BAB II Dasar Teori

Bab ini membahas teori-teori yang mendukung penulisan tesis. Teori ini mencakup

teori tentang data mining secara umum, concept drift, data streams, ensemble

classifier, streaming ensemble algorithm, dan paradigma pengembangan perangkat

lunak menggunakan unified process.

II.1 Data Mining

II.1.1 Pengantar Data Mining

Menurut [HAN01], data mining dapat diartikan sebagai proses pengekstraksian atau

“mining” (menambang) pengetahuan dari data berskala besar. Pengertian yang lain

lagi menurut [TAN06], yaitu data mining adalah proses dari mengotomatisasikan

penemuan informasi yang berguna pada basis data berskala besar (basis data dengan

volume isi data yang sangat besar).

Tidak semua penemuan informasi yang berguna dikategorikan sebagai data mining.

Sebagai contoh, melakukan query suatu data individu menggunakan database

management system atau mencari suatu web page berdasarkan kriteria suatu query

tertentu dengan memanfaatkan search engine merupakan tugas yang berhubungan

dengan information retrieval. [TAN06]

Proses data mining dapat diterapkan pada berbagai jenis repositori. Jenis tersebut

adalah basis data relasional, gudang data (data warehouse), basis data transaksional,

flat files, basis data berorientasi object, basis data spasial, dan basis data multimedia

dan text. Penerapan dan teknik mining untuk tiap jenis wadah penampung data dapat

berbeda. [HAN01]

Sebelum dilakukannya proses data mining, terlebih dahulu harus ditentukan tugas

data mining. Penentuan ini didasarkan atas jenis pola yang ingin didapatkan dari data

yang ada. Tugas data mining menurut [TAN06] secara umum dibagi menjadi dua

kategori besar yaitu:

5

1. Tugas predictive

Tujuan dari tugas ini adalah untuk memprediksi nilai suatu atribut berdasarkan

nilai-nilai dari atribut yang lainnnya. Atribut yang diprediksi dikenal dengan

istilah target atau dependent variable, sedangkan atribut yang digunakan

untuk membuat prediksi dikenal sebagai explanatory atau independent

variables.

2. Tugas descriptive

Tujuan dari tugas ini adalah untuk memperoleh pola (correlations, trends,

clusters, trajectories, dan anomalies) yang merangkum relasi pokok pada data.

Tugas descriptive data mining biasanya exploratory dan secara sering

membutuhkan teknik postprocessing untuk memvalidasi dan menjelaskan

hasilnya.

Banyak orang memperlakukan data mining sebagai sinonim dari Knowledge

Discovery in Databases (KDD). Namun ada juga yang melihat data mining sebagai

bagian yang inti dari proses sebuah KDD. Knowledge discovery sebagai sebuah

proses digambarkan pada Gambar II.1 dan terdiri dari beberapa rangkaian iterasi

sebagai berikut: [HAN01]

1. Data cleaning (menghilangkan noise dan data yang tidak konsisten)

2. Data integration (sumber data yang berbeda-beda dikombinasikan)

3. Data selection (data yang sesuai dengan tugas analisis diambil dari basis data)

4. Data transformation (data ditransformasikan atau dikonsolidasi ke bentuk

yang sesuai untuk mining)

5. Data mining (proses inti dimana teknik-teknik diaplikasikan sebagai upaya

untuk mengekstraksi pola)

6. Pattern evaluation (mengidentifikasi pola penting yang merepresentasikan

dasar pengetahuan dari sebuah ukuran kepentingan)

7. Knowledge presentation (teknik visualisasi dan representasi pengetahuan

digunakan untuk menampilkan pengetahuan yang telah di-mining oleh user)

6

Gambar II.1. Proses KDD

II.1.2 Penjelasan Konsep, Instans, dan Atribut

Masukan yang diterima pada proses data mining merupakan dalam bentuk konsep,

instans dan atribut. Konsep merupakan hal yang ingin dipelajari. Hasil keluaran yang

didapatkan dari sebuah skema pembelajaran disebut sebagai concept description

(deskripsi dari konsep). Instans atau disebut juga sebagai contoh adalah hal-hal yang

ingin diklasifikasi, diasosiasikan, atau dikelompokkan. Setiap instans merupakan

contoh individu dan independen dari konsep yang ingin dipelajari. Setiap instans

dikarakteristikkan dengan nilai-nilai dari sekumpulan atribut atau disebut juga sebagai

fitur, yang telah ditentukan. Atribut dapat berupa numerik (disebut juga atribut

kontinu) maupun nominal (disebut juga atribut kategori). [WIT05]

Pada Tabel II.1 merupakan contoh data mengenai apakah seseorang akan melakukan

suatu permainan olah raga atau tidak sesuai dengan keadaan cuaca. Pada tabel

tersebut, konsepnya adalah apakah seseorang akan melakukan suatu permainan olah

raga atau tidak (ditandakan dengan kolom Play). Instans dalam tabel tersebut

merupakan tiap baris data. Atribut pada tabel tersebut adalah Outlook (bertipe

nominal), Temperature (bertipe numerik), Humidity (bertipe numerik), dan Windy

(bertipe nominal).

7

Tabel II.1. Data Bermain Olah Raga Sesuai dengan Cuaca

Outlook Temperature Humidity Windy Play Sunny 85 85 False No Sunny 80 90 True No Overcast 83 86 False Yes Rainy 70 96 False Yes Rainy 68 80 False Yes Rainy 65 70 True No Overcast 64 65 True Yes Sunny 72 95 False No Sunny 69 70 False Yes Rainy 75 80 False Yes Sunny 75 70 True Yes Overcast 72 90 True Yes Overcast 81 75 False Yes Rainy 71 91 True No

II.1.3 Klasifikasi sebagai Salah Satu Tugas Data Mining

Klasifikasi adalah proses dari mencari suatu himpunan models (atau fungsi) yang

dapat mendeskripsikan dan membedakan kelas-kelas data atau konsep-konsep, dengan

tujuan dapat menggunakan model tersebut untuk memprediksi kelas dari suatu objek

dimana kelasnya belum diketahui. [HAN01]

Dalam studi literatur yang lain dijelaskan bahwa klasifikasi merupakan data mining

dengan tugas predictive yang bertujuan untuk membangun sebuah model untuk

variabel target sebagai sebuah fungsi yang terdiri atas variabel-varabel explanatory.

Variabel target atau disebut juga sebagai variabel bergantung adalah atribut yang

ingin diprediksi, sedangkan variabel explanatory atau disebut juga sebagai variabel

bebas adalah atribut-atribut yang digunakan untuk melakukan prediksi. Teknik

klasifikasi yang digunakan untuk klasifikasi dapat berupa decision tree classifier,

bayesian classifier, ensemble classifier, nearest neighbour classifier, dan lain

sebagainya. Masing-masing classifier memiliki algoritma pembelajarannya masing-

masing. [TAN06]

Klasifikasi merupakan proses dua tahap, Gambar II.2 mengilustrasikan tahapan pada

klasifikasi. Pada tahap pertama, sebuah model dibangun berdasarkan training data

(data pelatihan), yang mendeskripsikan definisi yang telah ditetapkan mengenai

himpunan kelas data atau konsep. Model tersebut dibangun dengan cara menganalisis

8

tuples pada database yang terdeskripsikan berdasarkan atributnya. Tiap tuple

diasumsikan dimiliki oleh kelas yang telah didefinisikan sebelumnya. Data tuples

tersebut dianalisis untuk membangun model secara kolektif membentuk training data

set. Tiap tuples yang digunakan pada training set dikenal juga sebagai training

samples, dipilih secara acak dari populasi sample. Dikarenakan tiap label kelas (class

label) pada training sample telah disediakan maka tahapan ini dikenal juga dengan

supervised learning. Hasil pada tahap ini direpresentasikan sebagai aturan klasifikasi,

decision tree, atau formula matematika. [HAN01]

Pada tahap kedua, model digunakan untuk mengklasifikasikan data tuples yang baru

atau objek dimana label kelasnya belum diketahui. Pada tahap ini akurasi model

diukur. Akurasi dari sebuah model dihitung dari presentase sampel pengujian yang

diklasifikasi secara benar oleh model. Pengujian ini dilakukan dengan data yang

berbeda dari training data (data pelatihan) yaitu data pengujian, hal ini disebabkan

karena model yang dipelajari cenderung untuk overfit pada data (memasukkan

anomali yang terdapat pada data kedalam model), yang dapat disebabkan oleh noise

ataupun kurangnya training data. Jika akurasi dari model dapat diterima, maka model

tersebut dapat digunakan untuk mengklasifikasi data tuples maupun objek-objek yang

label kelasnya belum diketahui. [HAN01]

9

Gambar II.2. Proses Pembangunan Model Klasifikasi

II.2 Data Streams

Dengan meningkatnya kemajuan dalam bidang hardware dan software dalam

beberapa tahun ini telah memungkinkan untuk memperoleh hasil pengukuran data

yang berbeda-beda pada bidang-bidang ilmu yang ada. Pengukuran ini dihasilkan

secara terus-menerus dan laju pertambahan data yang semakin cepat. Contohnya

adalah sensor pada networks, web logs, dan computer network traffic. [GAB05]

Mining data streams merupakan evolusi dari data mining dimana proses mining pada

awalnya pada data yang bersifat tetap (tidak bertambah) menjadi yang bersifat stream

(terus menerus bertambah). Hal ini mengakibatkan perlunya penyesuaian pada

metode-metode yang ada sehingga mining data streams ini dapat diatasi.

Secara singkat mining data streams menyangkut pengekstraksian struktur

pengetahuan yang direpresentasikan dalam model dan pola-pola pada data streams.

Penelitian akan mining data streams telah menarik banyak perhatian karena tingkat

kepentingannya yang tinggi akan pengaplikasiannya dan meningkatnya generation

dari informasi yang streaming. Pengaplikasian dari analisis data stream dapat

10

bervariasi dari aplikasi yang ilmiah sampai dengan aplikasi finansial atau bisnis.

[GAB05]

II.3 Concept Drift

Pada dunia nyata konsep umumnya tidak stabil dan dapat berubah terhadap waktu.

Sering kali perubahan ini membuat model yang telah kita bangun diatasnya tidak

konsisten dengan perubahan yang ada. Masalah ini dikenal sebagai concept drift,

dimana akan memperumit tugas dalam learning sebuah model dari data dan

membutuhkan pendekatan yang khusus. [TSY04]

Konsep yang ingin dipelajari sering kali bergantung pada hidden context. Contohnya

pada peramalan cuaca, aturan peramalan cuaca yang digunakan dapat berbeda secara

radikal sesuai dengan musimnya. Contoh lainnya yaitu konsep mild weather (angin

dan hujan) dapat berbeda di Siberia dan di Central Afrika. [WID96]

Perubahan pada concept drift dapat terjadi secara mendadak (dikenal juga dengan

revolutionary drift), maupun secara gradual (dikenal juga dengan evolutionary drift).

Perubahan gradual dapat dibagi menurut laju perubahannya, yaitu perubahan lambat

atau perubahan sedang. [TSY04]

Terdapat sebuah pendekatan yang dapat diambil untuk menangani permasalahan

concept drift ini yaitu dengan cara hanya menyimpan “jendela” yang berisi instans-

instans dan hipotesis-hipotesis yang dipercaya saja. Diilustrasikan pada Gambar II.3.

Untuk memperluas pendekatan ini, asumsikan concept descriptions disimpan dan

digunakannya ketika timbul konteks yang sebelumnya pernah ada di masa lampau

[WID96]

Gambar II.3. Concept descriptions yang baru dan lama dan sebuah “jendela” yang bergerak

berdasarkan stream dari data examples

11

II.4 Ensemble Classifier

II.4.1 Pengantar Ensemble Classifier

Metode ensemble atau dikenal juga dengan metode classifier combination, merupakan

teknik yang dapat digunakan untuk meningkatkan akurasi dari klasifikasi pada data

mining. Sebuah metode ensemble mengkonstruksi suatu himpunan base classifiers

yang dibangun dari blok-blok training data, dan melakukan klasifikasi dengan cara

voting terhadap hasil prediksi yang dibuat oleh masing-masing base classifier,

kemudian mengagregasikan hasil prediksi tersebut untuk menghasilkan klasifikasi

secara keseluruhan, ilustrasinya dapat dilihat pada Gambar II.4. [TAN06]

Gambar II.4. Gambaran Umum Ensemble

II.4.2 Metode untuk Mengkonstruksi Sebuah Ensemble Classifier

Ide dasar dari metode ensemble adalah untuk mengkonstruksi beberapa classifier dari

data asal dan kemudian mengagregasi hasil prediksinya saat akan mengklasifikasi

contoh yang belum diketahui hasilnya. Ensemble classifiers dapat dikonstruksi

melalui beberapa cara yaitu: [TAN06]

1. Mengkonstruksi sebuah ensemble classifier dengan memanipulasi training

data

Pada pendekatan ini, beberapa training data dibuat dengan resampling data

asli menurut suatu distribusi sampling tertentu. Distribusi sampling

menentukan sample mana yang akan diambil untuk training, dan jika

12

dilakukan berulang kali maka hasilnya selalu bervariasi. Sebuah classifier

kemudian dibangun dari tiap training data menggunakan suatu algoritma

learning (pembelajaran) tertentu. Bagging dan boosting merupakan dua contoh

metode ensemble yang memanipulasi training data.

2. Mengkonstruksi sebuah ensemble classifier dengan memanipulasi fitur input

Pada pendekatan ini, suatu himpunan bagian dari fitur input (atribut dari suatu

tabel beserta datanya) dipilih untuk membentuk tiap training data. Himpunan

bagian tersebut dapat dipilih secara acak atau berdasarkan rekomendasi dari

domain experts. Dari beberapa penelitian telah ditunjukkan bahwa pendekatan

ini bekerja sangat baik pada data sets yang memiliki fitur redudansi yang

tinggi. Random forest merupakan metode ensemble yang memanipulasi fitur

input dan menggunakan decision tree sebagai base classifier-nya.

3. Mengkonstruksi sebuah ensemble classifier dengan memanipulasi label kelas

Metode ini dapat digunakan jika jumlah dari kelas cukup banyak. Training

data ditransformasikan menjadi suatu permasalahan kelas biner, cara yang

dilakukan adalah dengan secara acak melakukan partisi terhadap label kelas

sehingga menjadi dua himpunan terpisah A0 dan A1. Training data dimana

label kelasnya dimiliki oleh himpunan A0 ditugaskan kepada kelas 0, dan

sisanya yang dimiliki oleh himpunan A1 ditugaskan kepada kelas 1. Training

data yang telah dilabel ulang kelasnya tersebut kemudian digunakan untuk

melatih sebuah base classifier. Dengan mengulang-ulang proses label ulang

kelas tersebut dan tahapan pembangunan model berkali-kali, maka diharapkan

akan diperoleh suatu ensemble dari base classifier. Jika test data (data

pengujian) dihadirkan, tiap base classifier Ci digunakan untuk

memprediksikan kelas labelnya. Jika test data diprediksikan sebagai kelas 0

maka semua kelas yang dimiliki oleh kelas A0 akan menerima vote (suara).

Sebaliknya juga, jika diprediksikan sebagai kelas 1 maka semua kelas yang

dimiliki oleh kelas A1 akan menerima vote. Seluruh vote dicatat dan kelas

yang menerima vote terbanyak menjadi hasil dari test data tersebut. Contoh

metode yang menggunakan pendekatan ini adalah error-correcting output

coding

13

4. Mengkonstruksi sebuah ensemble classifier dengan memanipulasi algoritma

learning

Banyak algoritma learning dapat dimanipulasi dengan suatu cara dimana jika

algoritma tersebut diterapkan berkali-kali pada suatu training data maka akan

menghasilkan model yang berbeda-beda. Sebagai contoh, suatu artificial

neural network dapat menghasilkan model yang berbeda-beda dengan

mengubah topologi network-nya atau inisialisasi weight-nya dari

keterhubungan antar neuron.

Ketiga cara pertama diatas merupakan metode umum yang dapat diaplikasikan pada

classifier apapun, dan untuk cara yang keempat bergantung pada tipe classifier yang

digunakan.

II.5 Streaming Ensemble Algorithm (SEA)

II.5.1 Pendahuluan SEA

SEA merupakan suatu algoritma yang dibuat untuk menangani masalah concept drift

dan data streams pada klasifikasi di data mining. Teknik SEA ini berdasar pada

metode ensemble dan dikembangkan untuk menangani kedua permasalahan yang

telah disebutkan. [STR01]

Pembangunan SEA didasarkan atas empat kriteria pemikiran pembangunan algoritma

untuk metode predictive dalam skala besar dari [FAY96] :

1. Iterative

Algoritma harus beroperasi dengan model iteratif, membaca blok-blok data

pada suatu waktu tertentu dibandingkan dengan membaca seluruh data

tersebut pada awal algoritma.

2. Single pass

Algoritma hanya boleh melakukan satu kali pass pada data.

3. Limited memory

Dibutuhkan suatu jumlah memory yang konstan untuk struktur data yang

digunakan pada algoritma, dan sebaiknya tidak membesar sesuai dengan

ukuran data.

14

4. Any-time learning

Algoritma harus menyediakan solusi yang baik bila algoritma diberhentikan

ditengah jalan sebelum ditemukannya suatu kesimpulan.

II.5.2 Metode SEA

Pseudocode dari SEA yang telah dibangun adalah sebagai berikut: [STR01] 01: while more data points are available 02: ··read d points, creating training set D 03: ··build classifier Ci using D 04: ··evaluate classifier Ci-1 on D 05: ··evaluate all classifier in ensemble E on D 06: ··if E not full 07: ····insert Ci-108: ··else if Quality(Ci-1) > Quality(Ej) for some j 09: ····replace Ej with Ci-110: ··end 11: end

Dalam pseudocode tersebut yang dikerjakan adalah sebagai berikut. Classifier

individu dibangun dari suatu himpunan bagian dari data, dibaca secara berurutan

dalam blok-blok. Komponen dari classifier dikombinasikan menjadi sebuah ensemble

dengan suatu ukuran yang tetap. Saat ensemble telah penuh, maka classifier baru akan

ditambahkan jika memenuhi suatu kriteria kualitas tertentu, berdasar pada

kemampuan estimasi untuk meningkatkan performansi dari ensemble. [STR01]

Base classifier yang digunakan pada SEA oleh W. Nick Street dan YongSeog Kim

adalah Quinlan C4.5. Parameter operasional dari C4.5 ini adalah apakah suatu tree

akan di-prune atau tidak. Kunci performansi dari algoritma ini adalah metode yang

digunakan untuk menentukan apakah suatu base classifier baru dapat ditambahkan

pada ensemble, dan apakah suatu base classifier dapat dihilangkan. [STR01]

Kriteria kualitas yang digunakan pada SEA adalah sebagai berikut:

1. Jika kedua ensemble E dan base classifier baru T adalah benar, maka kualitas

dari T ditingkatkan menjadi 1 - | P1 – P2 |. Maksud dari ini adalah jika vote

ditutup, base classifier baru tersebut mendapatkan nilai kualitas yang tinggi,

dikarenakan dapat secara langsung mempengaruhi votes pada masa

mendatang.

15

2. Jika T adalah benar namun E tidak benar maka kualitas ditingkatkan menjadi 1

- | P1 – PC |.

3. Jika prediksi T tidak benar (tidak perlu lagi memperdulikan hasil dari E), maka

kualitas diturunkan menjadi 1 - | PC – PT |.

Dimana:

P1 = Persentase dari top vote-getter

P2 = Persentase dari second-highest vote-getter

PC = Persentase dari kelas yang benar

PT = Persentase dari prediksi dari base classifier baru T

Beberapa hal yang diperoleh dari penelitian SEA oleh W. Nick Street dan YongSeog

Kim adalah: [STR01]

1. Memperbesar ukuran dari ensemble menghasilkan hasil dengan generalisasi

yang lebih baik, yaitu sekitar 20 atau 25 base classifier.

2. Pruning tree individu menghasilkan akurasi ensemble yang menurun,

walaupun akurasi dari tiap tree individu meningkat.

3. Variasi sederhana dari metode “voting terbesar” memiliki efek yang kecil atau

tidak memiliki efek dalam masalah akurasi ensemble. Memberikan bobot pada

votes berdasarkan akurasi base classifier atau memberikan bobot pada nilai

confidence dari tiap base classifier, dapat menghasilkan peningkatan yang

tidak konsisten dan kecil efeknya untuk masalah akurasi ensemble.

4. Penelitian dengan metode “gated voting”, dimana anggota ensemble

melakukan vote hanya pada kasus dimana mereka dapat memprediksikannya

dengan benar. Metode ini juga menghasilkan peningkatan yang tidak konsisten

terhadap metode “voting terbesar”.

II.6 Backpropagation sebagai Base Classifier

Sebuah base classifier merupakan suatu teknik klasifikasi yang dapat digunakan

sebagai dasar terbentuknya ensemble. SEA yang diajukan oleh W. Nick Street dan

YongSeog Kim menggunakan C4.5 sebagai base classifier-nya. Pada tesis ini

backpropagation akan digunakan sebagai base classifier-nya.

16

Backpropagation merupakan suatu jenis jaringan saraf tiruan yang dapat digunakan

untuk mengklasifikasi data. Backpropagation menerapkan metode gradient descent,

yaitu dimana penyesuaian-penyesuaian dilakukan pada jaringan sehingga

memperkecil error dalam mengklasifikasi data. Untuk informasi yang lebih lengkap

mengenai backpropagation beserta algoritmanya dapat dilihat pada [DHA04].

Beberapa penjelasan istilah dalam backpropagation yaitu [DHA04]:

1. Neuron merupakan sel terkecil dari jaringan otak saraf manusia, ditunjukkan

pada Gambar II.5.

2. Bobot merupakan synaptic gap dan berfungsi sebagai bobot untuk

memperkuat sinyal atau memperlemah.

3. Masukan neuron merupakan dendrite dan berfungsi memberikan sinyal

masukan

4. Fungsi aktivasi merupakan soma dan berfungsi mengolah sinyal yang masuk

5. Keluaran neuron merupakan axon dan berfungsi mengeluarkan sinyal keluaran

Gambar II.5. Neuron pada Manusia

Backpropagation memiliki arsitektur dengan minimal satu layer untuk hidden layer,

dapat dilihat pada Gambar II.6 yaitu pada layer Z. Untuk layer masukan ditunjukkan

dengan X pada Gambar 3.1, layer keluaran ditunjukkan dengan layer Y pada Gambar

3.1. Hidden layer dapat memiliki bias, dimana bias menyerupai bobot pada koneksi

antar neuron namun dengan nilai keluaran neuron-nya selalu 1. Untuk bobot dari

layer masukan ke hidden layer ditunjukkan dengan v, dan untuk bobot dari hidden

layer ke layer keluaran ditunjukkan dengan w. [DHA04]

17

Gambar II.6. Arsitektur Backpropagation

II.7 Paradigma Pengembangan PL Menggunakan Unified Process

Unified process merupakan paradigma pengembangan yang menggunakan pendekatan

iteratif (pengulangan). Dalam tiap iterasi terdiri dari langkah-langkah pengembangan

suatu perangkat lunak, ditunjukkan pada Gambar II.7. Dalam tiap iterasi dilakukan

sedikit requirements, analysis, design, implementation, dan testing. Pada tiap iterasi

masukannya adalah berdasarkan iterasi sebelumnya, hal ini terus dilakukan sampai

mendekati produk final. [KRO03]

Gambar II.7. Pengembangan Secara Iteratif pada Unified Process

18

Pada awal iterasi umumnya titik beratnya lebih pada requirements, analysis, dan

design. Kemudian pada iterasi akhir titik beratnya lebih pada implementation dan

testing. Keterangan mengenai apa yang dikerjakan pada tiap iterasi ditunjukkan pada

Gambar II.8. Dalam unified process terdapat 4 tahapan yaitu Inception, Elaboration,

Construction, dan Transition. Masing-masing tahapan tersebut memiliki fokus-fokus

bagian yang berbeda-beda. [KRO03]

Gambar II.8. Keterangan Tahapan Pengembangan pada Unified Process

Dalam memodelkan pengembangan perangkat lunak, unified process menggunakan

bahasa pemodelan Unified Modeling Language (UML). Langkah pertama yang

dikerjakan dalam unified process ini adalah pembuatan use-case. Use-case ini

menggambarkan tingkah laku fungsionalitas dari sistem dilihat dari sisi user, sehingga

apa yang dikembangkan ini dapat sesuai dengan apa yang dibutuhkan oleh user.

Hubungan use-case ke model rekayasa perangkat lunak ditunjukkan pada Gambar

II.9. Use-case akan digunakan pada analysis dan design, implementation, dan test.

Use-case sangat efektif untuk memperoleh requirements. [KRO03]

19

Gambar II.9. Keterhubungan Use-Case ke Model Rekayasa Perangkat Lunak

Dalam UML terdapat beberapa diagram yang dapat digunakan sebagaimana

ditunjukkan pada Tabel II.2. Diagram structural menggambarkan fitur-fitur yang

tidak berubah dari waktu ke waktu. Diagram behavioral menggambarkan bagaimana

sistem menanggapi permintaan. Diagram interaction merupakan sebuah tipe diagram

behavioral, namun penekanannya pada pertukaran message antar objects dan

bagaimana mencapai tujuannya. [CHO03] Tabel II.2. Diagram pada UML

Kategori Tipe dari Diagram Deskripsi Diagram Behavioral Diagram Use-Case Menggambarkan servis apa saja yang

dapat diminta seorang aktor pada sebuah sistem

Diagram Behavioral Diagram Activity Menggambarkan data flow dan control flow dari tingkah laku antar objects

Diagram Behavioral Diagram State Machine

Menggambarkan life cycle dari sebuah object, atau sequences dari sebuah object kemana saja, atau yang harus didukung oleh sebuah interface

Diagram Interaction Diagram Overview Menggambarkan skenario interaksi yang berbeda-beda untuk sebuah collaboration (suatu kumpulan object yang bekerja sama untuk mencapai tujuan) yang sama

Diagram Interaction Diagram Sequence Berfokus pada pertukaran message antar sebuah kelompok objects, beserta urutannya

Diagram Interaction Diagram Communication

Berfokus pada message antar sebuah kelompok objects dan relasi yang pokok dari objects

Diagram Interaction Diagram Timing Menggambarkan perubahan dan relasi pada waktu nyata atau sistem embedded

Diagram Structural Diagram Object Menggambarkan objects beserta keterhubungannya

20

Kategori Tipe dari Diagram Deskripsi Diagram Structural Diagram Class Menggambarkan entitas dunia nyata,

elemen dari analisis dan perancangan, atau implementasi dari kelas dan keterhubungannya

Diagram Structural Diagram Composite Structure

Menggambarkan bagaimana sesuatu dibuat

Diagram Structural Diagram Deployment

Menggambarkan arstektur run-time dari sistem, landasan hardware, software artifacts, dan lingkungan software

Diagram Structural Diagram Component

Menggambarkan organisasi dan keterhubungan antar deliverables sistem

Diagram Structural Diagram Package Digunakan untuk menata elemen-elemen model dan menggambarkan keterhubungan antar elemen-elemen tersebut

21