Bab ini berisi kesimpulan dan saran dari penulis untuk pengembangan sistem.
DAFTAR PUSTAKA :
Pada bagian ini akan dipaparkan tentang sumber-sumber literatur yang digunakan dalam pembuatan laporan tugas akhir ini.
Hak Cipta © milik UPN "Veteran" Jatim :
BAB II
TINJAUAN PUSTAKA
2.1. Artificial Intelligence
Artificial Intelligence atau Kecerdasan Buatan (disingkat AI) adalah kemampuan suatu alat untuk melakukan fungsi yang biasanya dihubungkan dengan kecerdasan manusia, seperti penalaran dan pembelajaran melalui pengalaman. AI adalah cabang dari computer science yang berupaya meniru kemampuan penalaran manusia dengan mengorganisasi dan memanipulasi pengetahuan faktual dan heuristik. Bidang aktivitas AI meliputi sistem pakar, pengenalan bahasa alami, pengenalan suara, penglihatan komputer (Computer Vision) dan robotika (Anonim, 1996).
2.2. Image
Data masukan yang diproses adalah suatu image. Image merupakan sebuah representasi khusus dari suatu obyek, baik obyek dua dimensi maupun tiga dimensi, dimana representasi tersebut dinyatakan dalam bentuk dua dimensi. Image dapat berbentuk nyata, maya, ataupun dalam bentuk optik. Selain itu, image juga dapat berupa rekaman, seperti video image, digital image, atau sebuah gambar (Haralick dan Shapiro, 1992, p1). Image dapat dikategorikan sebagai :
2.2.1. Analog Image
Menurut Shapiro dan Stockman (2001, p29), analog image adalah image 2D F(x,y) yang memiliki ketelitian tidak terbatas dalam parameter
10
spasial x dan y dan ketelitian tak terbatas pada intensitas tiap titik spasial (x,y).
2.2.2. Digital Image
Menurut Shapiro dan Stockman (2001, p29), digital image adalah image 2D I[r,c] yang direpresentasikan oleh array diskrit 2D dari intensitas sampel, dimana masing-masing titik direpresentasikan dengan ketelitian terbatas.
Digital image juga didefinisikan sebagai representasi dari gambar dua dimensi sebagai himpunan terbatas dari nilai digital yang disebut picture elements atau pixel. Umumnya pixel disimpan dalam komputer sebagai gambar raster, yaitu array dua dimensi dari integer. Nilai ini kadang disimpan dalam bentuk terkompresi. Digital image dapat diperoleh dari berbagai macam alat dan teknik pengambil gambar, seperti kamera digital, scanner, radar, dan sebagainya. Dapat pula disintesis dari data seperti fungsi matematika dan lain lain. (Anonim, 2005a). Menurut Jain, Kasturi dan Schunck (1995, p12), pixel adalah sampel dari intensitas image yang terkuantisasi ke dalam nilai integer. Sementara Image merupakan array dua dimensi dari pixel-pixel tersebut. Image inilah yang akan menjadi input awal dalam Computer Vision.
Beberapa bentuk digital image yang sering digunakan dalam Computer Vision (Shapiro dan Stockman, 2001, p30):
Binary image, yaitu digital image dengan nilai pixel 1 atau 0.
Gray scale image, yaitu digital image monochrom dengan satu nilai intensitas tiap pixel.
Multispectral image, adalah image 2D yang memiliki vektor nilai pada tiap pixel, jika image berwarna maka vektornya memiliki 3 elemen.
Hak Cipta © milik UPN "Veteran" Jatim :
Labeled image, adalah digital image dimana nilai pixel adalah simbol dari alfabet terbatas.
2.3. Computer Vision
Computer Vision (sering disebut juga dengan Machine Vision) dapat dideskripsikan sebagai ilmu yang mempelajari metode yang dapat digunakan untuk membuat komputer mengerti gambar atau data banyak dimensi umumnya (Anonim, 2005b), sementara definisi Computer Vision menurut Kulkarni (2001, p27), adalah penyimpulan (deduksi) otomatis akan struktur atau properti dari dunia tiga dimensi dari satu atau lebih image dua dimensi dunia tersebut dan pengenalan objek-objek dengan bantuan properti-properti ini, atau secara singkatnya yaitu proses mengenali objek tertentu dari suatu image. Menurut Shapiro dan Stockman (2001, p1), tujuan dari Computer Vision adalah untuk membuat keputusan yang berguna tentang objek dunia nyata dan keadaan (scene) berdasarkan image yang diambil. Untuk membuat keputusan akan objek nyata, sangat penting untuk membangun deskripsi atau model objek tersebut dari gambar. Karena itu dapat dikatakan bahwa tujuan dari Computer Vision adalah untuk membangun deskripsi keadaan dari image.
Artificial Intelligence digunakan untuk menganalisis keadaan dengan memproses representasi simbolik dari isi lingkungan setelah image telah diproses untuk diambil fiturnya. Banyak teknik dari Artificial Intelligence berperan penting didalam seluruh aspek Computer Vision. Pada dasarnya Computer Vision merupakan cabang dari Artificial Intelligence. (Jain, Kasturi dan Schunck, 1995, p5).
12
2.3.1. Normalisasi Ukuran Citra
Proses normalisasi digunakan baik pada citra data pelatihan maupun pada citra yang akan dikenali. Pada citra data pelatihan dan pengenalan, citra plat yang diperoleh dari berbagai sumber memiliki ukuran yang beragam, karena itu harus diseragamkan sehingga memiliki ukuran 240x110 pixel . Proses normalisasi dilakukan dengan menggunakan metode bilinear interpolation. Di sini citra digital dengan dimensi m x n pixel dapat dianggap sebagai matriks dua dimensi. Misalkan nilai dari fungsi yang tidak diketahui f pada titik P = (x, y). Hal ini diasumsikan bahwa kita mengetahui nilai dari f di empat titik Q 11 = (x 1, y 1), Q 12 = (x 1, y 2), Q 21 = (2 x, y 1), dan Q 22 = (2 x, y 2).
Pertama kali lakukan interpolasi linear pada arah-x. Ini menghasilkan
...(2.1)
di mana R 1 = (x, y 1),
...(2.2)
dimana R 2 = (x, y 2).
Lanjutkan dengan interpolasi dalam arah-y.
...(2.3)
Sehingga nilai f (x, y).
Hak Cipta © milik UPN "Veteran" Jatim :
...(2.4)
Jika terdapat sistem koordinat yang empat poin dimana f dikenal adalah (0, 0), (0, 1), (1, 0), dan (1, 1), maka formula interpolasi untuk menyederhanakan
...(2.5)
2.3.2. Image Enhancement
Berdasarkan Kulkarni (2001, p9), setelah digital image diperoleh, tahapan selanjutnya adalah image enhancement yang termasuk dalam tahap prepocessing, image enhancement menyangkut langkah-langkah untuk meningkatkan kualitas image untuk mendukung tahapan selanjutnya. Tujuan dari image enhancement ini secara teknis untuk menghilangkan noise, memperhalus gambar, mempertajam gambar (menghilangkan blur),serta mengatur pencahayaan (brightness, contrast).
14 1) Thresholding
Thresholding adalah proses untuk mengelompokkan semua piksel pada citra dengan nilai tertentu menjadi dua bagian dengan nilai gray level yang telah ditentukan.
Pembuatan citra biner adalah salah satu bentuk thresholding dengan nilai 0 dan 1, yaitu melakukan perubahan semua nilai piksel yang lebih besar atau sama dengan nilai ambang menjadi 1 dan semua nilai piksel yang lebih kecil dari nilai ambang menjadi 0. Pada umumnya ada 2 (dua) jenis Thresholding yang sering di gunakan yaitu : Thresholding tunggal dan Thresholding ganda. Untuk Thresholding tunggal, dapat dilihat melalui fungsi berikut :
{ ...(2.6) Atau
{ ...(2.7) Sedangkan untuk thresholding ganda, dapat dilihat melalui fungsi berikut :
{ ...(2.8) Atau
{ ...(2.9) Nilai Thresholding (T) dapat di peroleh dengan berbagai cara, salah satu caranya adalah dengan melakukan perhitungan sederhana, dimana nilai rata-rata jumlah piksel yang memiliki nilai dibawah T sama dengan nilai rata-rata jumlah
Hak Cipta © milik UPN "Veteran" Jatim :
piksel yang memiliki nilai diatas T. Untuk perhitungan ini, nilai T yang didapat untuk gambar yang memiliki histogram yang telah ter-equalize adalah berkisar antara 127 dan 128. Nilai dari maksimum T adalah nilai tertinggi dari system warna yang digunakan dan nilai minimum dari T adalah nilai terendah dari system warna yang digunakan. Untuk 256 graylevel maka nilai tertinggi T adalah 255 dan nilai terendahnya adalah 0.
2.3.3. Image Segmentaion
Menurut penjelasan Shapiro dan Stockman (2001, p279), image segmentation merupakan partisi atau pembagian suatu image menjadi sejumlah region (daerah) yang membangun image tersebut. Segmentation ini dilakukan dengan tujuan:
o untuk membagi image menjadi bagian-bagian untuk analisis lebih lanjut, artinya suatu lingkungan menjadi lebih terkendali sehingga proses segmentasi hanya mengambil bagian yang ingin dianalisis saja.
o melakukan perubahan representasi, pixel-pixel dari image harus disusun dalam unit yang lebih tinggi yang lebih berarti atau lebih efisien untuk analisis lebih lanjut.
Region suatu image berdasarkan Jain, Kasturi dan Schunck (1995, p73) adalah kumpulan pixel–pixel yang saling berhubungan yang memiliki kesamaan sifat. Region penting untuk pengenalan suatu image karena berhubungan dengan objek tertentu pada lingkungan. Suatu image mungkin mengandung beberapa objek dan tiap objek mungkin mengandung beberapa region berhubungan dengan
16
bagian objek. Supaya suatu image dapat diartikan dengan benar, maka harus dibagi menjadi region-region yang berhubungan dengan objek atau bagian dari objek.
Salah satu teknik segmentasi adalah sebagai berikut : 1) Edge based segmentation
Pendekatan ini melakukan segmentasi dengan mencari pixel-pixel yang berada pada batas region. Pixel-pixel ini disebut edge (garis tepi), dapat ditemukan dengan melihat pixel-pixel tetangga. Karena pixel-pixel batas ada di tepi, dan region pada dua sisi dari batas mungkin memiliki nilai keabuan yang berbeda, batas region dapat ditemukan dengan mengukur perbedaan antara pixel-pixel yang bersebelahan. Dasar yang sering digunakan untuk menemukan edge adalah sifat intensitas, walaupun sifat turunan seperti tekstur dan motion juga bisa digunakan. (Jain, Kasturi dan Schunck, 1995, p75)
Menurut Jain, Kasturi dan Schunck (1995, p140), edge adalah perubahan lokal yang mencolok pada intensitas image, biasanya dihubungkan dengan diskontinuitas pada intensitas image atau pada turunan pertama intensitas image. Teknik-teknik yang digunakan dalam mendeteksi edge sering dibedakan berdasarkan operator dari edge detector yang digunakan. Edge detector adalah suatu algoritma yang menghasilkan sejumlah edge dari suatu image. (Jain, Kasturi dan Schunck, 1995, p143) Edge detector ini akan melakukan filtering pada image dengan operator tertentu.
Filter image adalah program yang menerapkan metode atau algoritma tertentu di dalam sebuah image. Filter Sobel adalah termasuk filter image. Filter
Hak Cipta © milik UPN "Veteran" Jatim :
Sobel merupakan algoritma Sobel edge detection di dalam image. Operasi filter ini akan bekerja mendeteksi semua piksel image, mencari batasan warna antara piksel didalam image. Batasan warna yang dimaksud disini adalah perbedaan nilai warna di tepi antara kelompok warna satu dengan yang lain. Selisih perbedaan nilai warna ini yang kemudian yang akan dipertimbagkan sebagai piksel-piksel tepi. Kumpulan piksel ini akan membentuk sutau garis atau edge. Di dalam operasi filter Sobel tidak hanya memperhitugkan nilai warna dari piksel yang diperiksa, akan tetapi juga memperhitugkan nilai piksel sekitar.
Algoritma Sobel
Algoritma Sobel merupakan salah satu pengembangan dari teknik edge detection sebelumnya, juga pengembangan dari operator Prewit. Algoritma ini termasuk algoritma pemrograman yang berfungsi sebagai filter image. Filter ini mendeteksi keseluruhan edge yang ada. Dalam prosesnya filter ini menggunakan sebuah operator, yang dinamakan operator Sobel. Operator Sobel menggunakan matriks N x N dengan berordo 3 x 3, 5 x 5, 7 x 7, dan sebagainya. Matriks seperti ini digunakan untuk mempermudah mendapatkan piksel tengah sehingga menjadi titik tenagah matrik (aij). Piksel tengah ini merupakan piksel yang akan diperiksa. Cara pemanfaatan matrik ini sama seperti pemakaian sebuah grid, yaitu dengan cara memasukkan piksel-piksel disekitar yang sedang diperiksa (piksel tengah) ke dalam matrik. Cara yang demikian disebut spatial filtering
18
Gambar 2.1 Matrik 3x3 pada area image Didefenisikan Gy sebagai arah penelusuran secara vertical :
...(2.10)
...(2.11) dan Gx sebagai penulusuran arah secara horizontal :
...(2.12)
...(2.13) definisi menggunakan nilai mutlak diberikan :
| | | |...(2.14) Membandingkan area diatas dari persamaan (2.1) kita lihat bahwa Gy adalah berbeda antara baris pertama dan ketiga, dimana elemen terdekat aij yakni (a1 dan a5) lebih besar dua kali dibanding nilai yang disekelilignya (hal ini berdasarkan intusi wilayah/area 0 juga pada persamaan (2.2), Gx adalah berbeda antara kolom a3 dan a7. Gx adalah arah dari x dan Gy adalah merupakan arah dari y. persamaan dari (2.1) dan (2.2) dapat diimplementasikan dari operasi sobel didapat nilai hasil dari persamaan (2.3). Teknik spatial filtering menggunakan lagi sebuah matrik yang dinamakan mask. Ukuran matrik mask sama besar dengan matrik piksel yaitu N x N. Didalam mask ini intinya disimpan jenis operasi yang akan dilakukan terhadap matrik piksel,
Hak Cipta © milik UPN "Veteran" Jatim :
akan tetapi tidak semua filter spatial filtering menggunakan mask untuk menyimpan operasinya. Sobel operator diterapkan dalam dua buah mask, untuk itu perlu diperhatiakn terlebih dahulu
Gambar 2.2 mask vertical Gambar 2.3 mask horizontal Mask pertama yaitu mask (a) digunakan untuk mengitung selisih titik pada sisi vertical sehingga dihasilkan titik penelusuran arah vertical. Mask kedua yaitu mask (b) digunakan untuk menghitung selisih titik pada sisi horizontal sehingga dihasilkan titik hasil penelusuran arah horizontal.
Hasil akhir filter operator sobel adalah ditemukannya beberapa piksel dengan intensitas yang lebih besar atau tajam. Dan juga ukuran tepi objek yang jauh lebih besar dari ukuran sebelumnya. Keadaan ini dikarenakan titik-titik yang lebih dekat dengan titik tengah (terperiksa) diberi harga yang lebih dominan dalam perhitungan. Perhatikan gambar 2.4, terbukti pada awalnya intensitas piksel image mempunyai range intensitas (nomor warna) antara 0 sampai 4, setelah dilakukan proses filtering maka terjadi pergeseran intensitas antar 2 samapi 20. Bila piksel-piksel ini terseleksi dengan menggunakan ketentuan seperti operasi thresholding, maka setiap piksel kemugkinan hanya mempunyai dua warna dominan yaitu warna hitam dan putih.Warna hitam diibaratkan sebagai background permukaan image, dan warna putih memunculkan piksel-piksel signifikan tersebut.
20
Edge atau garis di tepi objek terlihat lebih terang dari sebelumnya. Warna grayscale merupakan perpaduan warna dari dua warna dominan, yaitu perpaduan antara warna minimum dan maksimum. Perpaduan warna yang dimaksud disebut sebagai warna medium atau setengah terang atau warna menegah. Bila image menggunakan perpaduan antara warna hitam dan putih, maka warna yang demikian dikenal dengan sebutan warna medium gray atau grayscale. Dengan demikian setiap piksel yang dihasilkan akan disesuaikan dengan set warna medium ini. Set warna ini dimulai dari warna hitam sebagai warna minimum dan naik secara perlahan-lahan menjadi lebih terang dari sebelumnya sampai pada warna maksimal yaitu berwarna. Bila edge yang ditemukan merupakan sekumpulan piksel signifikan yang membentuk objek image, maka warna piksel tersebut akan dipertegas kembali, artinya piksel ini akan diperbesar intensitasnya sehingga warna edge ini akan tampak jelas. Keadaan edge yang demikian nantinya akan memeperlihatkan suatu objek dalam image.
Gambar 2.4 Sobel edge detection
Hak Cipta © milik UPN "Veteran" Jatim :
Pada model 256 warna, intensitas warna untuk setiap piksel mempunyai variasi berkisar antara 0 sampai 255. Di dalam operasi filter sobel, setiap komponen warna RGB adalah merupakan komponen-komponen warna dengan intensitas warna medium masing-masing yaitu 128. Untuk mendapatkan intensitas warna medium dimasing-masing piksel, maka ditambahkannya intensitas warna medium ini ke dalam intensitas warna setiap piksel, akan tetapi intensitas warna tetap berada di dalam lingkup range warna antara 0 sampai 255. Bila intensitas warna piksel dimisalkan adalah 4, maka intensitas warna piksel tersebut menjadi : 4 + 128 = 132
Gambar 2.5 Medium warna piksel image baru
Ternyata nilai 132 masih dibawah lingkup intensitas warna maksimum yaitu 255. Apabila nilai yang didapat melebihi 255, maka piksel tersebut akan tetapi mempunyai intensitas warna 255. Intensitas piksel pada mode 256 warna sebenarnya tidak lagi menunjukkan intensitas warna piksel tersebut, akan tetapi sebanarnya menunjukkan nomor warna yang dipilih pada sebuah tabel berukuran 256.
2.3.4. Operasi pada Binary Image
Binary Image diperoleh dengan cara melakukan threshoding pada Grayscale Image. Pemrosesan Binary Image ini memegang peranan yang penting sebagai salah satu jenis pemrosesan dalam Computer Vision.
22
Masing-masing tahapan proses dalam Computer Vision dapat memanfaatkan keunggulan operasi pada Binary Image. Keunggulan dari proses pada Binary Image adalah algoritma yang mudah dimengerti, lebih cepat dari pemrosesan pada gambar grayscale atau warna, dan memerlukan memory dan pemrosesan yang lebih sedikit. Beberapa teori yang berhubungan dengan proses pada Binary Image antara lain :
1) Operasi morfologi (Morphology Operation)
Pengolahan citra secara morfologi adalah alat untuk mengekstrak atau memodifikasi informasi pada bentuk dan struktur dari objek di dalam citra (Daugherty, 2009). Operator morfologi yang umum digunakan adalah erosi dan dilasi, sedangkan operator lainnya adalah pengembangan dari keduanya.
a) Erosion
Erosi adalah salah satu operasi dasar dalam pemrosesan citra secara morfologi. Erosi adalah sebuah operasi yang meningkatkan ukuran dari latar belakang (dan mengikis objek latar depan) pada citra biner (Dougherty, 2009).
Dengan memisalkan A sebagai objek pada citra masukan, B sebagai elemen terstruktur, dan C sebagai objek pada citra keluaran hasil erosi, maka proses erosi dapat dinotasikan dengan:
...(2.15) Erosi dilakukan dengan bantuan elemen terstruktur. Elemen terstruktur membantu menentukan pixel tetangga yang akan ditelusuri dengan proses erosi. Elemen terstruktur yang sering digunakan adalah 4-konektivitas dan 8-konektivitas.
Hak Cipta © milik UPN "Veteran" Jatim :
Gambar 2.6 Elemen terstruktur 4- dan 8- konektivitas Erosi memiliki karakteristik :
Erosi pada umunya memperkecil ukuran dari objek dan menghilangkan elemen atau anomali kecil dengan mengurangi objek dengan radius yang lebih kecil dari ukuran elemen terstruktur.
Dengan citra binner erosi menghilangkan objek yang lebih kecil dari elemen terstruktur dan mengiliminasi pixel parameter dari objek citra yang lebih besar.
Algoritma yang dilakukan pada erosi adalah sebagai berikut:
o Posisikan elemen terstruktur dibagian atas (menutupi) tiap-tiap piksel dari citra masukan hingga titik pusat dari elemen terstruktur bertepatan dengan posisi piksel masukan.
o Jika paling sedikit satu piksel pada elemen terstruktur bertemu dengan piksel latar belakang di bawahnya (yang ditutupinya), maka tetapkan piksel keluaran pada citra baru ke nilai latar belakang, maka tetapkan piksel keluaran pada citra baru ke nilai latar depan.
24
Gambar 2.7 Erosi dengan menggunakan elemen terstruktur 8-konektivitas Dengan begitu, piksel latar belakang pada citra masukan akan menjadi latar belakang pada citra keluaran dan juga piksel latar depan pada citra masukan akan menjadi latar belakang pada citra keluaran
b) Dilation
Dilasi adalah salah satu operasi dasar dalam morfologi matematika. Pada citra biner, dilasi adalah sebuah operasi yang mengekspansi atau memperbesar ukuran dari objek latar depan (Daugherty, 2009). Biasanya objek pada citra dilambangkan dengan piksel putih, walaupun untuk beberapa implementasi objek pada citra dilambangkan dengan piksel hitam. Konektivitas antar piksel pusat dengan tetangganya dibuat berdasarkan elemen terstruktur yang terdefini. Memisalkan A sebagai objek pada citra masukan, B sebagai elemen terstruktur, dan C sebagai objek citra keluaran hasil dilasi, maka proses dilasi dapat dinotasikan sebagai :
...(2.16)
Dilasi memiliki karakteristik :
Hak Cipta © milik UPN "Veteran" Jatim :
Dilasi umunya memperbesar ukuran dari objek, mengisi lubang dan area yang rusak, dan menghubungkan area yang dipisahkan oleh jarak yang lebih kecil dari ukuran elemen terstruktur
Dengan citra biner, dilasi menghubungkan area yang dipisahkan oleh jarak yang lebih kecil dari elemen terstruktur dan menambahkan piksel dari setiap objek citra.
Algoritma yang dilakukan pada dilasi adalah sebagai berikut :
o Posisikan elemen terstruktur di bagian atas (menutupi) tiap-tiap piksel dari citra masukan hingga titik pusat dari elemen terstruktur bertepatan dengan posisi piksel masukan.
o Jika paling sedikit satu piksel pada elemen terstruktur bertemu dengan piksel latar depan dibawahnya ( yang ditutupinya), maka tetapkan piksel keluaran pada citra baru kenilai latar depan. Begitu juga jika bertemu dengan piksel latar belakang, maka tetapkan piksel keluaran pada citra baru ke nilai latar depan.
Piksel latar depan pada citra masukan akan menjadi latar depan pada citra keluaran dan juga pada piksel latar belakang pada citra masukan akan menjadi latar depan pada citra keluaran.
26
c) Opening and Closing
Operator dasar morfologis dapat dibuat operator baru yang merupakan kombinasi dari keduanya. Pertama adalah operator opening, yaitu operator yang terdiri dari rangkaian operasi operator erosion diikuti oleh dilation, yang diformulasikan sebagai :
...(2.17) Operator closing, yaitu operator yang terdiri dari rangkaian operasi operator dilation diikuti oleh erosion, yang diformulasikan sebagai:
...(2.18) Operator opening akan menghilangkan pulau-pulau kecil, puncak yang tajam dan garis yang tipis. Sedangkan operator closing akan menyatukan (fuse) patahan-patahan yang sempit, menutup lubang-lubang kecil dan menghaluskan kontur. Jika kita menggunakan operator ini dengan tepat, yaitu diawali dengan operator opening dan selanjutnya diikuti dengan operator closing, maka akan diperoleh sebuah operator baru yang akan menghilangkan derau, yang dikenal sebgai salt and papper noise removal.
Gambar 2.9 Penggunaan operator morfologis untuk menghilangkan derau Penebalan pixel putih pada plat nomer dapat dilakukan dengan memodifikasi logika edge detection pada morfologi matematis, yakni dengan menerapkan proses opening, closing dan extraksi (irisan) dari keduanya.
Hak Cipta © milik UPN "Veteran" Jatim :
Gambar 2.10 a.image awal b.closing c.irisan dari a dan b
2.4. Flowchart
Flowchart adalah representasi grafik dari langkah-langkah yang harus diikuti dalam menyelesaikan suatu permasalahan yang terdiri atas sekumpulan simbol, dimana masing-masing simbol merepresentasikan suatu kegiatan tertentu. Flowchart diawali dengan penerimaan input, pemrosesan input, dan diakhiri dengan penampilan output.
Gambar 2.11 siklus I-P-O
Penerimaan input, pemrosesan input, dan penampilan output merupakan kegiatan utama yang membentuk siklus dari semua kegiatan yang dilakukan oleh komputer. Siklus ini disebut dengan siklus I-P-O (Input-Proses-Output).
2.4.1. Simbol-simbol flowchart
Flowchart terdiri atas sekumpulan simbol dan masing-masing simbol