BAB 2

LANDASAN TEORI

2.1 Teori Dasar Citra Digital

2.1.1 Pengertian Citra Digital secara Matematis

Suatu citra yang merupakan matriks dua dimensi terdiri dari sekumpulan

elemen-elemen citra yang disebut piksel. Kumpulan piksel yang jumlahnya N<∞

dinyatakan dengan notasi S, dan tiap piksel diberi indeks i. Setiap piksel i memiliki

intensitas atau derajat keabuan θi. dimana derajat keabuan ini mendefinisikan state piksel

i. Dengan demikian, citra asli dapat ditulis dengan notasi Ө = θi : I ε S, dan citra

dengan noise adalah X = xi : I ε S .

2.1.2 Pengertian Gambar Digital secara stokastik

Menurut Murthy, Janani dan Priya (p4,2006), Secara stokastik, citra digital

dapat dianggap sebagai sekumpulan variabel acak θi : i ε S2. Sebagai contoh, N

Piksels dilukis dengan tingkat keabuan,0,1,….,Q-1. Tingkat keabuan 0

melambangkan hitam dan tingkat keabuan Q-1 adalah putih. Setiap piksel memiliki Q

tingkat keabuan. Sekumpulan citra digital dalam satu kelompok, yang dinotasikan

sebagai Ω, disebut sebagai state space, Di mana dalam hal ini, θ (citra yang direstorasi),

dan X (citra tergradasi) . Dengan kata lain dapat dikatakan juga bahwa Ω = Qn.

Secara stokastik suatu citra terdegradasi XXi : i ε S memiliki 2 komponen

yakni:

- Komponen sistematis, dalam hal ini piksel yang tidak terdegradasi, dan

8

- Komponen stokastik yang terdegradasi oleh noise.

2.2 Degradasi Citra Digital

Citra yang tertangkap oleh alat-alat optik seperti mata, kamera, dan sebagainya

sebenarnya merupakan citra yang sudah mengalami degradasi. Gambar 2.1

memperlihatkan model degradasi yang dalam hal ini jika f(x, y) adalah citra asli dan g(x,

y) adalah citra terdegradasi, maka g(x, y) adalah perkalian f(x, y) dengan operator

distorsi H ditambah dengan noise aditif n(x, y):

g(x, y) = Hf(x, y) + n(x, y) (2.1)

Gambar 2.1 Model Degradasi

Noise n(x, y) adalah sinyal aditif yang timbul selama akuisisi citra sehingga

menyebabkan citra menjadi rusak (mengalami degradasi). (Catatan: Citra f(x, y)

sebenarnya tidak ada; citra f(x, y) adalah citra yang diperoleh dari akuisisi citra pada

kondisi sempurna). Perhatikan bahwa model ini mengasumsikan bahwa degradasi

invarian secara spasial sehingga dapat dipandang sebagai penapis lanjar (linier) dan

sinyal aditif . Secara ringkas, persamaan (1) dapat ditulis sebagai bentuk matriks-vektor

G = H f + n.

9

22 2/)(

21)( σμ

σπ−−= zezp

2.3 Noise

Sumber utama terjadinya noise di gambar digital timbul selama pengambilan

gambar atau transmisi. Kinerja sensor gambar dipengaruhi oleh beberapa faktor, seperti

kondisi lingkungan selama akuisisi gambar, dan kualitas elemen sensornya sendiri.

Sebagai contoh, dalam pengambilan gambar dengan kamera CCD, tingkat cahaya dan

temperatur sensor merupakan faktor utama yang mempengaruhi jumlah noise yang

timbul dalam hasil gambar. Gambar dapat menjadi rusak selama transmisi karena

gangguan dalam sambungan yang digunakan untuk transmisi. Sebagai contoh, sebuah

gambar yang ditransmisikan dengan sambungan wireless bisa rusak karena petir atau

gangguan atmosfer lainnya.

2.3.1 Jenis – jenis Noise

Sifat-sifat noise ditunjukkan oleh parameter-parameter yang mendefinisikan

karakteristik spasial dari noise, dan apakah kemunculan noise berkaitan dengan citra

atau tidak. Dalam hal ini, diasumsikan bahwa noise bersifat “tidak tergantung” pada

koordinat spasial, dan tidak ada korelasi antara nilai piksel dengan nilai komponen

noise. Pada domain frekuensi, sifat-sifat noise ditunjukkan oleh komponen frekuensi

pada hasil transformasi Fourier.

Berdasarkan bentuk dan karakteristiknya, terdapat beberapa jenis noise yang di

antaranya adalah:

a. Noise Gaussian

Probability density function (PDF) dari variabel random Gaussian, z, is

dinyatakan dengan :

10

(2.2)

z menyatakan tingkat keabuan, μ menyatakan rata-rata dari z, dan σ adalah

deviasi standard. Pangkat dua dari deviasi standard disebut variance dari z.

Gambar 2.2 Noise Gaussian

b. White Noise

Salah satu model noise yang paling populer adalah white noise. Menurut Chan

dan Shen (2005, p150) white noise adalah sinyal stokastik stasioner n(t) dengan

nilai rata-rata nol yang power spectral density (distribusi energi sinyal per unit

waktu dalam domain frekuensi)- nya Snn(ω) adalah sebuah konstanta σ2 pada

seluruh spektrum : ω _ R. Secara lebih umum, sinyal demikian disebut

bandlimited white noise jika Snn(ω) adalah konstan pada beberapa pita

spektrum, dan bernilai 0 jika di luar pita spektrum tersebut. Lebih mudah untuk

pertama-tama mengerti tentang white noise diskrit. Misalkan v(k), ω _ Z, adalah

white noise, yang rangkaian autokorelasinya didefinisikan sebagai berikut.

R(m) = Rnn(m) = E[n(k)n(k + m)], m _ Z. (2.3)

fungsi power spectral density Snn(ω) ≡ σ2, berarti sama dengan meminta

R(m) = σ2δm , dengan rangkaian delta Dirac δm. (2.4)

11

Hal ini berarti untuk setiap hambatan m bukan nol, n(k) dan n(k + m) sebagai 2

variabel acak selalu tidak berkorelasi. Hal ini terjadi secara otomatis jika

keduanya independen (karena rata-ratanya dianggap nol). Sebuah white noise

v(k) disebut Gaussian bila distribusi marginal bersifat Gaussian. Seperti telah

diketahui dengan baik dalam teori probabilitas, untuk dua variabel Gaussian

yang rata-ratanya nol, tidak berkorelasi sama artinya dengan independen.

Gaussian white noise mungkin adalah model noise paling populer dalam banyak

area pemrosesan citra.

c. Noise Impulse (Salt and Pepper)

PDF noise impulse (bipolar) dinyatakan dengan :

(2.5)

Jika b > a, tingkat keabuan b akan muncul sebagai titik terang dalam citra.

Sebaliknya, a akan muncul sebagai titik gelap.

Jika Pa atau Pb nol, noise impulse disebut unipolar.

Jika tak satupun probabilitas bernilai nol, khususnya jika keduanya bernilai

hampir sama, nilai-nilai noise impulse akan memunculkan butir-butir garam dan

merica (salt-and-pepper) yang terdistribusi random pada citra. Karena alasan

inilah, noise impulse bipolar disebut juga noise salt-and-pepper . Karena

intensitas impulse biasanya lebih besar dibanding intensitas piksel-piksel citra,

maka noise impulse didigitisasi sebagai nilai ekstrim (hitam atau putih) dalam

citra.

⎪⎩

⎪⎨

⎧==

=otherwise

bzforPazforP

zp b

a

0)(

2

p

M

s

t

a

2

m

2.3.2 Mea

MSE

pemrosesan

MSE mengg

sementara S

terdegradasi

adalah citra

SNR

Dan

2.4 Mark

Mark

melakukan s

n Square Er

E dan SNR a

citra digital

gambarkan

SNR mengga

i. Jika M da

yang terdegr

R dapat dihitu

MSE dihitun

1/MN

kov Chain M

kov Chain

sampling dar

Gamb

rror (MSE)

adalah dua p

l untuk meng

seberapa be

ambarkan se

an N adalah

radasi, sedan

ung dengan r

ng dengan c

N *

Monte Carlo

Monte Car

ri distribusi p

bar 2.3 Nois

dan Signal-

parameter ya

gukur sebera

esar tingkat

eberapa deka

h dimensi p

ngkan f(x,y)

rumus sebag

ara:

o

rlo (MCMC

probabilitas

se Impulse

-to-Noise Ra

ang paling se

apa jauh per

kesalahan d

at suatu citra

panjang dan

) adalah citra

gai berikut:

C) adalah su

dengan mem

atio (SNR)

ering diguna

rbedaan anta

dari suatu c

a dengan citr

lebar citra,

a yang bersih

uatu kelas

mbangun ran

akan dalam d

ara citra dig

itra terdegra

ra asli yang

, dan f-cap

h.

(

algoritma u

ntai Markov

12

dunia

gital .

adasi,

tidak

(x,y)

(2.6)

(2.7)

untuk

pada

13

suatu distribusi tertentu yang stasioner. Salah satu jenis Algoritma MCMC adalah

Algoritma Metropolis-Hastings. Algoritma Metropolis-Hastings merupakan algoritma

untuk membangkitkan barisan sampel menggunakan mekanisme penerimaan dan

penolakan (accept-reject) dari suatu distribusi probabilitas yang sulit untuk dilakukan

penarikan sampel.

Proses stokastik X(t) adalah aturan untuk menentukan fungsi X(t, ξ) untuk setiap

ξ. Jadi proses stokastik adalah keluarga fungsi waktu yang tergantung pada parameter ξ

atau secara ekivalen fungsi t dan ξ. X(t) adalah proses keadaan diskret bila harga-

harganya bulat. Bila tidak demikian X(t) adalah proses kontinu.

Pada tahun 1906, A.A. Markov seorang ahli matematika dari Rusia yang

merupakan murid Chebysev mengemukakan teori ketergantungan variabel acak proses

acak yang dikenal dengan proses Markov. Proses Markov adalah proses stokastik masa

lalu tidak mempunyai pengaruh pada masa yang akan datang bila masa sekarang

diketahui.

Bila tn-1<tn maka :

PX(tn) ≤ Xn X(t), t ≤ tn-1 = P X(tn) ≤ Xn X(tn-1) (2.8)

Bila t1<t2<…….<tn maka :

P X(tn) ≤ Xn X(tn-1),…….X(t1) = P X(tn) ≤ Xn X(tn-1)

Definisi di atas berlaku juga untuk waktu diskret bila X(tn) diganti Xn.

Sifat umum dari proses Markov adalah :

a. f(Xn Xn-1,……,X1) = f(Xn Xn-1)

b. E Xn Xn-1,……,X1 = E Xn Xn-1

c. Proses Markov juga Markov bila waktu dibalik :

14

f(Xn Xn+1,……,Xn+k) = f(Xn Xn+1)

d. Bila keadaan sekarang diketahui, masa lalu independen dengan masa akan

datang, bila k<m<n maka :

f(Xn,Xk Xm) = f(Xn Xm) f(Xk Xm)

2.4.1 Rantai Markov

Menurut Zhu, Delaert, dan Tu(p4,2005) Rantai Markov adalah model

matematis bagi sistem stokastik yang state-nya, baik diskrit maupun kontinyu, diatur

oleh probabilitas transisi. State sekarang dalam suatu rantai Markov hanya tergantung

pada tepat satu state sebelumnya, digambarkan sebagai berikut:

PXn+1 = j | Xn = i, Xn-1 = in-1, .... ,X1 = i1;X0 = i0 = P(Xn+1 = j | Xn = i) = Pij (2.9)

Ada beberapa hal yang perlu diperhatikan:

a. Rantai X dikatakan homogen jika:

P(Xn+1 = j | Xn = i) = P(X1 = j | X0 = i)

untuk semua n, i, j di N. Matriks transisi P = (Pij) adalah matriks |S| x|S|

probabilitas transisi Pij = P(Xn+1 = j | Xn = i)

b. Suatu state i disebut memiliki periode d jika = 0 untuk semua n yang tidak

habis dibagi d, dan d adalah bilangan bulat terbesar yang memenuhi sifat ini.

Dengan kata lain, suatu state i disebut memiliki periode d jika d adalah

persekutuan pembagi terbesar (the greatest common divisor(gcd)) bagi n

sehingga > 0. Suatu state dengan periode sama dengan satu disebut

aperiodik, sedangkan state dengan periode ≥ 2 disebut periodik.

15

c. Suatu state disebut berulang positif (Positive Recurrent) jika state tersebut

adalah berulang (recurrent) serta berlaku: jika proses dimulai dari state i maka

nilai harapan dari waktu sampai proses tersebut kembali ke state i adalah

bilangan hingga (finite). state recurrent yang tidak positive recurrent disebut

null recurrent.

d. Rantai Markov dikatakan tak-tereduksi jika hanya terdapat satu kelas state, yaitu

jika semua state berhubungan satu dengan yang lainnya.

e. Rantai Markov dengan state positive recurrent dan aperiodik disebut ergodik.

Untuk rantai Markov ergodik (positive reccurent, aperiodik, dan tak tereduksi)

ada dan nilainya tidak tergantung dari i.

πj adalah solusi unik non negatif dari

(2.10)

Andaikan bahwa adalah rantai Markov dengan matriks transisi P, π

adalah distribusi stasioner tunggal, dan untuk semua n, Xn didistribusikan sebagai π. M

adalah reversibel jika dan hanya jika

πiPij = π Pji untuk semua i,j S (2.11)

keadaan ini sering disebut kondisi setimbang yang terperinci (detailed balanced

condition).

2.4.2 Monte Carlo

Metode Monte Carlo adalah algoritma komputasi untuk mensimulasikan

berbagai perilaku sistem fisika dan matematika. Penggunaan klasik metode ini adalah

untuk mengevaluasi integral definit, terutama integral multidimensi dengan syarat dan

16

batasan yang rumit. Metode ini terbukti efisien dalam memecahkan persamaan

diferensial integral medan radians, sehingga metode ini digunakan dalam perhitungan

iluminasi global yang menghasilkan gambar-gambar fotorealistik model tiga dimensi,

dimana diterapkan dalam video games, arsitektur, perancangan, film yang dihasilkan

oleh komputer, efek-efek khusus dalam film, bisnis, ekonomi, dan bidang lainnya.

Algoritma Monte Carlo adalah metode Monte Carlo numerik yang digunakan untuk

menemukan solusi problem matematis (yang dapat terdiri dari banyak variabel) yang

susah dipecahkan, misalnya dengan kalkulus integral, atau metode numerik lainnya.

2.4.3 Markov Chain Monte Carlo

Markov Chain Monte Carlo adalah ide penggunaan simulasi X1, . . ., Xn dari rantai

markov untuk mendekati harapan

(2.12)

Dengan sampel rata-rata

(2.13)

di mana π adalah keseimbangan distribusi, yang disebut juga distribusi invarian,

distribusi tetap, atau batas ergodic dari rantai Markov.

Markov Chain Monte Carlo pertama kali dipopulerkan oleh Metropolis pada

tahun 1953. Metropolis menemukan bahwa proses markov dengan batas ergodic yang

sama dapat memberikan hasil yang baik. Karena itu, dia mengembangkan sebuah

algoritma sederhana untuk menyusun rantai markov yang mempunyai distribusi yang

seimbang.

17

2.4.3.1 Metropolis – Hastings

Algoritma Metropolis-Hastings berguna untuk membangkitkan barisan sampel

dari suatu distribusi probabilitas yang sulit untuk dilakukan penarikan sampel dengan

menggunakan mekanisme penerimaan dan penolakan. Barisan ini dapat digunakan

untuk mengaproksimasi distribusi dengan histogram, atau untuk menghitung integral.

Algoritma Metropolis-Hastings bisa ditulis sebagai berikut: Dimulai dengan

sebarang X0, pada setiap iterasi n = 1,....,N

a. Ambil sampel j ~ qij

Q = qij

b. Bangkitkan U ~ (0, 1) dimana distribusi seragam pada (0; 1)

c. Dengan probabilitas

(2.14)

atur

Gambar 2.4 dan 2.5 berikut akan menunjukkan histogram dari sampling dengan

Algoritma M-H :

Gambar 2.4 Histogram hasil simulasi N (0, 1), dengan N=10000 dan a=0.1

18

Gambar 2.5 Histogram hasil simulasi N (0, 1), dengan N=10000 dan a=1

2.5 Metodologi Bayesian

Dalam algoritma image processing, semuanya dimulai dengan inisial citra Ө 0.

Pilihan yang tepat adalah Ө 0 = X, yaitu citra yang diberi noise. Lalu akan menghasilkan

rantai dari citra

Ө 0 → 1 → 2 · · · → n → n+1 (2.13)

Dengan sebuah algoritma dan berharap ada statistik yang sesuai untuk pengolahan citra

dalam rantai untuk memperkirakan gambar asli dengan baik. Dalam pembangunan

rantai citra, harus dimasukkan metodologi Bayesian.

Komponen utama dalam Metodologi Bayesian adalah Likelihood yang

merupakan model degradasi ke X. Komponen kedua adalah distribusi priori, yang

disebut juga Prior dan dinotasikan dengan π(Ө). Prior adalah sebuah distribusi dari

tingkat keabuan di S. Pemilihan dari Prior bresifat subjektif. Komponen ketiga adalah

distribusi Posteriori yang dinotasikan dengan simbol π(Ө |X). Posterior adalah

distribusi yang tergantung dengan kondisi.

19

2.5.1 Distribusi Priori Bayesian dan Energi

Seperti yang telah dijelaskan sebelumnya, pilihan dari sebuah prior di

metodologi bayesian adalah subjektif. Prior harus bisa merepresentasikan citra yang

bersih seperti yang terlihat. Orang-orang mengharapkan citra yang halus. Ada tidaknya

proses penghalusan bisa dilihat dari selisih tingkat keabuannya. Semakin kecil

perbedaan antara tingkat keabuannya maka semakin halus ikatannya.

Ada interaksi energi yang terjadi diantara dua piksel yaitu piksel yang saling

bersebelahan. Letak dari pasangan i,j dari piksel yang bersebelahan berinteraksi dengan

energi yang dinotasikan Ei,j. Definisikan energi dari gambar sebagai,

E(Ө)=∑ Ei, j Ө, (2.16)

Simbol (i,j) menyatakan piksel i dan j yang saling bersebelahan dan jumlahnya

menggantikan semua pasangan piksel yang bersebelahan di bidang gambar. Dimodelkan

Ei,j dalam cara ini yang berarti kecil ketika tingkat keabuan mendekati satu sama lain

dan besar ketika tingkat keabuannya berbeda dalam jumlah yang besar. Lalu, gambar

yang halus memiliki energi yang lebih kecil. Didefinisikan prior seperti

π(Ө) = β

exp[−βpE(Ө)] (2.17)

dimana βp = 1/T dan T adalah parameter kehalusan yang disebut temperatur prior. Z(βp)

adalah konstanta normalisasi yang diberikan sebagai berikut:

Z(βp)=∑ exp βpE ӨӨ (2.18)

Prior, seperti yang didefinisikan diatas, disebut distribusi Gibbs.

20

2.5.1.1 Distribusi Maxwell – Boltzmann

Distribusi statistik Maxwell-boltzmann menggunakan pandangan klasik, dimana

sesuai dengan asumsi :

1. Partikel penyusun dapat dibedakan

2. Dalam satu keadaan energy dapat diisi oleh lebih dari satu partikel

Fungsi distribusi Boltzmann didapatkan secara langsung dari analisis pengembangan

dari sebuah sistem. Selama energinya bebas untuk mengalir antara sistem dan partikel,

partikelnya akan mempunyai kapasitas panas yang besar untuk memperbaiki temperatur

konstan, T, untuk sistem yang dikombinasikan. Dalam konteks ini, sistem diasumsikan

memiliki tingkat energi εi dengan degenerasi gi. Seperti sebelumnya, probabilitas akan

dihitung dari sistem yang memiliki energi εi.

Jika sistem ada dalam state S1, maka akan ada angka sesuai dari microstate yang

tersedia kedalam partikel. Anggap angka itu . Asumsikan, kombinasi sistem di

isolasi, jadi semua microstate akan memiliki kemungkinan yang sama besar. Maka,

singkatnya jika , dapat di simpulkan bahwa sistem yang ada dua kali

lebih besar di state S1 daripada S2. Umumnya, P(Si) adalah probabilitas sistem berada di

state Si.

(2.19)

Karena entropi dari partikel , pernyataan diatas menjadi

(2.20)

Selanjutnya ada yang disebut identitas thermodinamika ( dari hukum pertama

thermodinamika) :

21

(2.21)

Dalam canonical ensemble, tidak ada pertukaran partikel, jadi nilai dNR adalah 0.

Persamaan, dVR = 0. Hasilnya :

(2.22)

dimana and menyatakan energi dari partikel dan sistem di Si,. Untuk

persamaan kedua, kita memakai konservasi energi. Substitusi kedalam persamaan

pertama yang berhubungan dengan :

(2.23)

Yang mengimplikasikan, untuk setiap state s dari sistem

(2.24)

dimana Z merupakan konstanta terpilih yang sesuai untuk menghitung jumlah

probabilitas. (Z merupakan konstanta yang muncul bila tempertatur T invarian). Maka

dapat dikatakan:

(2.25)

dimana index s melalui semua microstate dari sistem. Z dapat disebut jumlah Boltzmann

dari banyak state. Probabilitas sistem yang memiliki energi εi adalah penjumlahan

semua kemungkinan dari microstate yang sesuai :

(2.26)

22

Dengan modifikasi yang jelas :

(2.27)

2.5.1.2 Model Gemen-McClure Untuk Distribusi Prior

Gemen dan McClure dalam merekomendasikan Prior dimana energi interaksi

antara 2 piksel yang bersebelahan dinyatakan sebagai berikut:

(2.28)

Dimana C merupakan hyper-parameter yang menentukan lebar distribusi. Nilai dari

rentang Ei,j(Ө) dimulai dari minimum -1 saat | θi – θj | = 0 sampai maksimum 0 saat | θi

– θj | ∞. Interaksi potensial Gemen-McClure ditunjukkan dalam gambar 2.6 untuk C =

0.1, 1.0, dan 10.0. Fungsi Ei,j(Ө) simetris saat | θi – θj | = 0 dan lebarnya berkurang

dengan meningkatnya C. Gemen-McClure Prior dituliskan sebagai berikut:

(2.29)

Dimana:

Z(βp) : fungsi partisi yang menormalisasi Prior,

βp : 1/T

T : nilai penghalusan yang ditentukan secara subjektif

2

d

D

e

m

D

Gambar 2

2.5.1.3 Mod

Mod

dan j adalah

Dari rumus

energi intera

memiliki en

Ising

Dimana:

Z(βp) : fung

βp : 1/T

2.6 Energi G

sa

del Ising unt

del Ising men

:

ini jelas ba

aksi 0. Atau

ergi 0, sedan

g Prior dapat

gsi partisi yan

Gemen-McC

aat C menin

tuk Distribu

nyatakan bah

E(

ahwa piksel

u dengan kat

ngkan state y

t dituliskan s

ng menorma

Clure Ei,j da

ngkat, lebar

usi Prior

hwa energi in

) =I(θi≠ θj)=

dengan ting

ta lain, grou

yang tereksit

sebagai berik

alisasi Prior

alam | θi – θj

r fungsi men

nteraksi di a

= θi – θj

gkat keabua

und-state dar

tasi memilik

kut:

j | untuk C =

nurun.

antara 2 piks

an yang sam

ri sistem 2 p

ki energi unit

= 0.1, 1.0, 10

el yang berb

(

ma akan mem

piksel berdek

t.

(

23

0.0;

beda i

2.30)

miliki

katan

(2.31)

24

T : nilai penghalusan yang ditentukan secara subjektif

2.5.2 Distribusi Posteriori Bayesian

Distribusi Posterior dalam metodologi Bayesian diberikan dengan hasil dari

Likelihood dan prior. Ini yang disebut dengan teorema Bayes yang dinyatakan sebagai

berikut:

π(Ө|X) = | Ө Ө∑ | Ө Ө

(2.32)

Dimana ∑ |Ө Ө adalah konstanta normalisasi (Z) dari distribusi Bayesian

itu sendiri. Nilai Z sendiri tidak tergantung pada .

2.6 Rapid Application Development

Rapid Aplication Development (RAD) adalah sebuah model proses

perkembangan software sekuensial linier yang menekankan siklus perkembangan yang

sangat pendek. Model RAD ini merupakan sebuah adaptasi “kecepatan tinggi” dari

model sekuensial linier di mana perkembangan cepat dicapai dengan menggunakan

pendekatan kontruksi berbasis komponen. Jika kebutuhan dipahami dengan baik, proses

RAD memungkinkan tim pengembangan menciptakan “sistem fungsional yang utuh”

dalam periode waktu yang sangat pendek. Karena dipakai terutama pada aplikasi sistem

konstruksi, pendekatan RAD melingkupi fase – fase sebagai berikut :

1. Business modeling

Aliran informasi di antara fungsi – fungsi bisnis dimodelkan dengan suatu cara untuk

menjawab pertanyaan – pertanyaan berikut : informasi apa yang mengendalikan proses

25

bisnis? Informasi apa yang di munculkan? Siapa yang memunculkanya? Ke mana

informasi itu pergi? Siapa yang memprosesnya?

2. Data modeling

Aliran informasi yang didefinisikan sebagai bagian dari fase business modelling

disaring ke dalam serangkaian objek data yang dibutuhkan untuk menopang bisnis

tersebut. Karakteristik (disebut atribut) masing – masing objek diidentifikasi dan

hubungan antara objek – objek tersebut didefinisikan.

3. Proses modeling

Aliran informasi yang didefinisikan di dalam fase data modeling ditransformasikan

untuk mencapai aliran informasi yang perlu bagi implementasi sebuah fungsi bisnis.

Gambaran pemrosesan diciptakan untuk menambah, memodifikasi, menghapus, atau

mendapatkan kembali sebuah objek data.

4. Application Generation

RAD mengasumsikan pemakaian teknik generasi ke empat. Selain menciptakan

perangkat lunak dengan menggunakan bahasa pemrograman generasi ketiga yang

konvensional, RAD lebih banyak memproses kerja untuk memkai lagi komponen

program yang ada ( pada saat memungkinkan) atau menciptakan komponen yang bisa

dipakai lagi (bila perlu). Pada semua kasus, alat – alat bantu otomatis dipakai untuk

memfasilitasi konstruksi perangkat lunak.

5. Testing and turnover

Karena proses RAD menekankan pada pemakaian kembali, banyak komponen

program telah diuji. Hal ini mengurangi keseluruhan waktu pengujian. Tetapi komponen

baru harus di uji dan semua interface harus dilatih secara penuh.