5
BAB II
LANDASAN TEORI
2.1 Brick Breaker
Brick Breaker adalah game di mana pemain harus menghancurkan dinding bata dengan memantulkan bola dengan dayung. Dayung dapat bergerak secara horizontal dan dikendalikan dengan mouse komputer atau sentuhan jari pada layar sentuh (touchscreen). User dikatakan menang, ketika semua batu bata telah hancur.
Brick Breaker yang penulis buat tidak menggunakan dayung untuk memantulkan bola. Dayung akan diganti dengan gerakan tubuh yang direkam webcam untuk memantulkan bola.
Gambar 2.1 Game Brick Breaker
2.2 Digital Image Processing
Secara umum, Digital Image Processing menunjuk pada pemrosesan citra dua dimensi menggunakan komputer (Darma, 2010, p19). Dalam arti luas, Digital Image Processing mengacu pada pemrosesan setiap data dua dimensi. Citra digital (digital image) merupakan sebuah larik (array) yang berisi nilai-nilai real maupun komplek yang direpresentasikan dengan deret bit tertentu.
Suatu citra dapat didefinisikan sebagai fungsi f(x, y) berukuran M baris dan N kolom, dengan x dan y adalah koordinat spasial, dan amplitudo f di titik koordinat (x, y) dinamakan intensitas atau tingkat keabuan (gray level) dari citra pada titik tersebut. Apabila nilai x, y, dan nilai amplitudo f secara keseluruhan berhingga (finite) dan bernilai diskrit, maka dapat dikatakan bahwa citra tersebut adalah citra digital.
Gambar 2.2 Koordinat Citra Digital
Citra digital dapat ditulis dalam bentuk matrik sebagai berikut:
Nilai pada suatu irisan antara baris dan kolom (pada posisi x, y) disebut dengan picture element, image element, pels, atau pixel. Istilah pixel paling sering digunakan pada citra digital.
2.2.1 Jenis Citra
Berdasarkan nilai pixel-nya, citra dibedakan menjadi lima jenis (Darma, 2010, p39), yaitu:
• Citra Biner (Binary Image)
Citra biner adalah citra digital yang hanya memiliki dua kemungkinan nilai pixel, yaitu hitam dan putih. Citra biner juga disebut dengan citran BW (black and white) atau citra monokrom. Hanya dibutuhkan 1 bit untuk mewakili nilai setiap pixel dari citra biner.
• Citra Grayscale (Grayscale Image)
Citra grayscale merupakan citra digital yang hanya memiliki satu nilai kanal pada setiap pixel-nya. Dengan kata lain, nilai Red = Green = Blue. Nilai tersebut digunakan untuk menunjukkan tingkat intensitas. Warna yang dimiliki adalah warna dari hitam, keabuan, dan putih. Tingkatan keabuan disini merupakan warna abu dengan berbagai tingkatan dari hitam hingga putih.
Gambar 2.3 Citra Grayscale
• Citra Warna 8 bit
Citra warna 8 bit, setiap pixel-nya diwakili oleh 8 bit, dengan jumlah warna maksimum yang dapat digunakan adalah 256 warna. Citra warna 8 bit memiliki 2 jenis:
1. Citra warna 8 bit dengan menggunakan palet warna 256 dengan setiap paletnya memiliki pemetaan nilai (colormap) RGB tertentu. Jenis ini adalah yang paling sering digunakan.
Bit 7 6 5 4 3 2 1 0
Data R R R G G G B B
2. Citra warna 8 bit dengan format 8 bit pada setiap pixel-nya. Jenis ini dinamakan 8 bit truecolor.
Gambar 2.4 8 Bit Truecolor
• Citra Warna 16 bit
Citra warna 16 bit (citra highcolor), setiap pixel-nya diwakili dengan 2 byte memori (16 bit). Citra ini memiliki 65.536 warna.
Bit 15 14 13 12 11 10 9 8 7 6 5 4 3 2 1 0 Data R R R R R G G G G G G B B B B B
Gambar 2.5 16 Bit Highcolor
• Citra Warna 24 bit
Citra warna 24 bit, setiap pixel-nya diwakili 24 bit sehingga total warna adalah 16.777.216. setiap poin informasi pixel (RGB) disimpan ke dalam 1 byte data. 8 bit pertama menyimpan nilai Blue, 8 bit kedua menyimpan nilai Green, 8 bit terakhir menyimpan nilai Red.
2.2.2 Pattern Recognition
Pengenalan pola (pattern recognition) adalah proses klasifikasi dari objek atau pola menjadi beberapa kategori atau kelas yang bertujuan untuk pengambilan keputusan. Pola (pattern) adalah bentuk atau model (atau, lebih abstrak, suatu set peraturan) yang dapat dipakai untuk membuat bagian dari sesuatu. Untuk dapat mengenali pola, diperlukan pola inputan yang kemudian dicocokkan dengan pola yang telah disimpan dalam database.
Metode klasifikasi yang digunakan pada sistem pengenalan pola memiliki dua pendekatan, yaitu:
1. Pendekatan statistik yaitu pendekatan berdasarkan pada karakteristik statistikal dari pola-pola yang ada dengan asumsi bahwa pola-pola tersebut dihasilkan oleh sebuah sistem probalistik.
2. Pendekatan struktural yaitu pendekatan berdasarkan pada hubungan struktural dari fitur dari setiap pola.
Dalam sistem pengenalan pola terdiri dari:
1. sensor, yang mengumpulkan pola. Misalnya kamera dan scanner 2. pre-processing, yang menghilangkan noise
3. mekanisme ekstraksi fitur, untuk mendapatkan informasi numerik dari pola-pola tersebut
4. metode klasifikasi, yang memisahkan pola-pola tersebut ke dalam kategori berdasarkan fitur dan model pembelajaran
5. dan post-processing, yang mengevaluasi benar tidaknya hasil yang didapat.
2.3 Computer Vision
Computer Vision sering disebut dengan Machine Vision. Definisi Computer Vision menurut Kulkarni (2001, p27), adalah penyimpulan (deduksi) otomatis akan struktur atau properti dari dunia tiga dimensi dari satu atau lebih citra dua dimensi tersebut dan pengenalan objek-objek dengan bantuan properti-properti ini, atau secara singkatnya yaitu proses mengenali objek tertentu dari suatu citra. Computer Vision merupakan kombinasi dari:
• Pengolahan Citra (Image Processing) yaitu pemrosesan data dua dimensi (citra) yang bertujuan untuk mendapatkan kualitas citra yang lebih baik. • Pengenalan Pola (Pattern Recognition) yaitu proses identifikasi objek pada
citra atau interpretasi citra yang bertujuan untuk mengekstrak informasi/pesan yang disampaikan oleh citra.
Tujuan dari Computer Vision (Stockman, 2001, p1) adalah membuat keputusan yang berguna tentang objek dunia nyata dan keadaan (scene)
berdasarkan citra yang diambil. Untuk membuat keputusan akan objek nyata, diperlukan membangun deskripsi atau model objek tersebut dari citra. Dengan kata lain, tujuan Computer Vision adalah untuk membangun deskripsi keadaan dari citra.
Tahapan dalam pemrosesan citra dalam Computer Vision secara garis besar terdiri dari:
1. Image Acquisition 2. Image Enhancement 3. Image Segmentation 4. Feature Extraction
5. Operasi pada Biner Image
2.3.1 Image Acquisition
Image Acquisition (pengambilan citra digital) berhubungan dengan sensor yang mengambil citra. Sensor yang digunakan bisa kamera atau scanner.
2.3.2 Image Enhancement
Image Enhancement termasuk dalam tahap preprocessing. Image Enhancement berkaitan langkah-langkah untuk meningkatkan kualitas citra. Tujuan dari Image Enhancement secara teknis adalah untuk menghilangkan noise, memperhalus citra, mempertajam citra, serta mengatur pencahayaan.
Teknik dalam Image Enhancement antara lain: • Grayscale manipulation (manipulasi nilai keabuan)
Grayscale manipulation merupakan teknik pemetaan intensitas dimana tiap pixel diberikan nilai keabuan yang baru untuk meningkatkan ketajaman citra tanpa merubah bentuk dan geometri citra itu sendiri. Teknik ini dilakukan dengan memproses tingkat keabuan histogram (gray level histogram) dari citra (Kulkarni, 2001, p155).
Gray level histogram adalah histogram yang menampilakan tiap tingkat jumlah pixel dalam citra yang memiliki tingkat keabuan tertentu (Kulkarni, 2001, p154). Histogram ini dimanipulasi dengan cara stretch, shrink, atau slide.
• Filtering (convolution)
Menurut Nixon dan Aquado, Filtering merupakan suatu group operation pada pixel. Yaitu menghitung nilai pixel baru dengan menggunakan pixel-pixel tetangganya. Filtering dijelaskan dengan istilah template convolution dimana template-nya adalah suatu matriks koefisien bobot (umunya ganjil dan sama sisi, misalnya 3x3, 5x5, dan seterusnya).
Nilai pixel baru dihitung dengan menempatkan template pada suatu titik, kemudian nilai-nilai pixel dikalikan dengan bobot dan ditambahkan sebagai nilai keseluruhan. Jumlah tersebut menjadi nilai baru bagi pixel ditengah template, inilah yang menjadi pixel bagi citra baru. Proses ini diulang pada semua pixel dalam citra. Operator yang sering digunakan adalah average, gaussian, dan median filtering.
2.3.3 Image Segmentation
Image Segmentation merupakan partisi atau pembagian suatu citra menjadi sejumlah region (daerah) yang membangun citra tersebut (Shapiro dan Stockman, 2001, p279). Tujuan Image Segmentation yaitu:
• Untuk membagi citra menjadi bagian-bagian untuk analisis lebih lanjut. Artinya suatu lingkungan menjadi lebih terkendali sehingga proses segmentasi hanya mengambil bagian yang ingin dianalisis saja.
• Melakukan perubahan representasi, pixel-pixel dari citra harus disusun dalam unit yang lebih tinggi yang lebih berarti atau lebih efisien untuk analisis lebih lanjut.
Region suatu citra adalah kumpulan pixel-pixel yang saling berhubungan yang memiliki kesamaan sifat (Jain, Kasturi, Schunck, 1995, p73). Suatu citra
mungkin terdapat beberapa objek dan tiap objek mungkin terdapat beberapa region berhubungan dengan bagian objek. Supaya suatu citra dapat diartikan dengan benar, maka harus dibagi menjadi region-region yang berhubungan dengan objek atau bagian dari objek.
Teknik dalam Image Segmentation dibagi kedalam dua pendekatan: 1. Edge Based Segmentation
Pendekatan ini melakukan segmentasi dengan cara 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 berada di tepi, dan region pada dua sisi dari batas mungkin memiliki nilai keabuan yang berbeda. Batas region dapat ditemukan dengan mengukur perbedaan anatara pixel-pixel yang bersebalahan. Dasar yang digunakan untuk menemukan edge adalah sifat intensitas, walaupun sifat turunan seperti tekstur dan motion juga bisa digunakan (Jain, Kasturi, Schunck, 1995, p75).
Edge adalah perubahan lokal yang mencolok pada intensitas citra, biasanya dihubungkan dengan diskontinuitas pada intensitas citra atau pada turunan pertama intensitas citra (Jain, Kasturi, dan Schunck, 1995, p140). 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 citra (Jain, Kasturi, dan Schunck, 1995, p143). Edge detector ini melakukan filtering pada citra dengan operator tertentu. Operator yang sering digunakan antara lain: Roberts, Sobel, Prewitt, Laplacian.
2. Region Based Segmentation
Pada pendekatan ini, semua pixel yang berhubungan dengan suatu objek dikelompokkan bersama dan ditandai untuk menyatakan ia tergabung dalam region tertentu. Pixel-pixel dikelompokkan dalam suatu region menggunakan kriteria tertentu yang membedakannya dari bagian lain dari citra. Dua kriteria yang paling penting adalah kemiripan nilai (value similarity) dan kesamaan spasial (spacial proximity).
Teknik-teknik yang digunakan dalam Region Based Segmentation secara garis besar dibagi menjadi tiga, yaitu:
• Metode Thresholding
Metode ini merubah grayscale image menjadi binary image sehingga objek yang diinginkan terpisah dari latar belakangnya (Jain, Kasturi, dan schunck, 1995, p29).
Tujuan metode ini adalah memisahkan pixel yang mempunyai nilai keabuan lebih tinggi dengan yang lebih rendah. Pixel yang niali keabuannya lebih tinggi diberi nialin biner 1, sedangkan pixel dengan nilain keabuan lebih rendah diberi nilai biner 0.
• Metode Top Down (Region Splitting and Merging)
Region Splitting adalah konsep segmentasi dimana region besar yang tidak uniform dipecah menjadi daerah yang lebih kecil yang seragam/uniform. Dimulai dengan seluruh citra yang direpresentasikan sebagai satu region yang biasanya tidak memenuhi kondisi kesamaan. Region Image yang ada kemudian dipecah-pecah untuk memenuhi semua syarat kesamaan (homogenitas) yang diberikan.
Region Merging adalah suatu konsep segmentasi dimana region tetangga dibandingkan dan di-merge jika memiliki hubungan property yang cukup dekat.
Splitting and Merging adalah gabungan dua metode diatas yang memiliki semua keuntungan dari dua metode tersebut.
• Metode Bottom Up (region growing)
Metode ini melakukan segmentasi dengan memulai dari satu bagian dari gambar (disebut seed region) yang biasanya bagian kiri atas dan kemudian region itu tumbuh membentuk region yang lebih besar sampai citra terbagi menjadi region-region.
Teknik ini umumnya lebih baik untuk citra yang banyak noise dimana edge-nya sulit dideteksi. Kesamaan region digunakan
sebagai kriteria utama untuk segmentasi berbasis region growing. Kriteria tersebut antara lain: tingkat keabuan, warna, tekstur, model bentuk.
2.3.4 Feature Extraction
Feature Extraction merupakan tahapan untuk menemukan (mengekstrak) fitur-fitur penting yang akan digunakan untuk proses pengambilan keputusan. Yang dimaksud fitur disini adalah representasi informasi akan citra di dalam tingkat yang lebih tinggi (yang memiliki arti dibandingkan hanya kumpulan pixel), dimana informasi ini yang nantinya akan digunakan untuk pengenalan objek atau keadaan yang terdapat pada citra sesuai tujuan utama dari Computer Vision yang telah dijelaskan.
Fitur yang ditemukan contohnya: garis, bentuk dasar (kotak atau lingkaran), tekstur, dan sifat penting citra lainnya sesuai kebutuhan masing-masing aplikasi. Fitur-fitur ini juga akan direpresentasikan ke dalam bentuk data khusus untuk mempermudah proses pencarian dan pengenalan objek.
2.3.5 Operasi Binary Image
Sebelumnya telah dijelaskan binary image diperoleh dengan cara melakukan thresholding pada grayscale image. Pemrosesan binary image memegang peranan penting sebagai salah satu jenis pemrosesan dalam Computer Vision. Manfaat dari proses binary image adalah algoritma yang mudah dimengerti, lebih cepat dari pemrosesan pada citra grayscale atau warna, dan menggunakan memory dan proses yang lebih sedikit. Teori yang berhubungan dengan proses binary image antara lain: pixel and neigborhood, connected component labeling, proyeksi, operasi morfologi.
2.4 Analisa dan Perancangan Berorientasi Obyek
Analisa dan desain berorientasi obyek berarti merumuskan dan menyelesaikan masalah serta menghasilkan suatu hipotesa dan diagnosa (solusi), memodelkannya dengan pendekatan/paradigma obyek. Dalam melakukan analisa dan perancangan sistem berorientasi obyek penulis menggunakan UML (Unified Modelling Language) untuk memodelkannya. Unified Modeling Language (UML) adalah keluarga notasi grafis yang didukung oleh meta-model tunggal, yang membantu pendeskripsian dan desain sistem perangkat lunak, khususnya sistem yang dibangun menggunakan pemrograman berorientasi objek (Fowler, 2005:1).
UML adalah sintaks umum untuk membuat model logika dari suatu sistem. Dan digunakan untuk menggambarkan sistem agar dapat dipahami selama fase analisis dan desain. Sintaks yang didesain bersifat independen dari bahasa target dan proses perangkat lunak/tool, tapi cukup umun dan fleksibel karena dapat dimodifikasi dengan menggunakan definisi perluasan dan mengakomodasi hampir semua bahasa. Sintaks yang didefinisikan mudah dipahami, dan diaplikasikan ke dalam proyek. Ini memerlukan definisi himpunan semantik yang sesuai untuk proses arsitektur atau perangkat lunak.
UML akan digunakan pada tahap analisa dan desain. Desain yang dihasilkan berupa diagram-diagram UML yang akan diterjemahkan menjadi kode program pada tahap implementasi. UML terdiri atas 13 jenis diagram resmi seperti tertulis dalam tabel 2.1 (Munawar, 2005).
Tabel 2.1 Jenis diagram UML
No. Diagram Fungsi
1. Activity Perilaku prosedural dan parallel
2. Class Class, Fitur, dan relasinya
3. Communication Interaksi diantara objek. Lebih menekankan ke link
4. Component Struktur dan koneksi dari komponen
5. Composite structure Dekomposisi sebuah class pada saat runtime
6. Deployment Penyebaran / instalasi ke klien
8. Object Contoh konfigurasi dari contoh-contoh
9. Package Struktur hierarki saat kompilasi
10. Sequence Interaksi antar objek. Lebih menekankan pada urutan
11. State machihne Bagaimana event mengubah sebuah objek selama aktif
12. Timing Interaksi antar objek. Lebih menekankan pada waktu 13. Use case Bagaimana user berinteraksi dengan sebuah sistem
2.4.1 Use Case Diagram
Use case diagram menggambarkan fungsionalitas dari sebuah sistem. Yang ditekankan adalah “apa” yang diperbuat sistem, dan bukan “bagaimana”. Sebuah Use case diagram merepresentasikan sebuah interaksi antara pengguna sistim dengan sistem. Use case diagram mengambarkan sebuah pekerjaan tertentu, misalnya login ke sistem, membuat sebuah daftar belanja, dan sebagainya. Aktor adalah sebuah entitas manusia atau sistem yang berinteraksi dengan sistem untuk melakukan pekerjaan-pekerjaan tertentu.
Notasi-notasi yang digunakan dalam pemodelan diagram use case dapat dilihat pada Tabel 2.2 adalah:
Tabel 2.2 Notasi Use Case Diagram
Notasi Deskripsi
Aktor, yang digunakan untuk menggambarkan pelaku atau pengguna. Pelaku ini meliputi manusia atau sistem komputer atau subsistem lain yang memiliki metode untuk melakukan sesuatu.
Contoh: Manager, Pelanggan, dan lain-lain.
Use case, digunakan untuk menggambarkan
spesifikasi pekerjaan (job specification) dan deskripsi pekerjaan (job description), serta
keterkaitan antar pekerjaan (job).
Contoh: pesan barang, menutup pintu, dan lain-lain. Aliran proses (relationship), digunakan untuk menggambarkan hubungan antara use case dengan use case lainnya.
Aliran perpanjangan (extension point), digunakan untuk menggambarkan hubungan antara use case dengan use case yang diperpanjang (extended use case) maupun dengan use case yang dimasukkan (included use case).
Aliran yang digunakan untuk menggammbarkan hubungan antara actor dengan use case.
<<extended>> Kondisi yang mendeskripsikan apa yang terjadi antara use case dengan use case yang diperpanjang.
<<include>>
Include adalah kondisi aliran proses langsung (directed relationship) antara dua use case yang secara tak langsung menyatakan kelakuan (behaviour) dari use case yang dimasukkan.
<<has>> Adalah kondisi yang mendeskripsikan apa yang terjadi antara actor dengan use case.
2.4.2 Activity Diagram
Activity diagram merupakan bagian dari model dinamis yang digunakan untuk menggambarkan work flow / proses sistem kita. Diagram ini menunjukkan bagaimana suatu proses dimulai, kemudian alur proses dari tiap keputusan yang ada hingga berakhirnya proses. Serta diagram ini juga memungkinkan untuk menampilkan proses yang terjadi secara pararel.
Activity diagram memungkinkan siapapun yang melakukan proses untuk memilih urutan dalam melakukannya. Dengan kata lain, diagram hanya
menyebutkan aturan-aturan rangkaian dasar yang harus kita ikuti. Hal ini penting untuk pemodelan bisnis karena proses-proses sering muncul secara paralel.
Notasi-notasi yang digunakan dalam pemodelan diagram aktifitas dapat dilihat pada Tabel 2.3.
Tabel 2.3 Notasi Activity Diagram
No. Notasi Keterangan
1 Aktifitas, digunakan untuk menggambarkan aktifitas dalam diagram aktifitas.
2 Node keputusan (decision node), digunakan untuk menggambarkan kelakuan pada kondisi tertentu.
3 Titik awal, digunakan untuk menggambarkan awal dari diagram aktifitas.
4 Titik akhir (final acton), digunakan untuk
menggambarkan akhir dari diagram aktifitas.
5
Akhir alur (flow final), digunakan untuk menghancurkan semua tanda yang datang dan tak memiliki efek alur dalam aktifitas.
6
Aksi (action), digunakan untuk menggambarkan alur antara aksi dengan aksi, titik awal dengan aksi, atau aksi dengan titik akhir.
7
Aksi penerimaan kejadian (accept event action), sebuah aksi yang menunggu sebuah kejadian dari suatu peristiwa bertemu kondisi yang spesifikasi.
8
DataStore digunakan untuk menjaga agar semua tanda yang masuk dan menduplikasinya saat mereka dipilih untuk pindah ke alur selanjutnya (downstream).
9 Node fork memiliki satu aksi yang masuk dan
beberapa aksi yang keluar. <<datastrore>>
10 Join node digunakan untuk menggambarkan beberapa aksi yang masuk dan satu aksi yang keluar.
2.4.3 Sequence Diagram
Sequence diagram digunakan untuk mengambarkan perilaku pada sebuah skenario. Diagram ini menunjukan sejumlah contoh objek dan message (pesan) yang diletakan diantara obyek-obyek ini di dalam use case (Fowler:2004,53). Diagram sequence menggambarkan interaksi dengan menampilkan setiap partisipan dengan garisalir secara vertikal dan pengurutan pesan dari atas ke bawah.
Sequence Diagram biasa digunakan untuk menggambarkan skenario atau rangkaian langkah-langkah yang dilakukan sebagai respon dari sebuah kejadian (event) untuk menghasilkan output tertentu. Di awali dari apa yang men-trigger aktivitas tersebut, proses dan perubahan apa saja yang terjadi secara internal dan output apa yang dihasilkan. Masing-masing objek, termasuk aktor memiliki lifeline vertikal. Pesan digambarkan sebagai garis berpanah dari satu objek ke objek lainnya. Notasi-notasi yang digunakan dalam pemodelan sequence diagram terlihat dalam Tabel 2.4.
Tabel 2.4 Notasi pemodelan Sequence Diagram
Notasi Keterangan
Aktor, merupakan sebuah peran yang dimainkan seseorang pengguna dalam kaitannya dengan sistem.
Activation, menggambarkan waktu yang dibutuhkan suatu objek untuk menyelesaikan suatu aktivitas
Kelas Entitas, memodelkan informasi yang harus di simpan oleh system
Kelas, adalah yang memodelkan interaksi antara satu atau lebih aktor dengan sistem.
Kelas Kontrol, digunakan untuk memodelkan “perilaku mengatur”, khusus untuk satu atau beberapa use case saja. Lifeline, digambarkan dengan garis putus-putus, yang menggambarkan bahwa hadirnya objek terhadap waktu. Aliran Pesan, digambarkan dengan tanda panah, yang menggambarkan komunikasi antar objek.
2.4.4 Class Diagram
Class diagram mendeskripsikan jenis-jenis obyek dalam system dan berbagai macam hubungan statis yang terjadi. Class diagram juga menunjukkan properti dan operasi sebuah class dan batasan yang terdapat dalam hubungan dengan obyek.
2.5 Pengujian Black Box
Pengujian Black Box adalah pengujian aspek fundamental sistem tanpa memperhatikan struktur logika internal perangkat lunak. Metode ini digunakan untuk mengetahui apakah perangkat lunak berfungsi dengan benar. Pengujian Black Box merupakan metode perancangan data uji yang didasarkan pada spesifikasi perangkat lunak. Data uji dieksekusi pada perangkat lunak dan kemudian keluar dari perangkat lunak diperiksa apakah telah sesuai yang diharapkan.
Pengujian Black Box berusaha menemukan kesalahan dalam kategori berikut:
1. Fungsi-fungsi yang tidak benar atau hilang 2. Kesalahan antar muka (interface)
3. Kesalahan dalam struktur data atau akses database eksternal 4. Kesalahan kinerja
2.6 Teknologi Pendukung
2.6.1 FlashDevelop
FlashDevelop adalah Integrated Development Environment (IDE) untuk
pengembangan Adobe Flash website , aplikasi web dan aplikasi desktop .Aplikasi yang dihasilkan berjalan di Adobe Flash Player atau Adobe Integrated Runtime, pada Microsoft Windows, Mac OS X, Android atau iOS.
FlashDevelop menggunakan Adobe Flex SDK gratis untuk
membangun ActionScript 3 dan aplikasi MXML, MTASC compiler gratis untuk membangun aplikasi ActionScript 2, dan Haxe toolkit gratis untuk membangun aplikasi ActionScript 3, PHP, Neko atau JavaScript.
FlashDevelop adalah open source software dan gratis, sebagian besar ditulis dalam C#. FlashDevelop dapat ditambahkan dengan plugin dan merupakan aplikasi NET Framework 2.0 dan hanya tersedia untuk Microsoft Windows.
2.6.2 Adobe Flash
Adobe Flash (sebelumnya disebut Macromedia Flash) adalah software
multimedia yang digunakan untuk mengolah gambar
vektor, animasi, game dan Rich Internet Applications (RIA) yang dapat dilihat, diputar, dan diekseskusi pada Adobe Flash Player. Flash sering digunakan untuk menambahkan video streaming atau audio player, iklan dan konten interaktif multimedia untuk halaman web, meskipun penggunaan Flash pada website menurun.
Flash memanipulasi vektor dan raster grafis untuk memberikan animasi teks, gambar, dan video. Hal ini memungkinkan streaming audio dan video menangkap input dari user melalui mouse, keyboard, mikrofon, dan kamera. Aplikasi dan animasi Flash dapat diprogram menggunakan pemrograman berorientasi objek yang disebut ActionScript. Adobe Flash Professional adalah
yang paling populer dan user-friendly untuk membuat konten Flash, yang juga memungkinkan otomatisasi dengan JavaScript Flash Language (JSFL)
Adobe Flash Player membuat konten Flash dapat diakses pada berbagai sistem komputer dan perangkat lain, disediakan gratis untuk umum untuk web browser (sebagai plug-in) pada sebagian besar sistem operasi, beberapa smartphone dan tablet, dan beberapa perangkat lain yang menggunakan Flash Lite.
