No title

BAB II LANDASAN TEORI

2.1

Pengolahan Citra (Image Processing) Pengolahan citra atau Image Processing adalah suatu sistem dimana proses

dilakukan dengan masukan (input) berupa citra (image) dan hasilnya (output) juga berupa citra (image). Pada awalnya pengolahan citra ini dilakukan untuk memperbaiki kualitas citra, namun dengan berkembangnya dunia komputasi yang ditandai dengan semakin meningkatnya kapasitas dan kecepatan proses komputer, serta munculnya ilmu ilmu komputer yang memungkinkan manusia dapat mengambil informasi dari suatu citra maka image processing tidak dapat dilepaskan dengan bidang computer vision. (Gonzalez et al. 2012) 2.1.1

Sejarah Pengolahan Citra Data atau informasi tidak hanya disajikan dalam bentuk teks, tapi juga

dapat berupa citra, audio (bunyi, suara, musik) dan video. Keempat macam data atau informasi ini sering disebut multimedia. Citra (image) istilah lain untuk citra sebagai satu komponen multimedia memegang peranan penting sehingga bentuk informasi visual. Citra mempunyai karakteristik yang tidak dimiliki oleh data teks, yaitu citra kaya dengan informasi. Ada sebuah peribahasa yang berbunyi “sebuah citra akan lebih bermakna dari seribu kata” (a picture is more than a thousand words). Maksudnya tentu sebuah citra dapat memberikan informasi yang lebih banyak dari pada informasi tersebut disajikan dalam bentuk kata-kata (tekstual). (Soi 2014) Minat pada bidang pengolahan citra secara digital (digital image processing) tercatat dimulai pada awal tahun 1921, pada waktu itu sebuah foto untuk pertama kalinya berhasil ditransmisikan secara digital melalui kabel laut dari kota New York ke kota London (Bartlane Cable Picture Trasmision System). Keuntungan utama yang dirasakan pada waktu itu adalah pengurangan waktu pengiriman foto dari sekitar satu minggu menjadi kurang dari 3 jam. Foto tersebut dikirim dalam bentuk kode digital, selanjutnya diubah kembali oleh suatu printer telegraph pada sisi penerima. Masalah yang muncul pada saat itu berkisar

19 http://digilib.mercubuana.ac.id/

pada teknik transmisi data secara digital serta teknik reproduksi pada sisi penerima untuk mendapatkan satu resolusi citra yang baik. Walaupun minat dalam bidang ini telah dimulai sejak tahun 1921, tetapi perkembanganya secara pesat baru tercatat pada sekitar tahun 1960. Pada saat itu teknologi komputer telah dianggap memenuhi suatu kecepatan proses serta kapasitas memori yang dibutuhkan oleh berbagai algoritma pengolahan citra. Sejak itulah berbagai jenis aplikasi mulai dikembangkan, yang secara umum dapat dikelompokan dalam dua jenis kegiatan yaitu: 1.

Memperbaiki

kualitas

suatu

citra

sehingga

dapat

lebih

mudah

diinterpretasikan oleh mata manusia. 2.

Mengolah informasi yang terdapat pada suatu citra untuk keperluan pengenalan objek secara otomatis oleh suatu mesin. Bidang aplikasi sangat erat hubungannya dengan ilmu pengenalan pola (pettern recognition) yang umumnya bertujuan untuk mengenali suatu objek dengan cara mengekstraksi informasi penting dalam suatu citra.

Contoh aplikasi bidang ini di berbagai disiplin ilmu yaitu: 1.

Dalam bidang kedokteran Sistem untuk mendeteksi diagnosa suatu kelainan dalam tubuh manusia melalui citra yang dihasilkan oleh suatu citra scanner.

2.

Dalam bidang industri Suatu sistem untuk memeriksa kualitas suatu produk melalui kamera video.

3.

Dalam bidang perdagangan Sistem untuk mengenal huruf / angka pada suatu formulir secara automatis oleh suatu mesin pembaca

4.

Dalam bidang militer Sistem pengenalan target peluru kendali melalui sensor visual

5.

Dalam bidang biologi Sistem pengenalan jenis kromosom melalui citra mikroskop


Keikutsertaan berbagai disiplin ilmu dalam kegiatan pengolahan citra dimulai dari pembentukan model matematik suatu objek sampai dengan teknik analisis dan teknik klasifikasi berbagai jenis objek. Istilah citra atau image yang pada umumnya digunakan dalam bidang pengolahan citra diartikan sebagai suatu fungsi kontinu dari intensitas cahaya f(x,y) dalam bidang dua dimensi dengan (x,y) menyatukan suatu koordinat dangan nilai f pada setiap titik menyatukan intensitas atau tingkatan kecerahan atau derajat keabuan (brightness/gray level). Suatu citra digital adalah suatu citra kontinyu yang diubah kedalam bentuk diskrit, baik koordinat maupun intensitas cahayanya. Kita dapat menganggap suatu citra digital sebagai suatu matriks, dimana indeks baris dan kolomnya menyatakan koordinat sebuah titik pada citra tersebut dan nilai masing-masing elemennya menyatakan intensitas cahaya pada titik tersebut. Suatu titik pada sebuah citra digital sering disebut sebagai elemen citra (image-elemen), elemen gambar (picture-elemen), piksel (pixel / pel). Pengolahan citra adalah pemrosesan citra, khususnya dengan menggunakan komputer menjadi citra yang kualitasnya lebih baik. 2.1.2

Tujuan Pengolahan Citra Kebutuhan akan ilmu pengetahuan semakin meningkat, demikian juga

halnya dengan alat-alat yang diperlukan untuk kebutuhan analisisnya. Seperti kebutuhan dalam bidang kedokteran, pengindraan bumi jarak jauh, fotografi, meteorology dan geofisika dan lain-lain. Bidang tersebut membutuhkan alat/kamera yang bisa digunakan untuk merekam keadaan yang diperlukan untuk kebutuhan analisis sehingga memungkinkan peneliti mendapatkan informasi yang diperlukan. Output alat-alat ini biasanya berupa citra dan citra inilah yang nantinya akan dianalisis untuk mendapatkan informasi yang berguna. Namun sayangnya, kebanyakan citra belum sesuai dengan hasil yang diharapkan. Hal ini dapat terjadi karena beberapa kemungkinan, misalnya adanya noise, adanya kabut yang menghalangi objek yang sedang di-capture, lensa kamera kotor dan lain-lain. Oleh karena itu, maka proses pengolahan citra sangat diperlukan. Disiplin ilmu yang melahirkan teknik-teknik untuk mengolah citra


dinamakan pengolahan citra digital (Digital Image Processing).(Mulyawan & Samsono 2010) 2.1.3

Manfaat Pengolahan Citra Manfaat pengolahan citra terdapat dalam berbagai bidang tertentu yang

dapat dijelaskan sebagai berikut. 1.

Pengolahan Citra Digital dalam dunia komunikasi Dapat digunakan untuk dapat memperjelas foto permukaan bumi yang dihasilkan dari satelit cuaca atau memperjelas foto planet yang dihasilkan satelit penyelidik. Foto-foto tersebut pada umunya hampir tidak dapat dilihat karena pada saat foto tersebut dikirim ke stasiun bumi melalui gelombang terjadi banyak gangguan di perjalanan. Gangguan ini disebabkan oleh gelombang lain, misalnya gelombang radio, televisi dan lain-lain yang bercampur dengan gelombang data tersebut sehingga menyebabnya terjadinya noise (gangguan). Selain itu pengolahan citra juga bermanfaat untuk proses transmisi data.

2.

Pengolahan Citra Digital dalam dunia Fotografi Dalam dunia fotografi pengolahan citra digunakan sebagai pengganti kamera filter. Filter kamera digunakan untuk membuat film hitam putih, memberi efek berkabut, dan memberi cahaya pada bagian tertentu pada foto dan berbagai fungsi yang dapat memberikan manfaat yang penting bagi dunia fotografi.

3.

Pengolahan Citra Digital dalam dunia Kedokteran Dalam dunia kedokteran pengolahan citra digunakan untuk memperjelas foto hasil Xray organ tubuh manusia, pengolahan hasil CT- scan dan lainnya yang bertujuan untuk memberikan kemudahan untuk mendeteksi gangguan dan penyakit manusia.

4.

Pengolahan Citra Digital dalam dunia Film Pengolahan citra

dapat

dimanfaatkan untuk menghaluskan

citra,

menajamkan citra, memberi efek terang dan gelap. Memberi kesan timbul, memberi efek morphing dan lain-lain. 5.

Pengolahan Citra Digital dalam Keamanan Data dan proteksi Hak Cipta


Seringkali data yang dikirim dari suatu tempat ke tempat lain merupakan data rahasia sehingga keamanannya perlu dijamin. Teknik keamanan data dan proteksi hak cipta yang biasanya digunakan adalah Steganografi dan Watermarking. 6.

Pengolahan Citra Digital dalam Pengenalan Pola Pengolahan citra yang termasuk dalam bidang ini adalah jaringan saraf tiruan seperti pengenalan pola huruf, pola wajah, pola sidik jari, pola iris mata, dan sebagainya.

Adapun teknik pengolaan citra meliputi (Soi 2014): 1.

Image Enhancement (Peningkatan Citra) Adalah meningkatkan nalar citra dengan memodifikasi perbedaan kecerahan antara citra dan latar belakang dan memodifikasi karakteristik lainnya.

Gambar 2.1 gambar dan histogram yang belum diperbaiki (Soi 2014)

Gambar 2.2 gambar dan histogram yang sudah diperbaiki (Soi 2014)


2.

Noise Removal (pembersihan noise) Citra digital rentan terhadap noise yang cenderung mengubah intensitas sebenarnya dari nilai-nilai pixel pada citra. Dengan bantuan menggunakan filter dalam skema pengolahan citra. noise ini dapat dihilangkan dengan bantuan filter median.

Gambar 2.3 gambar dengan noise (Soi 2014)

3.

Gambar 2.4 noise sudah dihilangkan (Soi 2014)

Image Restoration (Restorasi Citra) Restorasi citra adalah teknik membuat modifikasi kecil pada citra. Penerapan restorasi citra berkisar dari penghapusan objek pada scene untuk memperbaiki citra yang rusak.

Gambar 2.5 sebelum di restorasi (Soi 2014)

4.

Gambar 2.6 setelah di restorasi(Soi 2014)

Edge Detection (deteksi tepi) Deteksi tepi mengidentifikasi batas-batas objek dalam citra. Ia bekerja dengan mendeteksi diskontinuitas dalam tingkat kecerahan dalam citra. teknik deteksi tepi digunakan untuk segmentasi citra dan ekstraksi data di berbagai bidang seperti computer vision.


Algoritma yang digunakan untuk deteksi tepi adalah algoritma Canny Edge Detection.

Gambar 2.7 gambar normal (Soi 2014)

5.

Gambar 2.8 setelah di beri edge detection (Soi 2014)

Image Compression (Kompresi Citra) Kompresi citra adalah teknik mengurangi atau penghapusan informasi yang berlebihan atau tidak relevan dari citra. Ini adalah salah satu teknik yang paling penting yang digunakan pengolahan citra.

Gambar 2.9 dengan ukuran asli 852Kb (Soi 2014)


Gambar 2.10 dengan ukuran yang sudah di kompresi 67,2Kb (Soi 2014)

2.2

Citra Digital Citra atau image adalah angka, dari segi estetika, citra adalah kumpulan

warna yang bisa terlihat indah, memiliki pola, berbentuk abstrak dan lain sebagainya. Citra dapat berupa foto udara, penampang lintang (cross section) dari suatu benda, citra wajah, hasil tomografi otak dan lain sebagainya. Dari segi ilmiah, citra adalah gambar 3-dimensi (3D) dari suatu fungsi, biasanya intensitas warna sebagai fungsi spatial x dan y. Di komputer, warna dapat dinyatakan, misalnya sebagai angka dalam bentuk skala RGB. Karena citra adalah angka, maka citra dapat diproses secara digital. (Gonzalez et al. 2012) 2.3

Model Citra Oleh karena citra merupakan matrik dua dimensi dari fungsi intensitas

cahaya, maka referensi citra menggunakan dua variabel yang menunjuk posisi pada bidang dengan sebuah fungsi intensitas cahaya yang dapat dituliskan sebagai f(x,y) dimana f adalah nilai amplitudo pada koordinat spasial (x,y). Karena cahaya merupakan salah satu bentuk energi, f(x,y) tidak berharga nol atau negatif dan merupakan bilangan berhingga, yang dalam pernyataan matematis adalah sebagai berikut, 0 < f(x.y) (Akram et al. 2010)


2.3.1

RGB Untuk citra berwarna maka digunakan model RGB (Red-Green-Blue), satu

citra berwarna dinyatakan sebagai 3 buah matrik greyscale yang berupa matrik untuk Red (R-layer), matrik Green (G-layer) dan matrik untuk Blue (B-layer).Rlayer adalah matrik yang menyatakan derajat kecerahan untuk warna merah (misalkan untuk skala keabuan 0-255, nilai 0 menyatakan gelap (hitam) dan 255 menyatakan merah. G-layer adalah matrik yang menyatakan derajat kecerahan untuk warna hijau, dan B-layer adalah matrik yang menyatakan derajat kecerahan untuk warna biru. Dari definisi tersebut, untuk menyajikan warna tertentu dapat dengan mudah dilakukan, yaitu dengan mencampurkan ketiga warna dasar RGB (Mulyawan & Samsono 2010)

Gambar 2.11 Komposisi Warna RGB 2.3.2

(Soi 2014)

Greyscale

Proses awal yang banyak dilakukan dalam image processing adalah mengubah citra berwarna menjadi citra greyscale, hal ini digunakan untuk menyederhanakan model citra. Seperti dijelaskan didepan, citra berwarna terdiri 3 layer matrik yaitu R-layer, G-layer, B-layer. Sehingga untuk melakukan proses selanjutnya tetap diperhatikan 3 layer diatas. (Mulyawan & Samsono 2010) 2.4

Median Filter Yang paling dikenal order-statistik filter adalah filter median, yang

menggantikan nilai pixel dengan median dari grey level di lingkungan pixel. Filter median cukup populer karena, untuk beberapa jenis noise acak mereka memberikan kemampuan untuk mengurangi noise dengan sangat baik, dengan lebih sedikit kabur dari filter smoothing linear dengan ukuran yang sama (Gupta 2011).


2.4.1

Standard Median Filter Standard median filter adalah simple rank selection filter juga disebut

sebagai median smoother, diperkenalkan oleh Turki pada tahun 1971. Meskipun filter median sederhana dan memberikan kinerja penghapusan noise yang wajar, tetapi dapat menghilangkan garis tipis dan rincian citra buram bahkan pada kepadatan noise yang rendah. Filltered image S = {S (i, j)} dari SMF dapat didefinisikan dengan persamaan berikut (Varade et al. 2013) : S(i,j) = Median(k,l) ϵ Wm,n{D(i+k, j+l)}.............................. (1) Dimana Wm,n adalah sliding window dari ukuran m  n pixels yang berpusat pada (i, j). Nilai median dihitung dengan menggunakan persamaan (1) dengan ns = m  n. Meskipun SMF dapat secara signifikan mengurangi tingkat corrupt pada pixel dengan impulse noise, nilai intensitas uncorrupted pixel juga diubah oleh SMF. Situasi yang tidak diinginkan ini terjadi karena SMF tidak membedakan antara uncorrupted pixel dari corrupt pixel. Selanjutnya, SMF membutuhkan ukuran filter besar untuk tingkat corrupt yang tinggi. Namun, filter besar SMF akan memperkenalkan distorsi yang signifikan ke dalam citra. Perlu dicatat bahwa persamaan (1) biasanya menggunakan algoritma sorting seperti quick-sort atau bubble-sort untuk mengatur sampel dalam meningkatkan atau menurunkan susunan. Meskipun algoritma sorting dapat dengan mudah diimplementasikan, memilah prosedur membutuhkan waktu komputasi yang lama ketika Wm, n adalah filter besar karena jumlah sampel (i.e. ns = mn) besar. Dengan demikian, untuk menghindari menggunakan algoritma sorting langsung, penggunaan histogram lokal telah diusulkan untuk perhitungan nilai median. Waktu yang diperlukan untuk membentuk histogram lokal dapat dikurangi dengan menggunakan metode yang diusulkan oleh Huang et al. (Mehta 2014), di mana bukan memperbarui m, n sampel, tetapi hanya 2 m sampel perlu diperbarui di setiap sliding-iterasi. (Varade et al. 2013)


2.4.2

Weighted Median Filter (WMF) Adalah salah satu cabang dari filter median (WMF). Ini pertama kali

diperkenalkan oleh Justusson pada tahun 1981, dan dijabarkan lebih lanjut oleh Brownrigg. Operasi yang terlibat dalam WMF mirip dengan SMF, kecuali bahwa WMF telah dikaitkan berat dengan masing-masing elemen filter nya. bobot tersebut sesuai dengan jumlah duplikasi sampel untuk perhitungan nilai median. Filtered image S = {S (i, j)} dari WMV dapat didefinisikan dengan persamaan berikut (Garg et al. 2014) : S(i,j) = Median(k,l) ϵ Wm,n {Wm,n(k,l) D(i+k, j+l)}..................... (2) Nilai median dihitung menggunakan persamaan (1) dengan ns sama dengan total Wm, n (k, l). Biasanya, filter weight Wm, nis mengatur sedemikian rupa sehingga akan menurun ketika terletak jauh dari pusat filtering window. Dengan demikian, diharapkan bahwa filter akan memberikan lebih menekankan pada pixel pusat, dan dengan demikian meningkatkan kemampuan pengurangan noise tetap menjaga detail citra (Sun et al. 1994). Namun, kesuksesan weighted median filter dalam melestarikan detail citra sangat tergantung pada koefisien bobot, dan sifat dari citra masukan itu sendiri. Sayangnya, dalam situasi praktis, sulit untuk menemukan koefisien bobot cocok untuk filter ini, dan filter ini membutuhkan waktu komputasi yang tinggi ketika bobot besar (Arce & Paredes 2000). 2.4.3

Directional Median Filter Directional median filter, atau juga dikenal sebagai stick median filter,

bekerja dengan memisahkan nya filter 2-D menjadi beberapa komponen filter 1-D Setiap komponen filter atau stick, disajikan sebagai garis lurus, sesuai dengan arah atau angle tertentu. Untuk ukuran piksel m n, ada m + n-2 stick yang akan digunakan. nilai median dihitung dari filter 1-D ini kemudian dikombinasikan untuk mendapatkan hasil akhir.(Benzarti & Amiri 2013), intensitas output didefinisikan sebagai :


S(i,j) =max{Median(k,l) ϵ W ϴ {D(i+k, j+l)}}…….....................(3) Dimana W adalah stick. Di sini, intensitas output didefinisikan sebagai nilai median terbesar ditentukan di setiap lokasi. (Garg et al. 2014) 2.4.4

Iterative Median Filter Metode iteratif membutuhkan prosedur yang sama harus diulang beberapa

kali. Secara umum, iterative median filter dengan iterasi ni, ni -1 membutuhkan citra sementara. Iterasi prosedur memungkinkan proses penyaringan median menggunakan ukuran filter yang lebih kecil dan mengurangi waktu komputasi, sambil mempertahankan fitur lokal atau tepi citra. Jumlah iterasi ni dapat diatur oleh pengguna, atau proses iterasi berhenti ketika output citra berkumpul (yaitu output citra saat ini adalah sama dengan output citra sebelumnya). Dalam praktis, jumlah iterasi yang dibutuhkan tergantung dengan tingkat corrupt dan juga sifat dari citra input itu sendiri (Shrestha 2014). 2.4.5

Recursive Median Filter Rekursif median (RM) filter merupakan modifikasi dari filter SM

didefinisikan dalam (1). RM filtering dapat mengekstrak akar sinyal yang lebih baik daripada SM filtering, dan alternatif yang berguna untuk penyaringan SM dalam beberapa aplikasi. Secara umum, filter RM diimplementasikan dengan memodifikasi algoritma penyaringan SM dan, sebagai akibatnya, pelaksanaan filter RM adalah komputasi dan struktural lebih kompleks daripada filter SM (Shrestha 2014). 2.4.6

Adaptive Median Filter Adaptive Median Filter dirancang untuk menghilangkan masalah yang

dihadapi dengan standard median filter. Perbedaan mendasar antara dua filter adalah bahwa, dalam Adaptive Median Filter, ukuran window sekitarnya setiap pixel adalah variabel. Variasi ini tergantung pada median dari piksel di jendela ini.


Jika nilai rata-rata adalah dorongan, maka ukuran window diperluas. Jika tidak, pengolahan lebih lanjut dilakukan pada bagian dari citra dalam spesifikasi window saat. "Pengolahan" citra pada dasarnya memerlukan berikut: piksel tengah window dievaluasi untuk memverifikasi apakah itu impuls atau tidak. (Juneja & Mohana 2009). Jika itu adalah dorongan, maka nilai baru pada piksel di dalam filtered image akan menjadi nilai median dari piksel dalam window itu. Namun, jika piksel pusat tidak mendorong, maka nilai piksel pusat dipertahankan pada filtered image. Kecuali piksel yang dipertimbangkan adalah dorongan maka nilai skala abu-abu dari piksel dalam citra fitur adalah sama dengan citra input. Dengan demikian,

Adaptive

Median

Filter

memecahkan

tujuan

ganda

dengan

menghilangkan noise dari citra dan mengurangi distorsi pada citra. Adaptive Median Filtering dapat menangani operasi penyaringan citra rusak dengan dorongan noise probabilitas yang lebih besar dari 0,2. Filter ini juga menghaluskan jenis lain dari noise, dengan demikian, memberikan output citra yang jauh lebih baik dari standard median filter (Gonzalez et al. 2012). 2.4.7

Switching Median Filter Saat ini, salah satu pendekatan median filtering populer adalah switching

median filter, atau juga dikenal sebagai decision based median filter (R.Pushpavalli & G.Sivarajde 2013). Switching median filter mencoba untuk meminimalkan perubahan yang tidak diinginkan uncorrupted piksel oleh filter. Oleh karena itu, untuk mengatasi masalah ini, beralih cek filter median setiap piksel masukan apakah telah rusak oleh impulse noise atau tidak. Maka perubahan hanya intensitas calon noise piksel, sementara meninggalkan piksel lainnya tidak berubah. Biasanya, beralih filter median dibangun dari dua tahap. Tahap pertama adalah untuk mendeteksi noise, sedangkan tahap kedua adalah untuk pembatalan noise. Output dari tahap deteksi noise adalah noise mask M. Prosedur deteksi noise yang digunakan oleh peneliti biasanya tergantung pada model noise digunakan. Untuk tetap bernilai impulse noise (yaitu salt-andpepper noise), sebagian besar deteksi noise dilakukan dengan thresholding nilai-


nilai intensitas citra yang rusak. Metode deteksi noise populer lainnya termasuk dengan memeriksa perbedaan antara intensitas pixel saat ini dengan sekitarnya, memeriksa perbedaan citra yang rusak dengan versi median filter, atau dengan menerapkan beberapa filter khusus. Berikutnya, mask M akan digunakan dalam tahap pembatalan noise, di mana hanya piksel dengan M = 1 diproses oleh filter median. Untuk perhitungan median, hanya "bebas noise" piksel (yaitu piksel dengan M = 0) yang diambil sebagai sampel. 2.5.

Java Bahasa pemrograman Java, yang dikembangkan di Sun Microsystem di

bawah bimbingan tokoh-tokoh Net James Gosling dan Bill Joy, dirancang untuk menjadi bahasa pemrograman mesin-independen yang bersifat cukup aman untuk melintasi jaringan dan cukup kuat untuk menggantikan kode dieksekusi asli. Java memainkan peran utama dalam pertumbuhan internet, yang mengarah ke mana kita hari ini. Awalnya, sebagian besar antusiasme untuk Java berpusat pada kemampuan untuk membangun aplikasi embedded untuk web disebut applet. Tapi di awal hari, applet dan aplikasi GUI client-side lain yang ditulis di Java yang terbatas. Hari ini, Java memiliki swing, salah satu toolkit yang paling canggih untuk membangun graphical user interfaces (GUI) dalam bahasa apapun. Perkembangan ini telah memungkinkan Java untuk menjadi platform populer untuk mengembangkan perangkat lunak aplikasi client-side tradisional (Knudsen & Niemeyer 2013). 2.5.1 Kelebihan Java Kelebihan Java adalah sebagai berikut (Knudsen & Niemeyer 2013) : 1.

Growing Up (tumbuh) Bahkan sebelum rilis resmi pertama ketika Java masih nonproduct, hampir setiap pemain industri utama telah melompat ke Java.

2.

A Virtual Machine (virtual mesin) Java merupakan sebuah dikompilasi dan penerjemah bahasa, Java dikompilasi ke dalam format-petunjuk universal untuk mesin virtual.

3.

Java compared with other language (Java cocok dengan bahasa lain)


Java mengacu pada pengalaman bertahun-tahun pemrograman dengan bahasa lain dalam pilihan fitur. Perlu mengambil waktu untuk membandingkan Java pada tingkat tinggi dengan beberapa bahasa lain 4.

Safety of Design (aman untuk desain) Fitur keamanan yang menarik perhatian yang besar untuk Java adalah fitur-fitur yang membuat jenis baru mungkin software dinamis portabel.

5.

Simplify (menyederhanakan) Dengan Java, kesederhanaan aturan, mampu menghindari fitur yang terbukti membuat berantakan atau kontroversial dalam bahasa lain.

2.5.2 Script java Contoh dari script java adalah sebagi berikut : public class HelloJava { public static void main( String[] args ) { System.out.println("Hello, Java!"); }}

2.6

Diagram Alir (flowchart) Diagram alir (flowchart) adalah bagan (chart) yang menunjukkan alir

(flow) di dalam program atau prosedur sistem secara logika (Jogiyanto.2005). Berikut adalah daftar simbol pada flowchart. Lihat tabel 2.1. Tabel 2.1 Simbol Flowchart Simbol

Keterangan

Terminator Digunakan

untuk

menggambarkan

kegiatan awal atau akhir suatu proses.

Input atau Output Digunakan untuk menggambarkan suatu kegiatan masukan maupun keluaran.


Simbol

Keterangan Decision Digunakan untuk suatu keputusan atau tindakan yang harus diambil pada kondisi tertentu.

Process Digunakan untuk menggambarkan suatu kegiatan proses penghubung.

Predefined Process Digunakan untuk modul yang tidak ditulis karena sudah ada dalam sistem yang menggambarkan suatu proses.

On-PageReference Digunakan untuk menghubungkan satu simbol dengan simbol lainnya pada halaman yang sama.

Off-Page Reference Digunakan untuk menghubungkan satu simbol dengan simbol lainnya pada halaman yang berbeda.

Line Connector Digunakan untuk menghubungkan satu simbol dengan simbol lainnya yang menyatakan alur proses.


No title

Recommend Documents