Langsung ke konten utama

Pemrograman Berorientasi Object - Pewarisan

     Dalam pemrograman berorientasi object, dikenal istilah pewarisan / inheritance. Inheritance merupakan konsep pemrograman yang membagi source code menjadi class yang saling terhubung satu dengan yang lain. Seperti di dunia nyata, seorang anak mewarisi / mempunyai beberapa sifat bawaan dari orang tua seperti sama sama suka bermain musik, sama sama berambut keriting dll.
    Di dalam pemrograman, kelakuan kelakuan tersebut dapat berupa method / function, sedangkan sifat dapat berupa variable / contanta. Function adalah sebuah kelakuan / fungsi untuk melakukan sesuatu.

Contoh :

class Bapak{
    
    private $warna_rambut = 'hitam';
    private $warna_kulit  = 'sawo matang';
    public function makan(){
       echo 'makan dengan tangan kanan';
    }

    public function tidur(){
       echo 'tidur dengan mendengkur';
    }

    function mainGitar(){
        echo 'main dengan tangan kanan';
    }

}

di atas merupakan contoh class bapak yang mempunyai variable warna rambut dan warna kulit serta mempunyai function makan(), tidur(), mainGitar(). Dibawah ini contoh class yang mewarisi class Bapak.

class Andi extends Bapak{
    
    public function membaca(){
       echo 'membaca novel';
    }

    function mainGitar(){
        echo 'main dengan tangan kiri';
    }

}

class Andi merupakan class turunan dari class Bapak yang ditandai dengan kata extends. dengan demikian, secara default class Andi mewarisi kelakuan / function dari class Bapak seperti function makan(), tidur(), mainGitar(). Sehingga apabila dijalankan keluar hasil sebagai berikut.


$andi = new Andi();
$andi->makan(); // output: makan dengan tangan kanan
$andi->tidur(); // output: tidur dengan mendengkur
$andi->mainGitar(); // output: main dengan tangan kiri
$andi->membaca(); // output: membaca novel

seperti terlihat pada potongan kode di atas, $andi merupakan object / instance dari class Andi. secara default class Andi memiliki function bawaan dari class Bapak dan dapat dipanggil menggunakan object dari class Andi.

Lho... itu yang function mainGitar() kok outputnya "main dengan tangan kiri", bukan "main dengan tangan kanan seperti yang di class Bapak" ?

itu karena function mainGitar() sudah di override oleh class Andi dengan isi yang berbeda. Apa itu override ? Silahkan simak di artikel saya selanjutnya.
  
    kenapa harus pakai pewarisan ? apa untungnya ?

    Bayangin aja kalau kita mau buat CRUD ke database sebanyak 100 tabel dan semuanya pakai insert, update, delete dan membaca isi tabel. Apa gak makan ati kalau buat 100 file yang sama sedangkan yang beda cuma nama tabel dan nama kolomnya aja. trus tiap file ada kode koneksi ke database. Dengan konsep pewarisan semua kode itu bisa diringkas dan tentunya dengan kemampuan yang sama. Dan masih ada banyak lagi keuntungan yang didapat dengan catatan anda mau mencobanya sendiri.
 
    Akhir kata, terima kasih telah mampir dan meluangkan waktu membaca tulisan saya kali ini.

Komentar

Postingan populer dari blog ini

Contoh Perhitungan Algoritma Perceptron

      Melanjutkan tulisan saya sebelumnya tentang algoritma perceptron,kali ini saya akan menulis tentang conto perhitungan manual algoritma perceptron. Untuk contoh kasusnya saya menggunakan data logika AND. Cekidot.... Algoritma      Data yang kita gunakan sebagai contoh adalah data logika AND sebagai berikut: x1 x2 target 0 0 0 0 1 0 1 0 0 1 1 1       tentukan bobot awal secara acak, saya pakai contoh w1 = 0,w2 =0, learning rate = 1, bias = 0,maksimal epoh = 10. Disini saya memakai fungsi aktivasi undak biner. Epoh ke 1 Data ke satu x = {0,0}, bobot w = {0,0},b=0,target = 0 y_in = (x1*w1)+(x2*w2)+b = (0*0)+(0*0)+0 = 0 y = sign(0) = 1 karena y != target maka hitung error dan update bobot  error = target - y = 0 - 1 = -1 w1_baru = w1_lama +(learning_rate*error*x1)                = 0 ...

Contoh Perhitungan Algoritma Learning Vector Quantization

Melanjutkan tulisan saya tentang algoritma Learning Vector Quantization yang lalu, kali ini saya akan melanjutkan dengan contoh perhitungan manual. Berikut ini contoh data yang akan kita hitung. No X1 X2 X3 X4 target 1 0 1 1 0 0 2 0 0 1 1 1 3 1 1 1 1 0 4 1 0 0 1 1 pada contoh di atas, saya menggunakan 4 data sebagai data training beserta target yang bertujuan untuk mendapatkan bobot yang akan digunakan pada proses klasifikasi. Bobot awal adalah { 1, 1, 1, 0} dan { 1, 0, 1, 1} dengan learning rate 0,05 dengan fungsi pembelajaran = 0,1. Pelatihan Iterasi ke 1 1. Data ke 1 { 0, 1, 1, 0} dengan target 0, bobot = {{ 1, 1, 1, 0},{ 1, 0, 1, 1}}      - menghitung bobot untuk masing masing output :          kelas 0 = sqrt(((0-1)^2)+((1-1)^2)+((1-1)^2)+((0-...

Part 7 : Normalisasi Histogram

Menyambung tulisan saya yang sebelumnya tentang pengolahan citra khususnya histogram,kali ini saya lanjutkan tentang Normalisasi histogram.Sebelumnya saya harap agan sudah mengerti tentang histogram.Jika belum bisa di baca dulu di tulisan saya sebelumnya di sini . Normalisasi Histogram adalah menskalakan nilai piksel secara linear untuk menggunakan secara penuh jangkauan yang tersedia. Rumus :  Keterangan : n k= nilai grayscale dari piksel ke k(k = 0,1,2,3....) min = nilai grayscale terkecil yang diperoleh dari histogram max = nilai grayscale terbesar L = range nilai grayscale citra Contoh perhitungan : dari tabel di atas,nilai min adalah 2 yaitu nilai grayscale terkecil dari citra dan max adalah 5 s = 0 - 2 /5 - 2 =0 (untuk n = 0)  hasil = 0 x 7(nilai maksimal grayscale) = 0 sk = 3 - 2 /5 - 2 = 0.333  (untuk n = 3) hasil = 0.333 x 7 = 2 keterangan : 7 adalah range grayscale dari citra,dan untuk banyak kasus biasanya memakai 255. Tujuan Normalisasi...