggi maupun

35

tingkat rendah, terdapat fungsi-fungsi yang siap pakai untuk loading, saving, akuisisi

gambar atau video.

Gambar 2.12 Perkembangan OpenCV

2.3.2 Fitur OpenCV

Pustaka OpenCV ini mempunyai fitur sebagai berikut :

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

setting serta konversi gambar).

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

pustaka ini).

• Manipulasi matriks dan vektor serta terdapat juga routines linear algebra

(products, solvers, eigenvalues, SVD).

• Image processing dasar (filtering, edge detection, sampling dan interpolasi,

konversi warna, operasi morfologi, histograms, image pyramids).

• Analisis struktural

• Kalibrasi kamera

36

• Pendeteksian gerak

• Pengenalan objek

• Basic GUI (Display gambar/video, mouse/keyboard optic, scrollbar).

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

Gambar 2.13 Struktur dasar OpenCV

2.4 Mata

Mata adalah organ penglihatan yang mendeteksi cahaya. Fungsi mata yang

paling sederhana adalah mengetahui apakah lingkungan sekitarnya adalah terang atau

gelap. Mata yang lebih kompleks dipergunakan untuk memberikan pengertian visual.

Bagian-bagian pada organ mata bekerjasama mengantarkan cahaya dari

sumbernya menuju ke otak untuk dapat dicerna oleh sistem saraf manusia. Bagian-

bagian tersebut adalah:

37

• Kornea

Merupakan bagian terluar dari bola mata yang menerima cahaya dari sumber

cahaya.

• Pupil dan Iris

Dari kornea, cahaya akan diteruskan ke pupil. Pupil menentukan kuantitas

cahaya yang masuk ke bagian mata yang lebih dalam. Pupil mata akan

melebar jika kondisi ruangan yang gelap, dan akan menyempit jika kondisi

ruangan terang. Lebar pupil dipengaruhi oleh iris di sekelilingnya.Iris

berfungsi sebagai diafragma. Iris inilah terlihat sebagai bagian yang berwarna

pada mata.

• Lensa mata

Lensa mata menerima cahaya dari pupil dan meneruskannya pada retina.

Fungsi lensa mata adalah mengatur optik cahaya, sehingga cahaya jatuh tepat

pada bintik kuning retina. Untuk melihat objek yang jauh (cahaya optik dari

jauh), lensa mata akan menipis. Sedangkan untuk melihat objek yang dekat

(cahaya optik dari dekat), lensa mata akan menebal.

• Retina

Retina adalah bagian mata yang paling peka terhadap cahaya, khususnya

bagian retina yang disebut bintik kuning. Setelah retina, cahaya diteruskan ke

saraf optik.

• Saraf optik

Saraf yang memasuki sel tali dan kerucut dalam retina, untuk menuju ke otak.

38

Gambar 2.14 Skema Mata

2.5 Metode Pendeteksian Objek

Langkah awal yang perlu dilakukan dalam perancangan piranti penunjuk

berbasis gerakan mata adalah mendeteksi objek. 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

39

pendeteksian objek diperkecil dari seluruh area citra gambar menjadi area

citra wajah saja.

Terdapat banyak metode yang dapat digunakan untuk melakukan pendeteksian.

Setiap metode memiliki kelebihan dan kelemahan tersendiri. Untuk pendeteksian objek

pada citra yang bersifat asimetris (jumlah persebaran antara objek yang dicari dan

bukan objek tidak seimbang), metode viola-jones merupakan sebuah metode yang

sesuai. Metode viola-jones ini cukup efektif untuk diterapkan pada pendeteksian wajah.

Setelah wajah terdeteksi maka akan dilanjutkan dengan pendeteksian area mata,

pendeteksian ini dilakukan dengan menentukan letak area mata pada wajah

menggunakan perbandingan yang telah ditentukan.

2.5.1 Metode Viola-Jones

Metode ini dikembangkan oleh Paul Viola dan Micheal Jones pada tahun 2001.

Metode ini menggunakan 3 hal utama dalam melakukan pendeteksian objek, yaitu:

• Cascasde classifier

• Haar –like features

• Algoritma Ada Boost

2.5.1.1 Cascade of Classifier

Cascade of classifier adalah suatu metode klasifikasi yang menggunakan

beberapa tingkatan dalam melakukan penyeleksian (klasifikasi). Ditiap tingkatan

dilakukan proses peyeleksian menggunakan algoritma Adaboost yang telah di training

40

dengan menggunakan haar-like feature. Penyeleksian bertujuan untuk memisahkan

antara sub window yang mengandung positif objek (gambar yang terdeteksi memiliki

objek yang diinginkan) dengan negatif objek (gambar yang tidak terdeteksi memiliki

objek yang diinginkan). Hasil dari penyeleksian ini (positif objek) akan dijadikan

sebagai input dalam melakukan penyeleksian di tingkatan berikutnya.

Pada tingkatan awal digunakan algoritma sederhana yang memiliki kompleksitas

rendah dalam mengeliminasi negatif objek dari sub-window. Jumlah negatif objek yang

tereliminasi pada tingkatan awal cukup banyak, hal ini dikarenakan persebaran objek

pada citra yang asimetris (Finding Faces in Images, Robin Hewitt, part 2). Hasil

pengeliminasian pada tingkatan awal akan menjadi input untuk proses pengelminasian

pada tingkatan selanjutnya sehingga pada tingkatan selanjutnya jumlah sub-window

yang diseleksi menjadi lebih sedikit. Pada tingkatan selanjutnya dilakukan penyeleksian

dengan algoritma yang lebih komplek, untuk mendeteksi sub window dengan kriteria

yang lebih spesifik. Hal ini dilakukan agar proses pengklasifikasian dapat dilakukan

dengan lebih cepat dan efisien.

Contoh : Pendeteksian objek berbentuk lingkaran pada gambar dengan latar

belakang hitam. Casacade of classifier akan menggunakan tingkatan pengklasifikasian

sebagai berikut :

• Di tingkatan awal akan disisihkan sub window yang hanya mengandung latar

belakang.

• Di tingkatan kedua dilakukan pendeteksian sub window dari hasil tingkatan

awal dengan criteria yang lebih spesifik misalnya berbentuk menyerupai

lingkaran.

41

• Di tingkatan selanjutnya dilakukan pendeteksian dengan kriteria objek mana

yang tepat berbentuk lingkaran (membedakan objek lingkaran dan elips).

2.5.1.2 Haar-like Feature

Fitur yang digunakan pada metode viola-jones adalah fitur haar-like. Fitur Haar-

like merupakan sebuah persegi panjang dua dimensi yang terdiri dari bagian gelap dan

bagian terang.

Gambar 2.15 Fitur Haar-like

Untuk menghitung nilai dari fitur haar-like dapat dilakukan dengan dua cara

yaitu :

• Dengan mencari selisih nilai

Proses perhitungan ini dilakukan dengan mengurangi nilai rata-rata piksel

gelap dengan nilai rata-rata piksel terang. Jika nilai yang dihasilkan di atas

nilai threshold, maka sub window yang dideteksi dengan fitur tersebut

42

dianggap sebagai positif objek Penentuan nilai threshold dilakukan saat

training menggunakan algoritma adaboost.

Rumus 2.3:

• Dengan menggunakan integral image

Secara umum, integrating berarti menggabungkan unit-unit kecil

menjadi satu. Dalam hal ini unit-unit kecil adalah nilai piksel. Nilai integral

untuk setiap piksel adalah jumlah dari semua piksel diatas dan di kiri piksel

tersebut. Mulai dari kiri atas dan bergerak ke kanan bawah, seluruh citra

dapat digabungkan dengan operasi nilai yang lebih sedikit tiap pikselnya.

Gambar 2.16 Integral Image

43

DCABADCBAAPPPPDCBAPCAPBAPAP

=−−−−++++=−−++++=+=+==

3241

4321 ,,,

Rumus 2.4:

Gambar 2.17 Perhitungan integral image

Rumus 2.5:

2.5.1.3 Algoritma Adaboost

Algoritma adaboost adalah algoritma yang berusaha membangun strong

classifier dengan mengkombinasikan sejumlah simple atau weak classifer secara linier.

Algoritma adaboost ini menggunakan prinsip dari pohon keputusan (decision trees),

pohon keputusan yang digunakan bisa berupa satu tingkatan cabang (decision stump)

atau beberapa tingkatan cabang (dapat mencapai tiga tingkatan).

Rumus 2.7:

∑≤≤

=yyxx

yxiyxP','

)','(),(

44

-> weak atau basic classifiers

-> tingkat pembelajaran (learnig rate)

H(x) -> dilambangkan dengan F(x) strong atau final classifier

Kelebihan dari algoritma Adaboost :

• Adaboost mampu mengurangi nilai bias maupun perbedaan pada weak

classifier.

• Adaboost memiliki kemampuan generalisasi yang baik.

• Output Adaboost mengkonversi ke logaritma dengan rasio terdekat.

• Adaboost dapat dilihat sebagai pemilih fitur dengan strategi berprinsip

(minimalisasi dari batas atas error).

• Adaboost dekat dengan pembuatan keputusan linier.

Algoritma: Algoritma Adaboost (Freund and Schapire)

Input : Sebuah algoritma pembelajaran yang lemah (WeakLearn), sebuah integer

t yang menspesifikasi banyaknya iterasi, dan data training sebanyak N

{(x1,y1),...,(xN,yN)}.

Output : strong classifier F.

Inisialisasi vektor weight = , untuk i = 1,…, N.

for t 1, 2, . . . , t do

• pt wt / ∑

• Panggil WeakLearn, masukkan distribusi pada pt; akan didapat sebuah

pembelajaran “weak” baru ht: X ±1.

45

• Hitung kesalahan weight dari ht:

• ∑ | |

• log

• exp | | , 1,2, … ,

Output : strong classifier

1, 0

1,

2.5.2 Metode Pencarian Area Mata

Setelah berhasil mendeteksi wajah, maka maka dilanjutkan dengan pendeteksian

area mata. Pendeteksian dilakukan dengan melakukan perbandingan, metode ini

didasarkan pada posisi mata normal yang sudah pasti yaitu berada di antara posisi

tengah dan batas atas bagian wajah yang terdeteksi.

46

Gambar 2.18 Pencarian Area Mata

Keterangan Gambar

X1,y1 = Sumbu X dan Y Pojok Kiri Wajah

X2,y2 = Sumbu X dan Y Pojok kiri mata 1 (mata kanan)

X3,y3 = Sumbu X dan Y pojok kiri mata 2 (mata kiri)

X4,y4 = Sumbu X dan Y koordinat pusat mata 1 (mata kanan)

X5,y5 = Sumbu X dan Y koordinat pusat mata 2 (mata kiri)

t = Tinggi wajah

l = lebar wajah

Nilai x1,y1,x2,y2,l dan t didapatkan dari fungsi metode Haar face Viola Jones.

Dalam metode ini daerah wajah yang ditangkap dibagi menjadi 4 kuadran, area mata

akan berada di kuadran 1 dan kuadran 2. Kuadran 1 dan 2 masing-masing akan dibagi

47

menjadi bagian secara horizontal dengan luas yang merata. Maka mata akan berada

pada bagian ke 3 dan ke 4 dari atas. Batas pojok kiri atas bagian ke 3 akan menjadi nilai

x2,y2 dan x3,y3. Dan titik pusat dari gabungan bagian ke 3 dan ke 4 menjadi nilai dari

koordinat x4,y4,x5,y5.

2.6 Optical Flow

Memperkirakan gerakan suatu objek dari frame awal ke frame selanjutnya

(penjejakan objek) akan sulit dilakukan tanpa adanya informasi dan pengetahuan dasar

dari frame tersebut. Akan tetapi dengan mengetahui ciri khusus dari objek yang dijejaki

maka dapat dilakukan proses penjejakan. Proses penjejakan dilakukan dengan mencari

arah dan nilai kecepatan (velocity) dari posisi objek. Posisi objek pada frame awal akan

dihubungkan dengan posisi objek pada frame selanjutnya.

Gambar 2.19 Optical Flow

Optical flow:

Kiri atas, fitur target dijejaki tiap saat.

Kanan atas, pergerakan fitur target diubah kedalam vektor kecepatan.

48

2.7 Good Corner

Penentuan titik yang memiliki ciri khusus merupakan salah satu langkah penting

yang perlu dilakukan agar proses penjejakan objek dapat dilakukan. Penentuan fitur ini

dilakukan dengan mencari daerah yang memiliki nilai gradien lebih tinggi dibandingkan

sekitarnya pada area tertentu, fitur inilah yang disebut good corner. Pada penelitian ini

pencarian dilakukan di sekitar area mata. Good corner inilah yang akan dijadikan

sebagai acuan dalam melakukan penjejakan objek menggunakan metode lucas-kanade.

2.8 Metode Lucas-Kanade

Metode Lucas-Kanade diusulkan pada tahun 1981 oleh Bruce D. Lucas dan

Takeo Kanade. Metode ini merupakan salah satu metode penjejakan yang cukup baik,

kelebihan dari metode ini adalah dapat dengan mudah diterapkan pada sekumpulan

point yang terpadat pada input (sparse) karena bergantung hanya pada informasi lokal

yang didapatkan dari beberapa small windows yang menyelubungi objek dari point

yang dijejaki.

Ide dasar dari algoritma Lucas-Kanade bertumpu pada 3 asumsi:

1. Brightness constancy

Sebuah pixel dari citra yang berupa sebuah object dalam gambar tidak

mengalami perubahan penampilan seiring perpindahannya dari satu frame ke

frame berikutnya. Untuk citra berintensitas Grayscale, ini berarti kita

mengasumsikan bahwa nilai Brightness dari sebuah pixel tidak berubah

sepanjang penjejakan dari satu frame ke frame lain.

49

2. Small Movement

Pergerakan citra di sebuah bidang permukaan berganti secara perlahan.

Dalam praktiknya, ini berarti peningkatan sementara relatif cukup cepat

terhadap skala gerakan dalam gambar dimana objek tersebut tidak berpindah

terlalu banyak dari frame yang satu ke frame yang lain.

3. Spatial Coherence

Titik Neighboring dalam sebuah citra yang bergerak dimaksudkan untuk

bidang yang sama, mempunyai pergerakan yang mirip dan di projeksikan ke

titik point terdekat dalam bidang gambar.

Perhitungan matematisnya:

Rumus 2.7

Proses matematis dari metode Lucas Kanade:

Persamaan perubahan posisi dalam selang waktu yang singkat

, , ,

Diasumsikan perubahan posisi yang terjadi sangat sedikit, digunakan deret

taylor menjadi :

, , = , , . .

H.O.T adalah Higher Order Terms, H.O.T ini memiliki nilai yang kecil

sehingga dapat diabaikan. Maka persamaan baru dapat ditulis seperti ini :

, , = , ,

50

, , , , 0

0

Dengan 2 peubah variable dalam 1 persamaan maka persamaan ini tidak dapat

diselesaikan (nilai dari variable tidak bisa ditentukan).

Dianggap velocity (Vx,Vy) bernilai konstan.

.

1 1 1

2 2 2

Persamaan tersebut di rubah kebentuk gauss.

51

1 12 2 =

1 12 2

12

A U= -b

AT A U= AT (-b)

U = (AT A)-1 AT (-b)

2.9 Use Case Diagram

Use Case adalah satu set dari skenario yang dikumpulkan bersama-sama oleh

hasil dari pengguna yang biasa terjadi. Diagram use case menggambarkan fungsi-fungsi

dari sebuah sistem menggunakan aktor dan use cases. Use case merupakan pelayanan

atau fungsi yang dimiliki oleh sistem untuk penggunanya. Tujuan dari pembuatan use

case ini adalah:

1. Untuk memecah-mecah permintaan dari pengguna menjadi beberapa bagian

yang memiliki kesatuan arti.

2. Sebagai dasar dalam perencanaan konstruksi.

3. Sebagai basis untuk mencoba sistem.

52

Gambar 2.20 Use Case Diagram

Notasi-notasi dari diagram use case dapat dilihat sebagai berikut:

• Sistem

Gambaran batasan sistem menggunakan segi empat yang berisi beberapa use

case.

• Use Case

Use case digambarkan dalam bentuk elips. Isikan dengan kata-kata yang

menggambarkan fungsi-fungsi dari sistem.

• Aktor

Aktor adalah pengguna dari sistem. Diletakkan di luar batasan sistem.

53

ActionState1

ActionState2 ActionState3

2.10 Activity Diagram

Sebuah activity diagram memperlihatkan sebuah sistem yang dinamis dengan

cara menggambarkan alur kontrol dari aktifitas. Sebuah aktifitas menggambarkan

sebuah operasi dalam kelas yang ada di sistem dimana hasilnya sebuah perubahan status

dari sebuah sistem. Tujuan dari pembuatan activity diagram ini adalah:

1. Untuk menggambarkan tingkah laku dengan struktur kontrol.

2. Dapat memperlihatkan kegunaan-kegunaan dari objek, objek dalam satu use

case atau implementasi dari fungsi.

3. Mendorong tingkah laku yang berjalan bersamaan.

Gambar 2.21 Activity Diagram

54

Notasi-notasi pada activity diagram dapt dilihat sebagai berikut:

• Status Aksi

Status aksi menunjukkan objek suatu aksi yang tidak bisa diganggu. Status

aksi dapat digambarkan dengan segi empat yang sisinya melingkar.

• Alur Aksi

Panah dari alur aksi menggambarkan hubungan antara status aksi.

• Status Awal

Sebuah lingkaran yang isinya berwarna hitam dan diikuti oleh sebuah panah

menggambarkan status awal dari aksi.

• Status Akhir

Sebuah panah yang dialirkan ke sebuah lingkaran yang didalamnya terdapat

lingkaran berwarna hitam menggambarkan status akhir dari aksi.

• Percabangan

Sebuah bentuk seperti belah ketupat menggambarkan sebuah pilihan dengan

jalan lain. Panah harus diberi label sebuah kondisi. Bisa juga salah satu

panah diberi label “else”.