BAB 2 LANDASAN TEORI 2.1 Teori Dasar Citra Digital 2.1.1...
Transcript of BAB 2 LANDASAN TEORI 2.1 Teori Dasar Citra Digital 2.1.1...
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.