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
9
10 McCarthy, 1965, kecerdasan buatan adalah untuk mengetahui dan memodelkan prosesproses 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 universitasuniversitas 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 aturanaturan 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 pengalamanpengalaman 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. Bagianbagian 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 Haarlike 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 Rumus 2.4:
P ( x, y ) =
∑ i ( x' , y ' )
x '≤ x , y '≤ y
Gambar 2.17 Perhitungan integral image Rumus 2.5: P1 = A, P2 = A + B, P3 = A + C , P4 = A + B + C + D P1 + P4 − P2 − P3 = A + A + B + C + D − A − B − A − C = D
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:
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
2
2
1 2
Persamaan tersebut di rubah kebentuk gauss.
51 1 2
1 2
1 2
=
1 2
1 2
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 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.
ActionState1
ActionState2
ActionState3
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”.
