1. Judul COLOR IMAGE SEGMENTATION USING HISTOGRAM THERSHOLDING -FUZZY C

MEANS HYBRID APPROACH

2. Latar Belakang Pada image processing dan computer vision segmentasi warna merupakan bagian langkan untuk melakukan

image analysis dan pattern recognition

Fuzzy C means algoritme telah sering digunakan untuk memperbaiki compactness of region dengan menvalidasi

cluster dan implementasinya sederhana.

Dalam proses segmentasi warna selalu disulitkan pada selection of suitable seed region dan pada penerapan

Fuzzy -c mean dihapakan pada persoalan penentuan dari jumlah cluster dan pusat cluster

Maka dari itu penulis menwarkan model Histogram thresholding Fuzzy C mean (HTFCM) hybrid untuk

mengtasi permasalah tersebut.

3. Rumusan

Masalah

Sulinya melakukan inisialisasi untuk memutuskan cluster number dan memproleh cluster centroid yang

mempengaruhi cluster compactness dan classification accurasy

4. Landasan Teori 1. Histogram Thresholding ( pengenalan,proses dan implementasi)

2. Fuzzy –C Means (pengenalan,proses dan implemntasi)

5. Metode -Histogram Thresholding module terdiri dari 3 pase,the peck finding technique,region initilizatin and the mergen

procces

-FCM module digunakan utuk improve compactness of the clster ( optimized laber for each cluster centroid

from the member of each cluster)

6. Kesimpulan dan

Saran

Pendekatan Histogram Thresholding-Fuzzy C-Means (HTFCM ) Hybrid merupakan model yang berbeda dalam

melakukan pengenalan pola dalam computer vision,terutama pada color image segmentasi.model ini merupakan

solusi bagus untuk mengatasi kesensitifan dari FCM’s dalaman melakukan inisialisasi claster centroid dan

number centroid dengan menggunakan Thresholding Tehnik.kemudian menawarkan Algoritma yang lebih

eficien dan hasilnya sangat baik dalam melakukan segmentasi warna.

Lampiran Paper

1. Judul Human Visual System-Based Image Enhancement and Logarithmic Contras Measure

2. Latar Belakang Beragam kendala dan proses didalam melakukan perbaikan gambar telah dikembangkan

untuk memberikan performa terbaik pada system vision. Masalah klasik yang belum bias

dipecahakan dianatara membedakan bayangan,cahaya kilap,dan brigthenes yang berlebih

pada image .

Kemudian masalah menemukan metode yang paling efektif pada kasus ini dan mampu

bekerja secara otomatis.

Untuk itu peneliti berhasil menemukan model baru yaitu HVS (Human Visual System) DAN

AME ( logarithmic Michelson contras measure ) untuk mengtasi kasus pada penelitian ini

3. Rumusan Masalah Otomatis image enhancement dibutuhkaan dalam keriteria perbaikan gambar dan external

evaluation of quality

4. Landasan Teori 2.1. PLIP MODEL DAN ARITHMETIC

model ini pokus pada 5 pondasi untuk image processing

framework ( model pisik dari gambar itu sendiri sepeti tekstur,gambar

utuh atau natural,computasi yang efectif,hasilnya terbukti baik

dan trakhir image itu harus jauh dari noisy

2.2. ALPHA ROOTING DAN LOGARITHMIC ENHANCEMENT

hanya bekerja pada 2-D Orthogonal Transform pada imputan image

dan dimodifikasi pada coefisiennya dengan pormula tersendiri.

2.3. MULTISCALE CENTER-SURROUND RETINEX

algoritma ini bekerja pada a high-pass filter dengan pertimbanga dan rata

rata

5. Metode 1. HVS Based Image Enhancement

Pada tahapan ini dilakukan perbaikan /penyeragaman kecerahan pada gamabr

dan dilakukan segmentasi untuk meningkatkan performa dari gambar

2. Selektion of parameter using the measure

Melakukan seleksi pada constanta menggunakan parameter AMEE.

3. Analisys

Melakukan analisa dari model HVS dan parameter AMEE untuk memproleh hasil

terbaik .

6. Kesimpulan dan Saran Pada paper ini berisi hal baru dalam penangan kasus pada image dengan model HVS dan

algoritma baru untuk meningkatkan contras pada wilayah gambar untuk membantu

menentukan tepi pada gambar dan isu tradisional seperti (bayangan,cahya terang)

Kemudian parameter baru yaitu model PLIP pada image enhancement merupakan

parameter terbaik.

Sehingga dapat disimpulkan menggunakan model HVS dan parameter PLIP sangat

objektif dan subyektif untuk kasus perbaikan gambar.

7. Lampiran Paper

1. Judul PARTICLE SWARM OPTIMIZATION OF ENSEMBLE NEURAL NETWORKS

WITH FUZZY AGGRETION FOR TIME SERIES PREDICTION OF THE

MEXICAN STOCK EXCHANGE

2. Latar Belakang A time series is a sequence of data point,measured typically at successive points in time and

spaced uniform time intervals.

Model time series has applied to solve various domain problem, seperti financial forecasting

,stock market etc.

Kemudian pada paper ini akan dilakukan design neural network dengan particle swarm

optimization algorithm (PSO) dan diintegrasikan dengan type 1 and type 2 Fuzzy System

untuk melakukan prediksi pada kasus the Mexican stock exchange.

3. Rumusan Masalah Mencari model yang paling akurat dan efisien dalam melkukan prediksi dengan melihat

akurasi dari model yang telah dilakukan

4. Landasan Teori 2.1 A neural network is a system of parallel processors interconnected as a directed

graph. Schematically each processing element (neurons) in the network is

represented as a node.

2.2 The operation of the optimization algorithm by the swarm of particles is given by a

sequence of steps, which are:

1. Generate the initial swarm.

2. Evaluate the particles of the swarm.

3. Updating the particle velocity.

4. Calculating new positions of the particles.

2.3 .fuzzy logic was conceived by Lotfi A. Zadeh in 1965, based on a fuzzy set that

differs from the

traditional sets considering now that the membership degree is define by a function

that represents a membership, which evaluates the input, and according to some

predefined rules, assigns the membership degree to a fuzzy set.

5. Metode This section describes the general architecture of the proposed ensemble neural network

model. The aim of this work was to implement a PSO algorithm to optimize the neural

network architectures, for each of the modules, number of neurons and number of layers

and thus find an architecture for the neural network that produces the best results in each

particular time series that is considered. shows the overall architecture, where historical

data for each time series prediction, in this case the Mexican Stock Exchange is used as

input, and then the time series analyzed and in the next step the data provided to the

modules, which are optimized with PSO in which the particle contains information of the

ensemble neural network for

the optimization. The particle gives us the number of modules, number of layers and

number of neurons are then applied to the neural network ensemble and then these results

of these modules are integrated with an integration method based on type-1 and type-2

fuzzy logic and finally obtain the prediction error

6. Kesimpulan dan Saran The PSO algorithm to optimize the architecture of the ensemble neural network to predict

the time series of the Mexican Stock Exchange, where good results were obtained, and

we can say that this algorithm is good in speed when compared with other optimization

techniques.

the use of ensemble neural networks with type-2 fuzzy integration could be a good

choice in predicting complex time series.

7. Lampiran Paper