Download - review jurnal TI
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.
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.
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.