BAB II LANDASAN TEORI
2.1.
Iris Mata Iris merupakan suatu bagian mata yang memiliki pigmen. Pigmen pada iris ini
berfungsi untuk memberikan warna pada mata seseorang seperti warna mata biru atau hijau pada orang Barat, dan warna hitam atau coklat pada orang Asia. Selain untuk memberikan warna pada mata, iris juga berfungsi untuk mengatur banyaknya sinar yang masuk ke dalam mata. Apabila kita menatap benda-benda yang memancarkan cahaya seperti lampu atau sinar matahari, maka otot-otot iris mengendur sehingga pupil akan mengecil dan cahaya yang masuk lebih sedikit. Sedangkan ketika kita dalam sebuah ruang gelap dengan sinar yang sedikit, otot-otot iris akan berkontraksi sehingga pupil akan membesar dan cahaya yang diterima lebih banyak. Perilaku iris yang seperti ini analog dengan diafragma iris pada kamera.
Gambar 2.1. Iris dan pupil mata
7 2.2.
Metode Edge Detection Edge detection adalah sebuah masalah kepentingan fundamental dalam analisis
gambar (images). Dalam suatu gambar (image), hal yang kita sebut edge memberikan karakteristik batas dari suatu benda dan maka dari itu berguna untuk segmentasi, registrasi, dan identifikasi suatu benda atau objek dalam suatu kejadian. Dalam kasus yang ideal, menggunakan sebuah edge detector ke sebuah gambar dapat mengurangi jumlah data yang harus diproses dan memungkinkan menyaring informasi yang dianggap kurang relevan, sambil tetap menyimpan data yang penting dari gambar tersebut. Jika langkah pendeteksian berhasil, tugas untuk mentranslasikan gambar aslinya dapat disederhanakan. Sayangnya,tidak mungkin untuk selalu mendapatkan hasil yang ideal, terutama dari gambar kehidupan nyata yang cukup kompleks. Walaupun seperti itu, edges tetap berperan penting dalam banyak aplikasi image processing. Gambar dari kehidupan nyata biasanya dipengaruhi oleh satu atau beberapa efek berikut: •
Focus yang tidak jelas yang disebabkan depth-of-field dan point spread
function yang terbatas. •
Penumbral blur
yang disebabkan bayangan yang diciptakan sumber
cahaya dari radius non-zero. •
Bayangan pada batas pinggir objek yang mulus.
Contoh persamaan edge sederhana yaitu pada sebuah image satu dimensi f yang memiliki tepat satu edge yang ditempatkan pada x = 0 dapat dimodelkan sebagai:
8
f ( x) = Di mana
Ir − Il 2
⎛ ⎛ x ⎞ ⎞ ⎜ erf ⎜⎜ ⎟⎟ + 1⎟⎟ + I l ⎜ 2 σ ⎠ ⎠ ⎝ ⎝
erf = error function I l = intensitas pada sisi kiri edge ( lim f ( x ) ) x → −∞
I r = intensitas pada sisi kanan edge ( lim f ( x) ) x →∞
σ = skala blur dari edge. Ada beberapa metode pendekatan untuk edge detection, seperti canny edge detection, differential edge detection, phase congruency based edge detection, dan sebagainya. Yang akan dibahas di sini hanya canny edge detection karena metode itulah yang akan digunakan.
2.2.1. Metode canny-edge detection Metode canny-edge detection dikembangkan oleh John F. Canny pada tahun 1986. Sasaran Canny adalah untuk menemukan algoritma edge detection yang optimal. Optimal yang dimaksud di sini berarti: •
Pendeteksian yang baik – algoritmanya harus dapat menemukan
sebanyak mungkin edges pada suatu gambar. •
Lokalisasi yang baik – edges yang telah ditandai harus sedekat
mungkin letaknya dengan edges (batas pinggir) asli objek-objek yang ada pada gambar. •
Respon yang minimal – sebisa mungkin gangguan atau kerusakan
pada gambar tidak akan memberikan edge yang salah.
9 Untuk memenuhi persyaratan tersebut, Canny menggunakan kalkulus variasi – sebuah teknik yang dapat mencari fungsi yang mengoptimalkan sebuah fungsi yang telah diberikan. Fungsi optimal dalam detector Canny digambarkan sebagai jumlah dari 4 buah eksponensial, tapi dapat ditentukan oleh derivatif pertama dari sebuah Gaussian. Pada karya ilmiah ini canny-edge detection akan digunakan untuk memberi garis untuk pupil. Setelah canny-edge detection dijalankan sebuah lingkaran akan hadir dengan jelas di sekitar batas pupil.
2.3.
Transformasi Hough Transformasi Hough (TH) (Hough, 1962) merupakan teknik pengalokasian
bentuk-bentuk dalam gambar. Secara khusus, transformasi ini digunakan untuk ekstrasi garis, lingkaran, dan elips. Untuk ekstrasi garis, definisi matematisnya ekuivalen dengan transformasi Radon (Deans, 1981). TH diperkenalkan oleh Hough dan kemudian digunakan untuk menemukan bubble tracks. Namun Rosenfeld memperkenalkan kemampuan potensialnya sebagai sebuah algoritma image processing (Rosenfeld, 1969). TH kemudian diimplementasikan untuk menemukan garis-garis dalam gambar (Duda, 1972) dan kemudian meluas, karena transformasi ini memiliki banyak kelebihan dan banyak potensi untuk pengembangan lebih lanjut. Kelebihan utamanya yaitu dapat memberikan hasil yang sama dalam pencocokan pola, tetapi lebih cepat (Princen, 1992), (Sklansky, 1978) (Stockman, 1977). Implementasi TH menjelaskan sebuah pemetaan dari titik-titik gambar menuju sebuah ruang akumulator (ruang Hough). Pemetaan tersebut diperoleh dalam bentuk yang efisien secara matematis, berdasarkan fungsi yang menjelaskan kondisi dari target. Pemetaan ini membutuhkan jauh lebih sedikit sumber
10 perhitungan matematis dibandingkan dengan pencocokan pola. Bagaimanapun, TH membutuhkan penyimpanan signifikan dan perhitungan matematis tingkat tinggi. Masalah-masalah ini diselesaikan kemudian, karena mereka memfokuskan untuk pengembangan TH secara kontinu. Bagaimanapun, fakta bahwa TH ekuivalen dengan pencocokan pola telah menjadikannya salah satu dari teknik-teknik ekstraksi bentuk yang terpopuler yang ada.
2.3.1. Transformasi Hough untuk Garis Dalam parameter kartesius, titik-titik kolinier dalam sebuah gambar dengan koordinat (x, y) dihubungkan dengan kemiringan m dan konstanta c sebagai berikut:
y = mx + c …………………………………………………(2.1) Persamaan ini juga dapat dituliskan dalam bentuk: Ay + Bx + 1 = 0 …………………………………………….(2.2)
Di mana A = − 1
c
dan B = m . Dengan demikian, sebuah garis c
didefinisikan dengan memberikan sepasang nilai (A, B). Kita juga dapat mengobservasi sebuah simetri dalam definisi pada persamaan 2.2. Persamaan ini simetris karena sepasang koordinat (x, y) juga mendefinisikan sebuah garis dalam ruang yang sama dengan parameter (A, B). Persamaan 2.1 dan 2.2 dapat dilihat sebagai persamaan sebuah garis untuk koordinat tetap (x, y) atau sebagai persamaan sebuah garis untuk parameter tetap (A, B). dengan demikian, keduanya dapat digunakan untuk mendefinisikan titik-titik dan garis-garis secara simultan (Aguado,2000). TH mengumpulkan keterangan dari titik (A, B) dengan
11 mempertimbangkan bahwa semua titik-titik (x, y) mendefinisikan semua garis yang sama dalam ruang (A, B) tersebut. Di mana, jika himpunan titik-titik kolinear {(xi, yi)} mendefinisikan garis (A, B), maka Ay i + Bxi + 1 = 0 …………………………………………...(2.3) Persamaan ini dapat dilihat sebagai sebuah sistem dan dapat dituliskan secara sederhana dalam parameter kartesius sebagai c = − xi m + y i ……………………………………………….(2.4) Maka untuk menemukan garisnya kita harus menemukan nilai-nilai dari parameter (m, c) (atau (A, B) dalam bentuk yang homogen) yang memenuhi persamaan 2.4 (atau 2.3). Hubungan antara sebuah titik (xi, yi) dalam sebuah gambar dan garis dalam persamaan 2.1 sampai 2.4 digambarkan dalam grafik di bawah ini. y
y
(xj, yj) (A, B) (xi, yi)
x
(a)Gambar yang memuat sebuah garis
x
(b)Garis-garis dalam ruang ganda
Gambar 2.2. Ilustrasi Transformasi Hough untuk garis
12 Poros dalam ruang ganda mewakili parameter-parameter dari garis. Dalam parameter kartesius m memiliki nilai yang tak terbatas, karena garis dapat terbentuk vertikal maupun horizontal. Karena pemilihan dilakukan dalam himpunan diskrit, maka hal ini dapat mengakibatkan bias errors. Batas pemilihan dapat ditentukan dalam ruang akumulator yang melingkupi semua kemungkinan nilai. Hal ini berhubungan dengan teknik anti penggandaan dan dapat mengembangkan strategi pengumpulan informasi (Brown, 1983), (Kiryati, 1991). Perlu diperhatikan bahwa persamaan 2.4 tidak cocok untuk implementasi karena parameter-parameternya memiliki nilai tak terbatas. Untuk mengatasi ketidakterbatasan nilai c, kita menggunakan 2 himpunan (array). Saat nilai gradien m berkisar di antara -450 dan 450, maka nilai c tidak terlalu luas. Untuk nilai m di luar kisaran tersebut nilai c menjadi sangat luas. Oleh karena itu, dipertimbangkan sebuah akumulator untuk setiap kasus. Dalam kasus yang kedua, digunakan sebuah himpunan yang menyimpan nilai konstanta tersebut dengan sumbu x. Kita dapat melihat bahwa TH memberikan respon yang tepat. Namun, tidak linear dan diskritnya nilai parameter menghasilkan akumulator-akumulator yang tidak jernih. Masalah utama dalam implementasi TH dasar untuk garis adalah definisi ruang akumulator yang sesuai. Satu cara untuk mengatasi masalah penggunaan parameter kartesius untuk TH yaitu dengan mendasarkan fungsi pemetaan pada parameter alternatif. Teknik yang paling terbukti ketepatannya dikenal dengan foot-of-normal parameterisation. Teknik ini memformulasikan sebuah garis dengan menentukan
13 titik (x, y) sebagai fungsi dari sebuah sudut normal terhadap garis, melewati daerah dari gambar. Ini memberikan bentuk dari TH untuk garis yang dikenal dengan polar Hough transfom for lines (Duda, 1972). Titik di mana garis ini berpotongan dengan garis pada gambar diberikan sebagai
ρ = x cos θ + y sin θ …………………………………………(2.5) Di mana θ adalah sudut yang dibentuk oleh garis normal dengan garis pada gambar dan ρ adalah jarak antara daerah dan titik di mana garis-garis tersebut berpotongan.
x θ
y
ρ
Gambar 2.3. Penentuan polar sebuah garis
Dengan mengetahui bahwa 2 buah garis dinyatakan tegak lurus jika hasil kali dari kemiringannya adalah -1, dan mempertimbangkan bentuk bangun pada gambar di atas, maka didapatkan c=
ρ sin θ
m=
−1 ………………………………………..(2.6) tan θ
14 Dengan substitusi pada persamaan 2.1 diperoleh bentuk polar pada persamaan 2.5. Hal ini memberikan fungsi pemetaan yang berbeda dalam bentuk sinusoidal. Keuntungan dari pemetaan alternatif ini yaitu nilai dari parameterparameter θ dan ρ sekarang memiliki batas rentang yang spesifik. Rentang dari
ρ adalah 1800; nilai-nilai kemungkinan ρ tergantung pada ukuran dari gambar, karena panjang maksimal sebuah garis adalah
2 × N , di mana N adalah luas
permukaan gambar. Rentang nilai-nilainya sekarang telah ditentukan, sehingga teknik ini sekarang dapat digunakan. Himpunan akumulatornya merupakan himpunan nilai θ dari 00 sampai 1800, dan untuk ρ dari 0 sampai
N 2 + M 2 , di mana N × M adalah ukuran
gambar. Kemudian, untuk titik-titik yang bernilai lebih besar dari rentang yang telah ditentukan, sudut yang berhubungan dengan himpunan akumulator akan dievaluasi (sebagai radian dengan rentang 0 sampai π ) dan kemudian nilai dari
ρ dievaluasi dari persamaan 2.5 dan sel akumulator yang sesuai ditambahkan menurut parameter yang masih berada dalam rentang yang ditentukan. Pada gambar ditunjukkan hasil yang lebih jernih jika dibandingkan dengan parameter kartesius sebelumnya. Hal ini disebabkan karena berkurangnya efek kediskritan pada parameter polar sehingga memungkinkan implementasi polar lebih dapat dipraktekkan.
2.3.2. Transformasi Hough untuk Lingkaran
TH dapat diperluas dengan mengganti persamaan kurva pada proses pengenalan. Persamaaan kurva dapat diberikan dalam bentuk eksplisit atau
15 parametric. Dalam bentuk eksplisit, TH dapat didefinisikan dengan mengingat persamaan untuk lingkaran sebagai
(x − x0 )2 + ( y − y 0 )2 = r 2 …………………………………….(2.7) Persamaan ini mendefinisikan posisi titik-titik (x, y) memiliki pusat di daerah (x0, y0) yang berpusat pada (x, y) dengan radius r. Persamaan 2.7 dapat didefinisikan dalam bentuk parametrik sebagai berikut x = x0 + r cos θ
y = y 0 + r sin θ ………………………(2.8)
TH untuk lingkaran mampu mentoleransi gangguan-gangguan (noise). Perlu dicatat bahwa kita tidak lagi mendapati masalah pada penentuan titik awal dan akhir garis, karena lingkaran merupakan sebuah bangun tertutup. TH akan mendeteksi lingkaran selama ada lebih banyak titik-titik di dalam daerah sirkular yang dapat dipaparkan dengan parameter-parameter dari lingkaran target dibandingkan dengan lingkaran-lingkaran lainnya. Ini merupakan performa yang tepat sama dengan TH untuk garis, seperti yang diharapkan, dan juga konsisten dengan pencocokan pola.
2.4.
Gabor Wavelet
Gelombang Gabor dinyatakan sebagai
G( f ) = e
⎛ − (log ( f f 0 ))2 ⎜ ⎜ 2 ( log (σ f ))2 0 ⎝
⎞ ⎟ ⎟ ⎠
…………………………….(2.9)
Di mana f adalah frekuensi antara 0 sampai 0.5, f0 adalah frekuensi modulasi, dan
σ merupakan standar deviasi dari Gaussian.
16 Suatu pendekatan telah menyamaratakan fungsi Gabor ke dalam bentuk 2 dimensi dengan tujuan optimalisasi.
G ( x , y ) = e − π [( x − x 0 )
2
α 2 + (y − y0
)2 β 2 ]
e − 2 π [u 0 ( x − x 0 )+ v 0 ( y − y 0 )] …(2.10)
Di mana x0 dan y0 menunjukkan posisi. Secara alami, bentuk permukaan yang ditentukan oleh fungsi Gaussian 2 dimensi berupa elips jika berbagai varian digunakan sepanjang sumbu-sumbu x dan y (frekuensinya juga dapat dimodulasikan dengan berbeda sepanjang masing-masing sumbu). Fungsi transformasi gelombang adalah untuk menentukan di mana dan bagaimana masing-masing gelombang dispesifikasikan oleh rentang nilai untuk setiap parameter bebas yang terdapat pada gambar. Aplikasi-aplikasi gelombang Gabor antara lain: sistem sekuritas dengan menggunakan pengenalan iris mata dan ekstrasi bagianbagian wajah untuk pengenalan wajah otomatis. Quadrature 2D Gabor Wavelets dinyatakan sebagai:
h{Re,Im} = sgn{Re,Im} ∫ ∫ I (ρ , φ )e −iω (θ0 −φ )e −(r0 −ρ )
2
ρ φ
Di mana: •
Re(h) ≥ 0.0 ≡ 1
•
Re(h) < 0.0 ≡ 0
•
Im(h) ≥ 0.0 ≡ 1
•
Im(h) < 0.0 ≡ 0
α 2 −(θ0 −φ )2 β 2
e
ρ∂ρ∂φ (2.11)
17 2.5.
Citra 2.5.1. Definisi Citra
Citra menurut kamus bahasa Indonesia diartikan sebagai gambar atau rupa. Sehingga dalam dunia teknologi informasi, citra ini dapat diartikan sebagai gambar atau rupa hasil representasi dari suatu objek nyata dalam bentuk dua atau tiga dimensi yang dapat dimengerti oleh komputer. Definisi citra lainnya adalah suatu fungsi intensitas warna dua dimensi f ( x, y ) di mana x dan y mewakili koordinat lokasi suatu titik dan nilai dari suatu fungsi yang merupakan tingkat intensitas warna atau tingkat keabu-abuan dari titik tersebut (Robert J. Schalkoff).
2.5.2. Pengolahan Citra (Image Processing)
Pengolahan
citra
(image
processing)
merupakan
bidang
yang
berhubungan dengan proses transformasi citra (image) yang bertujuan untuk mendapatkan kualitas citra yang lebih baik (Michael J. Fairhurst). Langkahlangkah utama dalam pengolahan citra (Rafael C. Gonzales) dapat dilihat pada gambar 2.1, akan dijelaskan sebagai berikut: 1. Image acquisition merupakan langkah untuk pengambilan citra digital. Langkah ini membutuhkan sebuah sensor pencitraan di mana mengubah sinyal yang diterima menjadi suatu citra digital. Sensor pencitraan berupa kamera berwarna atau hitam putih yang menghasilkan citra setiap 1/30 detik. Jika output dari kamera atau sensor pencitraan lainnya bukan dalam bentuk digital, maka sebuah
analog-to-digital converter akan mengubahnya ke dalam bentuk digital.
18 2. Preprocessing. Fungsi utama dari preprocessing adalah memperbaiki citra dengan cara-cara tertentu di mana meningkatkan kemungkinan sukses bagi proses lainnya. Preprocessing berhubungan dengan teknik untuk memperbaiki kontras, menghilangkan noise, dan mengisolasi area yang berisi suatu informasi. 3. Segmentation membagi citra masukan menjadi bagian-bagian penting atau disebut juga objek. Pada umumnya, segmentation merupakan tugas yang sulit dari pengolahan citra digital. Jika prosedur dari segmentation ini kompleks maka akan terjadi proses yang lama untuk mencapai solusi yang sukses dari permasalahan citra. Jika prosedur dari segmentation ini lemah atau tidak konsisten maka akan menghasilkan kegagalan. Dalam istilah pengenalan pola, peranan penting dari segmentation adalah mengekstrak karakter dan kata individu dari latar belakang. 4. Representation and Description. Keluaran dari tahap segmentation biasanya merupakan data yang pikselnya masih kasar, yang merupakan baik batas dari area ataupun semua titik yang terdapat dalam area tersebut. Sehingga harus dilakukan pengubahan data menjadi bentuk yang sesuai untuk diolah komputer. Keputusan pertama yang harus dibuat apakah data dibuat sebagai batas atau area yang penuh. Representasi batas berfokus pada karakteristik eksternal sedangkan representasi area berfokus pada properti internal yang berupa tekstur atau bentuk kerangka. Memilih representasi yang digunakan merupakan bagian dari pencarian solusi untuk mentransformasi data kasar menjadi bentuk yang sesuai untuk
tahapan
pengolahan
selanjutnya.
Dan
sebuah
metode
harus
dispesifikasikan sehingga dapat mendeskripsikan data. Description, atau disebut
19 juga sebagai pemilihan feature, berhubungan dengan mengekstrak feature yang merupakan dasar dalam membedakan satu kelas dengan kelas yang lainnya. 5. Tahap terakhir yaitu recognition dan interpretation. Recognition merupakan proses yang memberikan “label” terhadap suatu objek berdasarkan informasi yang disediakan oleh deskriptornya. Sebagai contoh, untuk mendefinisi sebuah karakter, misalnya ‘c’, membutuhkan deskriptor yang berhubungan yaitu karakter dengan label ‘c’. Interpretation melibatkan pemberian arti kepada sekumpulan objek yang dikenali. Sebagai contoh, string yang terdiri dari lima karakter angka merupakan lambang dari kode pos. Intermediate-level processing Segmentat ion
Representat ion and description
Preprocess ing Knowledge base
Recognitio n and interpretati on
Image aquisition Low-level processing
High-level processing
Gambar 2.4. Langkah-langkah utama pengolahan citra
20 2.6.
Pengenalan Pola (Pattern Recognition)
Pengenalan pola merupakan bidang studi yang melakukan proses analisis gambar yang masukannya adalah citra digital dan menghasilkan keluaran berupa suatu deskripsi dengan tujuan untuk mendapatkan informasi yang disampaikan oleh citra digital tersebut, dengan kata lain meniru kemampuan otak manusia dalam mengenali suatu objek atau pola tertentu (Computer Vision, Michael G. Farnhurst).
2.7.
Rekayasa Piranti Lunak
Piranti lunak menurut Pressman dapat didefinisikan sebagai berikut: 1. Instruksi-instruksi atau program komputer yang bila dieksekusi akan memberikan fungsi dan unjuk kerja yang diinginkan. 2. Struktur data yang mampu memanipulasi suatu informasi. 3. Dokumen-dokumen yang menjelaskan operasi dan pemakaian suatu propaganda. RPL menurut Pressman adalah suatu pembentukan dan penggunaan prinsipprinsip rekayasa dengan tujuan menghasilkan suatu perangkat lunak yang ekonomis dan dapat diandalkan serta dapat bekerja secara efisien pada mesin yang sesungguhnya. Pada dasarnya RPL meliputi tiga elemen kunci yaitu: 1. Method (metode) Mengenai bagaimana membangun suatu perangkat lunak, di mana metode terdiri dari beberapa tugas yaitu perencanaan proyek dan estimasi, analisis kebutuhan perangkat lunak, perancangan struktur data, arsitektur program, prosedur algoritma, pengkodean, testing dan pemeliharaan. 2. Tools
21
Tools menyediakan dukungan baik secara otomatis maupun semi otomatis untuk metode. Tools diintegrasikan dengan tujuan informasi yang dihasilkan oleh suatu
tool dapat digunakan oleh tools lainnya. 3. Procedure
Procedure merupakan perekat antara metode. Tools dan procedure juga memungkinkan pembangunan perangkat lunak secara rasional dan berkala. RPL tersusun oleh beberapa langkah yang meliputi metode, tools dan procedure di mana langkah-langkah ini dikenal dengan sebutan Software Engineering Paradigm. Terdapat beberapa model paradigma yang berbeda, dan paradigma yang digunakan ditentukan berdasarkan pada sifat dari program dan aplikasi, metode, dan tools yang digunakan, juga berdasarkan kontrol dan kemampuan pengiriman yang dibutuhkan.
System Development Life Cycle (SDLC) adalah tahapan operasi terstruktur yang dibutuhkan untuk menyusun, membangun, dan membuat beroperasinya sebuah sistem informasi baru (Szymanski et al). SDLC dapat dipecah menjadi 4 tahap utama, yaitu analisis, disain, implementasi, dan perawatan. Contoh dari penerapan SDLC adalah model air terjun (the Waterfall model) atau siklus hidup klasik (Classic Life Cycle). Metode RPL ini memberikan secara teknik bagaimana membangun sebuah perangkat lunak. 1. Analisis dan perancangan sistem Tahap ini meliputi pengumpulan kebutuhan pada tingkat sistem dengan sedikit analisis dan perancangan di tingkat atas. 2. Analisis kebutuhan perangkat lunak Proses pengumpulan elemen sistem ditingkatkan dan dipusatkan secara khusus pada perangkat lunak untuk mengerti karakteristik dari program yang
22 akan dibuat. Kebutuhan bagi perangkat lunak maupun sistem harus dibicarakan bersama dengan pelanggan. 3. Perancangan Proses perancangan menterjemahkan kebutuhan elemen sistem yang direpresentasikan ke dalam sebuah perangkat lunak yang dapat diperkirakan kualitasnya sebelum dilakukan pengkodean. 4. Pengkodean Pada tahap ini rancangan diterjemahkan ke dalam bentuk yang dimengerti oleh mesin. 5. Pengujian Pengujian dilakukan untuk memastikan apakah masukan yang diberikan akan menghasilkan keluaran yang diinginkan. 6. Operasi dan Pemeliharaan Perangkat lunak yang telah dihasilkan secara tidak langsung akan mengalami perbaikan. Dengan adanya pemeliharaan perangkat lunak, perubahan yang terjadi akan lebih mudah dilakukan dibandingkan harus membuat program yang baru. Daur hidup klasik memberikan tempat yang penting pada RPL. Paradigma ini menyediakan suatu tempat yang jelas bagi tahap analisis, perancangan, pengkodean, pengujian, dan perawatan. The Waterfall Model dapat dilihat pada gambar 2.5.
23 Rekayasa Sistem Analisis Perancangan Pengkodean Pengujian Operasi dan Pemeliharaan
Gambar 2.5. The Waterfall Model (Pressman)
2.8.
Activity Diagram
Sebuah activity diagram memperlihatkan sebuah sistem yang dinamis dengan cara menggambarkan alur kontrol dari aktivitas ke aktivitas. Sebuah aktivitas menggambarkan sebuah operasi dalam kelas yang ada di sistem di mana hasilnya adalah sebuah perubahan status dari sebuah sistem. Tujuan dari pembuatan activiy diagram adalah: 1. Untuk menggambarkan tingkah laku dengan struktur kontrol. 2. Dapat memperlihatkan kegunaan dari objek-objek. 3. Mendorong tingkah laku yang berjalan bersamaan. Notasi dari activity diagram dapat dilihat sebagai berikut: •
Status aksi Status aksi menunjukkan objek suatu aksi yang tidak bias diganggu. Status aksi dapat digambarkan dengan segiempat yang keempat sisinya melingkar. Activity
24 •
Alur aksi Panah dari alur aksi menunjukkan hubungan antara status aksi. Activity
•
Activity
Alur objek Alur objek menunjuk ke pembuatan dan perubahan sebuah objek oleh aktivitas. Sebuah panah alur objek mengartikan sebuah aksi membuat atau mempengaruhi sebuah objek. Panah alur objek dari sebuah objek ke sebuah aksi menggambarkan status aksi menggunakan objek. Activity
•
Object name : Class :
Status awal Sebuah lingkaran yang isinya berwarna hitam dan diikuti oleh sebuah panah menggambarkan status awal dari aksi.
25 •
Status akhir Sebuah panah yang diarahkan ke sebuah lingkaran yang di dalamnya terdapat lingkaran, 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”. Activity
[condition] Activity [condition] Activity
