BAB 2 LANDAS AN 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”
8
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. M ereka 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 tujuantujuan 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 aturanaturan (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 M assachusetts Institute of Technology yang bernama John M cCarthy 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. M anusia 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 M ark I di University of M anchester (UK), sebuah program permainan naskah yang ditulis oleh Christopher Strachey dan program permainan catur yang ditulis oleh Dietrich Prinz. John
13
M cCarthy 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 M assachusetts Institute of Technology (M IT) yang bernama John M cCarthy pada tahun 1956 pada saat Dartmouth Conference yang dihardiri oleh parah peneliti AI. Selama
tahun
mendemonstrasikan
1960-an kekuatan
dan
1970-an,
pertimbangan
Joel
M oses
simbolis
untuk
mengintegrasikan masalah di dalam program M acsyma, program berbasis pengetahuan yang sukses pertama kali dalam bidang matematika. M arvin M insky
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 M oravec 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-erplaying 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 M atematika 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 : • M embuat mesin menjadi lebih pintar (tujuan utama) • M emahami apa itu kecerdasan (tujuan ilmiah) • M embuat mesin lebih bermanfaat (tujuan entrepreneurial) M enurut 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.
M entranfer 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 M akin 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 : • M enurut Durkin : Sistem pakar adalah suatu program komputer yang dirancang untuk memodelkan kemampuan penyelesaian masalah yang dilakukan oleh seorang pakar.
20
• M enurut Ignizio : Sistem pakar adalah suatu model yang prosedur yang berkaintan, dalam suatu domain tertentu, yang mana tingkat keahliannya dapat dibandingkan dengan keahlian seorang pakar. • M enurut Giarratano dan Riley : Sistem pakar adalah suatu sistem komputer yang bisa menyamai atau meniru kemampuan seorang pakar. • M enurut 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. GP S (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 seharihari. Dengan pengolahan bahasa alami ini diharapkan user dapat berkomunikasi dengan komputer dengan menggunakan bahasa seharihari.
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 : •
M enurut Andian Low (1991), computer vision berhubungan dengan perolehan gambar, pemrosesan, klasifikasi, pengenalan, dan menjadi penggabungan pengurutan pembuatan keputusan menuju pengenalan.
•
M enurut M ichael 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.
•
M enurut 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
•
M endeteksi peristiwa (misalnya, untuk pengawasan visual atau orang menghitung).
•
M engorganisir informasi (misalnya, untuk pengindeksan database foto dan gambar urutan).
•
M odeling 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 M urni Arymurthy, 1992). Pengolahan citra digital dapat dikelompokkan dalam dua jenis kegiatan : 1. M emperbaiki kualitas suatu gambar, sehingga dapat lebih mudah diinterpretasi oleh mata manusia. 2. M engolah 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 : • M enurut M ichael 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. • M enurut Aniati M urni 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 polapola 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. M isalkan diketahui data sebagai berikut. 2 4 3 1 3 6 4 3 1 0 3 2
M aka 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 0 1 2 3 4 5 6
Histogram 1 2 2 4 2 0 1
Distribusi Kumulatif 1 1+2=3 3+2=5 5+4=9 9+2=11 11+0=11 11+1=12
Dan diperoleh histogram kumulatif sebagai berikut.
31
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 2 3 4 5 6
1 3 5 9 11 11 12
½Æ0 3/2 Æ 1 5/2 Æ 2 9/2 Æ 4 11/2 Æ 5 11/2 Æ 5 12/2 Æ 6
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.
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 M odel 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. M odel 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. M onitor 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. M odel 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). M asing-masing dari tiga balok disebut sebagai komponen warna, dan masing-masing dapat memiliki intensitas yang berbeda. M odel warna CM YK adalah kependekan dari Cyan, M agenta, Yellow (kuning) dan warna utamanya yaitu blacK (hitam) dan sering kali dijadikan
referensi
sebagai
suatu
proses
pewarnaan
dengan
mempergunakan empat warna. CM YK adalah bagian dari model pewarnaan yang sering dipergunakan dalam pencetakan berwarna. Namun ia juga dipergunakan untuk menjelaskan proses pewarnaan itu sendiri. M eskipun 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 CM YK berarti Key, karena dalam pencetakan empat warna yaitu Cyan, M agenta, 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.
M odel 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). M odel 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-M erah, 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 CM YK, 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 : •
M anipulasi 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)
•
M anipulasi 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
scrollbar)
(Display
gambar/video,
mouse/keyboard
kontrol,
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 M ichael 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. • M etode 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. M asing-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 masingmasing 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. M etode yang kami gunakan untuk pendeteksian mata adalah dengan melakukan perbandingan dengan koordinat pusat mata dan pada posisi mata normal yang sudah pasti, karena :
43
Æ
Pertama, representasi ini terlihat menjadi lebih tepat dalam hal hasil perbandingan.
Æ
Kedua, biasanya algoritma pengenalan wajah memerlukan pusat mata untuk sample
Æ
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 mengextend 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
