metode fmadm

SISTEM PENDUKUNG KEPUTUSAN KELAYAKAN

TKI KE LUAR NEGERI MENGGUNAKAN FMADM

Identifikasi masalah yang selesaikan oleh paper

1.pada prosedur klayakan calon tki perlu diadakan peningkatan dalam segi kualitan pengambilan keputusan.

2.sulitnya menentukan tki yang layak untuk dipekerjakan di luar negri karena harus memiliki criteria khusus.

Kontribusi dari paper dan tujuan penulisan

1.membantu pengambilan keputusan kelayakan TKI ke luar negeri

2.membangun SPK(sistem pendukung keputusan kelayakan) TKI menggunakan FMADM

Metode dan  cara yang digunakan

1.metode yang digunkan adalah FMADM(Fuzzy Multiple attribute decision making)

2.sistem pendukung keputusan yang dibangun menggunakan linier sequential model

Hasil utama dari research

1. Sistem Penunjang Keputusan yang dibangun mampu menghasilkan daftar rangking calon TKI, sehingga memudahkan pihak BP3TKI

dalam mengambil keputusan TKI yang layak kirim kerja ke luar negeri.

2. Sistem ini dapat menerima input data calon TKI, melakukan konversi data calon TKI berdasarkan kriteria: usia, pendidikan terakhir, psikotes dan lama pengalaman kerja ke bilangan crisp, melakukan perhitungan normalisasi dan perangkingan, sehingga dapat menghasilkan informasi hasil penyeleksian kelayakan tenaga kerja ke luar negeri berdasarkan urutan rangking.

3. Sistem Pendukung Kelayakan Tenaga Kerja ke Luar Negeri dengan menggunakan metode Fuzzy Multiple Attribute Decision Making (FMADM) pada BP3TKI Kota Palembang dapat memberikan validasi data agar terhindar dari pengulangan penyimpanan data yang sama. 

Kelemahan paper tersebut

1,aplikasi yang dibuat masih berbasis desktop(stand alone) sehingga untuk berkomunikasi dengan stap bagian admin masih sulit

Permasalahan IMPLEMENTASI LOGIKA FUZZY MAMDANI dalam perhitungan gabah

1.    Di temukan informasi dan data yang sulit diukur  nilainya.

2.    Sulitnya para petani dalam menentukan harga jual gabah yang tepat

Kontribusi dari paper dan tujuan penulisan

1.dapat membantu para petani ataupun pedagang ini untuk menentukan harga jual gabah mereka sesuai dEngan kualitas gabah mereka

Metode dan cara yang digunakan

1.metode logika fuzzy mamdani , dalam metode ini, pada setiap aturan yang berbentuk implikasi(‘’sebab-akibat’’) anteseden yang berbentuk konjungsi (AND) mempunyai nilai keanggotaan berbentuk minimum(min), sedangkan konsekuen gabungannya berbentuk maksimum(max).

2.tahap-tahapan analisa yang akan dikembangkan untuk membangun logika fuzzy ini meliputi; fuzzyfikasi, basis pengetahuan fuzzy, mesin inferensi, defuzzikasi.

3. pengujian sistem dilakukan dengan menggunakan metode MAPE yaitu suatu metode yang digunakan untuk mengukur tingkat validasi dari suatu model.

Hasil utama dari research

1. Dari proses-proses fuzzyfikasi hingga defuzzyfikasi yang sudah

dilakukan dengan memberikan sampel yang harus dihitung sehingga

didapatkan harga kualitas gabah, setelah dilakukan penerapan logika fuzzy

akhirnya didapatkan harga   Rp 4803,6. Hasilnya masih ada di range Harga

Kualitas GKG (4500-5000) dan itu berarti hasil yang didapat sudah sesuai

dengan aturannya.

Kelemahan paper tersebut

1.    Hanya melihat dari kadar air dan kadar kotoran, tidak melihat lama penyimpanan gabah

KECERDASAN BUATAN HYBRID UNTUK  PREDIKSI CURAH HUJAN

Identifikasi masalah yang selesaikan oleh paper

Pembacaan pola curah hujan dapat dilakukan oleh model kecerdasan buatan (Artificial Inteligence) dengan menggunakan data historis mengenai parameter klimatologi. Kota Makassar sampai saat ini menggunakan model HyBMG yang dimiliki oleh BMKG Indonesia. Sebelumnya telah diteliti pendekatan kuantitatif jaringan saraf tiruan (Indrabayu, dkk, 2012) serta pendekatan kualitatif dengan logika fuzzy (Indrabayu dkk, 2012).Dalam penelitian ingin diusulkan suatu model hybrid yaitu jaringan saraf tiruan dikombinasikan dengan logika fuzzy.  

Curah hujan yang tinggi di wilayah tropis pada umumnya dihasilkan dari proses konveksi dan pembentukan awan hujan panas Pada dasarnya curah hujan dihasilkan dari gerakan massa udara lembab ke atas

Kontribusi dari paper dan tujuan penulisan

pengambilan data cuaca yang terdiri dari enam variabel. Variabel cuaca ini diukur dan direkam oleh BMKG Bandara Hasanuddin-Makassar. Tidak semua variabel memiliki korelasi yang baik terhadap proses terjadinya hujan, maka dilakukan pemilihan dan pemilahan data dimana data yang memiliki korelasi baik akan dijadikan sebagai input. Untuk prediksi variabel input digunakan neural network. Data yang telah dipilih dikelompokkan menggunakan metode fuzzy cluster means agar di dapatkan parameter premis awal pada sistem fuzzy logic. Kemudian dilakukan perancangan sistem fuzzy logic menggunakan software Matlab 7.6. Data hasil sistem fuzzy logic divalidasi dengan data aktual dari BMKG. Setelah hasil validasi memenuhi kriteria maka langkah selanjutnya adalah validasi cuaca tahun 2010 dan prediksi cuaca tahun 2011 berbasis neural network-fuzzy logic . Langkah selanjutnya dilakukan analisis mengenai kinerja dan ketepatan prediksi sistem, selanjutya dibuat laporan hasil penelitian ini. 

Data yang digunakan dalam penelitian ini adalah data meteorologi dan klimatologi

Metode dan  cara yang digunakan

Metode yang di gunakan metode kuantitatif

Cara yang digunakan menggunakan logika fuzzy

Hasil utama dari research

rata-rata hasil prediksi variabel input temperatur, kelembaban, dan kecepatan angin masing-masing 1.16x10-2, 0.0067, dan 0.104.

2.Validasi curah hujan tahun 2010 dengan metode fuzzy logic mencapai 81.64%.

3. Validasi curah hujan dengan metode neural network-fuzzy logic mencapai 67.67%. Ketidaktepatan prediksi hujan tahun 2010 disebabkan cuaca ekstrim yaitu tingginya intensitas hujan pada musim kemarau

Kelemahan paper tersebut

- Tidak semua data yang ditemukan tersebut akan digunakan

. Hanya variabel yang secara signifikan mempengaruhi kondisi keesokan hari yang akan digunakan

Pemodelan Kecerdasan Buatan Untuk Pengenalan Citra Elektrokardiografi (EKG)

Identifikasi masalah yang diselesaikan oleh paper

Pada penelitian ini telah dibuat pemodelan kecerdasan buatan untuk mengenali pola citra Elektrokardiografi guna mengklasifikasikan citra jantung normal dan tidak normal.

Kontribusi dari paper dan tujuan penelitian

1.    Bias membantu pasien dan dokter dalam diagnosa kelainan irama detak jantung.

2.    meniru kemampuan seorang dokter untuk mengenali pola-pola dari EKG.

Metode dan cara yang digunakan

Metode yang digunkan  metode “bilinier interpolasi”

Cara yang digunakan dengan

A.   perekaman sinyal jantung

Perekaman EKG dilakukan sebanyak 12 sandapan (lead) yang dipasang di

dada dan beberapa bagian tubuh yang lain. Letak masing-masing sandapan

ditentukan oleh aturan tertentu. Kedua belas sandapan tersebut adalah :

1. Tiga sandapan standart yang ditempatkan secara bipolar pada lengan

kanan, lengan kiri, dan kaki kiri, yang ditandai sandapan I, II, dan III.

2. Tiga sandapan pada bidang frontal, yang dihubungkan dengan titik

tengah atau unipolah yang disebut sandapan aVL, aVR , dan aVF.

3. Enam sandapan unipolar pada dada, yaitu V1, V2, V3, V4, V5, dan

V6.

B.   Pemodelan kecerdasan buatan

Yang dibutuhkan dalam pemodelan ini adalah dasar dasar cara kerja

neuron sebagai berikut :

- Output dari neuron mempunyai dua keadaan (Of / On).

- Output neuron hanya bergantung dari input. Untuk mengaktifkan

neuron butuh input yang aktif.

- Input pada pemodelan disamakan dengan sensor pada manusia.

Keluaran neuron dapat dirumuskan dalam persamaan :  

  

   

bb

n

i

ii P WPWfa 1

dimana  Pi  = input untuk neuron 

   Pb  = input bias

   Wi   = bobot interkoneksi

   Wb  = bobot untuk masukan bias

   N = jumlah masukan

Hasil utama dari research

Keberhasilan  proses pelatihan dapat dilihat dari kemampuan jaringan

yang dibuat dalam mencapai target yang ditentukan pada lapisan keluaran. Hasil dari proses

pelatihan dengan menggunakan jumlah neuron yang bervariasi:

1. dengan menggunakan jumlah

neuron sebesar 30 maka proses pelatihan dapat mencapai target setelah iterasi

463.

2. dengan menggunakan jumlah

neuron sebesar 35 maka proses pelatihan dapat mencapai target setelah iterasi

443.

3. dengan menggunakan jumlah

neuron sebesar 40 maka proses pelatihan dapat mencapai target setelah iterasi  473

4. dengan menggunakan jumlah neuron

sebesar 45 maka proses pelatihan dapat mencapai target setelah iterasi 429.

Kelemahan  paper tersebut

Sistematika penulisannya kurang terstruktur

RANCANGAN PENERJEMAH BAHASA INGGRIS - INDONESIA MENGGUNAKAN TEKNIK KECERDASAN BUATAN

1.    Identifikasi masalah yang diselesaikan oleh paper

    A) permasalahan pada masalah ilmiah

i. Terkadang  ada lebih dari satu struktur sintakx yang cocok dengan suatu kalimat, sehingga         terjadi apa yang disebut ambiguitas

ii. selain kenyataan bahwa suatu kalimat dapat bermakna ganda, ternyata  kasus sebaliknya          terjadi juga, yaitu pengungkapan suatu kenyataan yang sama dapat digunakan beberapa kalimat yang berbeda, sehingga disebut dengan makna tunggal.

iii. selain dan penanganan kata-kata yang benar muncul dalam kalimat, pemproses  bahasa  alami juga harus berurusan dengan fenomena dimana suatu kata berbeda dalam bentuk “zeroed”, yaitu secara fisik tidak ada tetapi dapat direkontruksi dari konteks kalimat.

iv. suatu eskpresi yang sama dapat memiliki arti yang berbeda dalam konteks yang berbeda.

B) Tidak ada program pengelola bahasa alami yang dapat menyelesaikan semua permasalahan   dengan   tepat, karena kata baru, ekspresi  baru, dan artinya dapat berkembang sangat bebas.

2.    Kontribusi dari paper dan tujuan penulisan

Membahas keterbatasan –keterbatasan dan peluang pada pemrosesan bahasa alami baik yang berkaitan dengan karakteristik bahasa alami maupun berkaitan dengan teknologi  computer yang ada pada saat ini.

3.    Metode dan cara yang digunakan 

Ada beberapa pendekatan cara kerja mesin penterjemah yaitu:

-          Sistem Penterjemah Langsung yang berdasarkan metode tertentu, menterjemahkan masukan dalam bahasa tertentu menjadi bahasa target yang diinginkan.

-          Sistem Penterjemahan Tidak Langsung, yang menganalisa bahasa sumber terlepas dari proses sintesa bahasa target. Dalam penterjemahan tidak langsung, proses sintesa bahasa target tidak tergantung dari bahasa sumber. Pada sistem tidak langsung ini ada dua kemungkinan utama yaitu.

a)    Metode Interlingual, yaitu menggunakan  representasi formal  yang tidak tergantung dari bahasa sumber. Dari representasi formal ini dapat dilakukan sintesa bahasa target..

b)    Metode Transfer, pertama-tama mengubah teks sumber menjadi representasi internal yang bentuk dan strukturnya tergantung dari bahasa masukan. Kemudian, mentransfer representasi tersebut menjadi representasi keluaran. Pada penelitian ini, metode yang dipilih adalah terjemahan langsung, karena dapat mengakomodasi bentuk-bentuk spesifik yang merupakan karakteristik pemetaan Bahasa Indonesia dan bahasa Inggris yang mungkin tidak dapat diturunkan dari pemetaan yang umum. Selain itu juga dengan pertimbangan bahwa permasalahan kita hanya pada penterjemahan dwi bahasa yaitu Inggris Indonesia sehingga tidak dibutuhkan  adanya representasi perantara.

4.    Hasil utama dari research

Dengan menggunakan software penerjemah bahasa dapat meningkatkan produktivitas khususnya dalam berkomunikasi

5.    Kelemahan paper tersebut

Hanya untuk bahasa alami, belum bias dipakai untuk bahasa prokem

DAFTAR ADSENSE INDONESIA CEPAT DITERIMA

Google Adsense adalahsalah satu program PPC ( Pay Per Click) yang paling banyak digemari oleh Publisher Indonesia untuk memonetize situs mereka. Sejak Google Adsense mendukung Website berbahasa Indonesia tahun 2012 yang lalu, banyak sekali blogger Indonqesia yang mendaftarkan blog mereka Google Adsense. Sayangnya, untuk menjadi member dan mendapatkan penghasilan dari Google Adsense itu bukan hal yang mudah. Bahkan ada yang kesulitan tentang cara daftar Google Adsense, padahal sebenarnya cara mendaftar di program PPC Google ini tidak sulit juga sih.

Banyak blogger yang sudah mendaftar, namun tidak semua diterima menjadi publisher di Google Adsense. Ini karena website atau blog yang didaftarkan tidak memenuhi kriteria yang diharapkan oleh Google. Pihakn Google Adsense menginginkan website/ blog yang menjadi publisher mereka adalah situs-situs yang berkualitas dan memenuhi aturan ( TOS ) mereka.

Kalau dulu, cara daftar Google Adsense itu sangat mudah. Tapi seiring pertumbuhan dan perkembangan internet, Google Adsense sudah melakukan banyak perubahan pada layanan mereka dan disesuaikan dengan perkembangan yang ada. Membuat sebuah blog ala kadarnya dan sisi dengan konten yang sangat " dangkal", lalu mendaftarkannya di Google Adsense adalah sebuah tindakan yang sia-sia karena pasti tidak akan diterima.

Lalu bagaimana cara mendaftar Google Adsense agar cepat diterima? Keunikan, nilai jual, dan originalitassebuah website adalah syarat yang sangat penting agar diterima oleh Google Adsense. PPC ini adalah program periklanan laiinya. Mereka tentunya menginginkan website yang menayangkan iklan mereka bisamemberikan promosi atau pemasaran yang baik bagi para pengiklan. Sebenarnya proses mendaftarnyasangat mudah, tapi untuk diterima pada program PPC Google ini, Anda harus memperhatikan beberapa hal penting.

Sebelum mendaftar,  sebaiknya Anda memperhatikan beberapa hal penting berikut ini agarpeluang diterima lebih besar.

1. Membuat Konten Yang Unik di Situs Anda

Seperti yang sudah disebutkan sebelumnya, aroginalitassebuah ide atau konten di dalam website Anda adalah nilai penting bagi Google Adsense. Mereka memperhatikan apakah konten di dalam sebuah website bermanfaat bagi orang lain atau tidak.

Sebenarnya konten-konten di internet itu banyak yang membahas topik yang sama. Namun, cara penyajiannya ata cara penulisannya yang berbeda. Misalnya, Anda menulis tentang " cara menanam bunga melati", tentunya ada banyak konten di situs lain yang membahas tentang ini. Namun, cara menuliskan konten di blog orang lain. Nah, kalau konten Anda adalah hasil copy paste dari sumber lain, kemungkinan besar situs Anda tidak akan disetujui untuk ikut program PPC Google Adsense.

2. Perhatikan Umur Situs Yang Didaftarkan

Sebaiknya jangan terlalu buru-buru untuk mendaftarkan blog Anda untuk Google Adsense karena mereka memperhatikan umur website, jumlah konten, jumlah pengunjung, page view, dan lain-lain. Bila Anda saat ini memiliki blog yang sudah berumur 6 bulan, sudah diisi banyak konten, dan memiliki unique visitor yang stabil, ini bisa meyakinkan pihak Google Adsense bahwa blog Anda adalah tempat yang baik untuk memasang iklan.

SEMOGA BERMANFAAT UNTUK TEMAN-TEMAN

Pulsa Atau Gcas gratis untuk ANDROID

Pulsa atau G-CASH gratis
Silakan coba cara di bawah ini

Hanya Untuk HP ANDROID

1. Langkah  pertama download dulu aplikasi Pudding Point di google Playstore

2. JSetelah itu instal dan buka aplikasinya, lalu masukan kode VZEXHU untuk mendapatkan 100           point sebagai modalpertama. (ingat, pemasukan kode hanya muncul sekali, jadi harap catat kode         VZEXHU terlebih dahulu sebelum membuka aplikasi.

3. Sekarang kerjakan tugas-tugas yang tersedia untuk mendapatkan point.

4. Jika kalian sudah mendapatkan point yang cukup banyaksilahkan tukarkan koin tersebut dengan         pulsa ataupun gcash. ( saya ingatkan lagi untuk memasukan kode VZEXHU ketika pertama kali di     instal. karena jika tidak, task yang muncul untuk mendapatkan point hanya sedikit.


Semoga Bermanfaat guys!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!

Untuk para gamers yang hobi bermain dan menghasilkan. untuk Android.

Percakapan Tiga Orang Bahasa Inggris Tentang LIBURAN

Contoh percakapan tiga orang dalam bahasa inggris conversation
berikut contohnya:

A. Hello B how are you?
B. I  am good, how about you?
A. I am felling great today
C. By the way, you look a bit fat after your holiday
A. Yes you look father than that time
B. Really?
C. Yeah, I think you really enjoyed your vacation, didn't you?
A. Where did you spend your holiday?
B. I just went to bali
C. Who did you go with?
B. I went with my family
A. Wow that is kind of exciting holiday
C. How did you go there?
B. I went by plane
A. What time did you go?
B. I went at 11 P.M
C. What were places that you visit there?
B. We visited so many places TANAH LOTS LAKE BEDUGUL, JOGER.
A. By the way, did you bring us a souvenir?
B. of course! i will not forget you all
A&B. Thanks
B. Your welcome

Diatas adalah contoh percakapan untuk 3 orang dalam bahasa inggris vacation
percakapan tentang liburan menggunakan bahasa inggris.

Pengertian WEB SERVER dan JENIS-JENIS nya

Web Server adalah sebuah perangkat lunak server yang berfungsi menerima permintaan HTTP atau HTTPS dari klien yang dikenal dengan web browser dan mengirimkan kembali hasilnya dalam bentuk halaman-halaman web yang umumnya berbentuk dokumen HTML. Salah satu server web yang terkenal di linux adalah Apache. Apache merupakan server web antar platform yang dapat berjalan di beberapa platform seperti linux dan windows. Web Server juga merupakan sebuah komputer yang menyediakan layanan untuk internet. Server disebut juga dengan host. Agar anda dapat memasukkan web yang anda rancang ke dalam internet, maka anda harus memiliki ruangan terlebih dahulu dalam internet, dan ruangan ini disediakan oleh server. Itulah yang disebut Web Server.

pengertian web server yang lain

Definisi Web Server.

Web server adalah software yang menjadi tulang belakang dari world wide web
(www). Web server menunggu permintaan dari client yang menggunakan browser
seperti Netscape Navigator, Internet Explorer, Modzilla, dan program browser lainnya.
Jika ada permintaan dari browser, maka web server akan memproses permintaan itu
kemudian memberikan hasil prosesnya berupa data yang diinginkan kembali ke
browser. Data ini mempunyai format yang standar, disebut dengan format SGML
(standar general markup language). Data yang berupa format ini kemudian akan
ditampilkan oleh browser sesuai dengan kemampuan browser tersebut. Contohnya, bila
data yang dikirim berupa gambar, browser yang hanya mampu menampilkan teks
(misalnya lynx) tidak akan mampu menampilkan gambar tersebut, dan jika ada akan
menampilkan alternatifnya saja.

Jenis- jenis Web server

Berikut jenis-jenis Web server:

1. Apache Web server – the HTTP web server
2. Apache Tomcat
3. Microsoft Windows server 2003 Internet Information Service (IIS)
4. Light HTTP
5. Jigsaw
6. Sun java system web server
7. Xitami web server
8. Zerus web server

Motion Detection in Complex Environments by Genetic Programmi

ABSTRACT

Detecting motions  is an important aspect  of machine vision. However real world vision tasks often contain interfering mo- tion  information which  is  not  of interest.   To  tackle  this difficult  task,   we  adapted  Genetic Programming into  this domain.  The  GP-based methodology presented in this  pa- per does not  require  the  implementation of existing  motion detection algorithms. The evolved programs can detect gen- uine  moving  objects  such  as cars  and  boats, while ignoring background movements such  as  waving  trees, rippling  wa- ter  surface  and  even  pedestrians.  These  programs provide reliable  performance under  different lighting  conditions,  ei- ther  indoors  and outdoors. Furthermore no preprocessing of video  input is required which  is usually  mandatory in con- ventional vision approaches.

Categories and Subject Descriptors

I.2.10  [Artificial Intelligence]:  Vision  and  Scene  Under- standing—Video analysis ;  I.4.8  [Image  Processing and computer Vision]:  Scene Analysis—Motion ; I.4.6 [Image Processing and computer Vision]:  Segmentation—Pixel classification ; I.5.4 [Pattern  Recognition]:  Applications

General Terms

Algorithms, Design,  Experimentation

Keywords

Genetic Programming, Motion  Detection, Video  Analysis, Tracking

1.   INTRODUCTION

This  study extends the  use  of Genetic Programing to  a complex  domain, motion  detection.  In  real  world  applica- tions,  automatic reporting of movement is an important and highly  desirable component.   The  detected motion  signals can be crucial  for the  systems. For  example,  they  might be considered as moving  vehicles in traffic monitoring systems, or can be used to trigger video recording  in security surveil- lance  systems, or can  be used  to  mark  potential targets in robotic  systems.

Conventional motion   detection algorithms are  based  on comparing the differences between  consecutive video frames,

Copyright is held by the author/owner(s).

GECCO'09, July 8–12, 2009, Montréal, Québec, Canada.

ACM 978-1-60558-325-9/09/07.

such as counting the pixels which show prominent variations from previous  frame to the current frame.  However uninter- esting  variations caused  by factors  like lighting  changes  and disturbance in image  sensor  itself  would  also be considered as  motions  by  such  approaches.  Therefore pre-processing, which  is to  reduce  false positives, is often  critical  in these methods.

Furthermore, in many  real  world  applications “real”  mo- tion  is not  necessarily   the  movement of interest.  For  ex- ample,  waving  tree branches are  truly moving  objects  but have little  value in an application. Similarly  ripples on rivers provide  little  extra  information compared to moving  boats. In some cases, seemingly  meaningful motions  might also be considered uninteresting as well, for instance pedestrians in a vehicle monitoring system  and  birds  in a surveillance ap- plication.   Ignoring  these  kinds  of motion  while  reporting genuine  movement is a  challenge  in  real  world  vision  sys- tems.

The above issues are addressed in this study which presents a methodology of evolving motion  detectors by Genetic Pro- gramming.  The  methodology can  be considered as the  ex- tension  of our previous studies  in which GP has been success- fully used for similar video analysis  tasks  such as segmenting texture regions[10]  and  tracking robosoccer  balls[4].  These previous  investigations have shown the feasibility of evolving video  analysis  programs without task-dependent represen- tation, and  also without prior  knowledge  in machine vision techniques. Hence by such GP  approaches, there  is no need to  change  representation from  task  to  task.    Also  feature extraction is not  necessary  which  can  be a time  consuming process and requires  expertise in vision algorithms as well as manual implementation of these  algorithms.  Moreover  the evolved  programs are  capable  of handling certain degree  of variations which  is a highly  desirable feature in real-world applications.

1.1   Goals

The  goals of this  study are:

• to investigate the suitable GP methodology for motion detection

• to  investigate the  performance of this  method, espe- cially in terms  of the  capability of handling variations and  filtering  uninteresting motions.

2.   BACKGROUND

The  relevant  background of this  study includes  two  ar- eas,  the  use  of GP  in  image  and  vision  related tasks  and

the  traditional motion  detection. They  are briefly described below.

2.1   GP for Vision

Similar  to other  application domains of Genetic Program- ming[6], vision  related areas  also attract many  interests.  A few relevant studies  are briefly discussed  here,  especially  on their  representation schemes.

In the early stage,  Daniel Howard [3] used GP to detect ve- hicles in Infrared Line Scan images.  They  used pixel statis- tics  and  discrete  Fourier transforms as inputs. They  found that the  Discrete  fourier  transforms terminal set performed only  slightly  better than the  pixel  statistics terminal set. Riccardo Poli  [8] used  GP  to  perform   detection and  seg- mentation on X-ray  coronarograms and  Magnetic resonance images.    Poli  also  used  a  terminal set  which  accessed  the pixel values  directly.

Recently Leonardo Trujillo and  Gustavo Olague  [12] used GP  to detect interest points  within  an image.  Detected in- terest points  give an indication of the  regions within  an im- age that contain crucial  information.  Once  identified these regions can be further processed  for more complex tasks  like object  classification or recognition.

Bir Bhanu and  Yingqiang  Lin [1] used  GP  to evolve pro- grams that successfully identified and marked regions in syn- thetic aperture radar images that contained fields, roads and a lake.   They  were  also able  to  detect vehicles  in color  im- ages  using  the  same  methodology.  The  terminal set  used by  them  contained the  original  image  along  with  15 other images  that are modifications of the  original  image  that  in- cluded the mean,  minimum, maximum and deviation values. Mengjie  Zhang  et  al[7] used  GP  to  evolve  detectors  on multi-class problems of increasing difficulty,  which  included identifying haemorrhages and  microaneurisms in retina  im- ages.   They  experimented with  different  pixel  statistics  as their  terminal set  and  found  that the  rectilinear statistics, in which an image is divided into 5 rectangles i.e four corners

and  a center  rectangle, performed well.

These  studies  show that GP  is capable  in a wide range  of vision-related tasks.   Most  of them  used  simple  pixel based representation which  is also used in this  investigation.

2.2   Motion Detection

Traditional methods of motion  detection invlove  [9] pre- processing  to filter out  the  noise present in the  images.  Dai et al [2] used intensity normalization, where intensity values of images  are  normalized to  have  the  same  mean  and  vari- ance.   Using  a  selected  threshold,  respective to  the  mean, the  relevant foreground images  could be identified from the background images.  Other techniques involve shading  model, where  the  illumination component  of a pixel  is filtered  out so as to reduce  the  effects of varying  illumination, which  is then  processed  to identify  the  foreground pixels.

Background modeling  is another widely  used  method in motion  detection. Variations in the  pixels  are modelled  us- ing Gaussian-Mixtures.  If variations in a pixel  is observed outside  the  modelled  mixtures, by a predetermined thresh- old,  the  pixels  are  marked as  foreground pixels.    Stauffer and  Grimson [11] developed  a background model  with  sev- eral Gaussians to represent dynamic backgound objects  like swaying trees or riples of water  on a lake.  Haritaoglu et al [5] proposed  a simplistic method, where  a section  of the  video containing only the  background is analysed to find the  min-

imum  and  maximum intensity values  and  also  the  largest inter-frame difference.    A  foreground pixel  would  then  be identified as  any  pixel  that differs  from  the  minimum and the  maximum by the  largest  inter-frame difference value.

In  our  methodology, these  manually designed  processes and  algorithms are  not  necessary. At the  same  time,  the GP-based method addresses the problems mentioned above.

3.   METHODOLOGY

Figure 1:  The Basic Framework

Figure  1 shows  the  basic  framework of evolving  motion detectors.  There  are  two  fundamental components known as the  evolution  phase  and  the  application phase.  The  evo- lution  phase  is the process of evolving motion  detection pro- grams.  Video frames  are provided in this  phase  for training and  evaluation, which  is  guided  by  the  manually marked “interesting” movements in these  videos.  Programs achieved the  best  accuracy during  evaluation are used in application phase  to process  real-time video signals.

3.1   Data Representation

Videos for training are processed.  Every  frame containing desirable movements are  identified.  The  size and  the  loca- tion  of those  moving  objects  are marked on these  frames.

Each video frame is usually  384×288 pixels in size which is not suitable as direct  inputs to GP  programs. To reduce  the input size, a sweeping  window  is used  to sample  small  cut- outs  from frame  images.  Cut-outs containing marked mov- ing  objects  are  labeled  as  positive  class.   Cut-outs mainly containing unmarked areas,  e.g.  no meaningful motions, are marked as negative class.  This set of cutouts generated from a sequence  of video frames  is then  split  into  two parts. One for training, one for evaluation.

In our previous studies, each cut-out images contains static pixel information such as intensity, hue value  or simple fea- ture  values.   In  this  study, they  contains the  dynamics at each pixel position. Every pixel catches the intensity changes at that position  over  consecutive frames,  by  the  following formula:

P  1

n−

M (x) =    i=0 (| xi  − xi+1 | × (n − i))

n

Where  x  is one  pixel  position   in  the  video.    There  are  n consecutive frames,  frame  i = 0 is the  most  current one and frame  n  is the  first  frame  in the  queue.   The  weight  n − i results  more  influence  for more  recent frames.   The  sum  of weighted  differences  is divided  by n to produce  the  average change  at one position.

3.1.1   Function Set

The function set (Table 1) comprises  three  groups of func- tions.  The  first group  is the  four basic arithmetic operators add, subtract, multiply and divide of which the  return

Population  Size	30
Maximum Depth	12
Minimum Depth	2
Generations	300
Mutation Rate	5%
Crossover  Rate	85%
Elitism Rate	10%

Table 3:  GP Runtime Parameters

Table 1:  Function Set

Function    Return Type                  Arguments +           Double                   Double,  Double -                 Double                   Double,  Double ×           Double                   Double,  Double /         Double                   Double,  Double =          Boolean                  Double,  Double <          Boolean                  Double,  Double >          Boolean                  Double,  Double if                Double          Boolean,  Double,  Double AVG              Double                        4 Doubles MAX             Double                        4 Doubles MIN              Double                        4 Doubles

values  are double.   The  second  group  is the  four logic oper- ators  equals, less  than and greater than which  return booleans  and  the  if function. The  if takes  in a boolean  and two doubles,  if the  boolean  is true then  the  first  double  is returned, else the  second  double  is returned.

The  functions in the  third group  take  four double  values as arguments which represent the x, y coordinates of top-left corner  and  the  x, y coordinates of bottom-right corner  of a region.   These  functions return the  average,  the  maximum and  the  minimum pixel  values  of that region  respectively. They  validate the  input coordinates before  performing the calculation on the specified region, so arguments passed from child nodes  will not  cause errors.

3.1.2   Terminal Set

The  terminal set(Table   2) is rather simple.   It  contains two different kinds of terminals, random doubles(drand) and attributes(Att).  Attributes are the  input of a GP  program. They  are read  in from position  x at the  cutout images.

Terminal	Return Type
drand Att[x]	Double Double

Table 2:  Terminal Set

The  choice  of function set  and  terminal set  is consistent with  our  previous  studies  and  similar  to  that in studies  of GP  on vision-related tasks.

3.2   Evolution Phase

The  fitness  measure   in  the  evolution is the  accuracy of an  individual program classifying  whether a  cutout image contains motion  or not.  It can be expressed  as:

F itness = T P + T N T OT AL

where  T OT AL is the  total number of training cases,  T P and T N are the numbers of true positives  and true negatives respectively.

The GP runtime parameters are listed in Table   3. To gen- erate  the initial  population the ramped half-and-half method was chosen  as it could  provide  a wide variety of initial  pro- gram  trees [6].  The  mutation rate  was  set  to  5% as  work done  on similar  problems utilised  mutation rates  that were either  very  low or zero.  Such  choice of parameters is based on  other   related work,  where  we  used  GP  in  recognizing

texture  pictures, analyzing X-ray  images.   This  parameter choice  is  also  consistent  with  vision  related GP  work  re- ported by other  researchers.

There  are  two termination  conditions in evolution.  The first  one is when  the  training accuracy reaches  100% while the  second  is when  the  number of specified generations has been reached.

For each run of training, the best GP programs are passed to evaluation. When  the  evolution process finishes, the  best performing programs during  the evaluation are then  selected for the  next  phase.

3.3   Application Phase

Figure 2:  Applying Evolved Motion Detectors

The basic procedure of applying evolved motion  detectors is illustrated in  Figure  2.   The  main  steps  are:   retrieving the  current frame  from video input, calculating M  values  at each  position  based  on current  frame,  sampling  cutouts by a sweeping  window  of which  the  size is identical to  that in evolution phase,  classifying  these  cutouts by evolved motion detectors,  assembling the  labeled  cutouts back  to  a  frame and  producing the  processed  frames  continuously as  video output.

During  the  sampling, most  of the  pixels are sampled  sev- eral  times  by  windows  at different  locations  because  there are  overlaps  between  adjacent window  positions.   Accord- ingly  one pixel  might be classified  multiple times  with  dif- ferent cutouts. A voting  strategy is used  here  to determine the final class label for each pixel.  For example  if a pixel has been classified as “motion” more times  than being classified as “no-motion”, then  this pixel is considered a “motion” pixel in the  final output.

The degree of overlap during sampling  is adjustable. Larger overlap will generate smoother output, but result  larger amount of cutouts, hence requires  more processing time.  One can use this parameter to  balance  the  computational cost  and  out- put quality. The overlap  used in these  experiments is always

8 pixels.

Note  that in this  methodology there  is no pre-processing. Motion  detectors are  directly trained on cutouts generated from  videos.    The  trained  programs are  then  directly ap- plied on raw video inputs. This  feature is important in real- world  applications, because  determining and  fine-tuning a pre-processing method  is  a  non-trivial exercise  which  has direct  impact on performance in traditional methods.

4.   EXPERIMENTS

The  methodology described in  the  previous  section  has been  applied  on scenarios  with  different difficulties,  includ- ing indoor  and  various  outdoor environments.

4.1   Moving Ball

The  task  in this  set of experiments is to detect a moving ball  in an  arbitrary indoor  setting.  The  video  for training was  taken   in  a  normal   computer laboratory.   The  results from  the  evolution phase  are  listed  in  Table  4.   The  first data column  shows  the  highest  accuracies obtained during the training and evaluation in the evolution phase.  The “TP Rate” and “TN  Rate” columns  show the  ratio  of true posi- tives  among  all labeled  positives  and  ratio  of true negatives among  all labeled  negatives.  They  are  similar  to the  tradi- tional  performance indicators, precision  and  recall.

	Accuracy	TP  Rate	TN  Rate
Training Evaluation	99.83% 97.05%	99.83% 97.26%	99.83% 96.85%

Table  4:    Results  from Evolution  Phase  (Moving

Ball)

Table  4 shows that GP  can  construct programs with  low false  positive  rate  and  low false  negative rate  on  training and  test  video.  The  best  performing program is selected  to process  real-time video streams.

Figure 3:  Detecting the Moving Ball

A frame  captured from the  output of the  best  motion  de- tector is presented in Figure  3.  The  soccer ball  is the  only moving object in this video.  The region with white boundary

is marked by the  detector as an area  that contains motion. This region can follow the movement of the ball and roughly match with  the  shape  of the  ball.  The  window  size here  is

32 × 32. So the region marked is quite  coarse.  However such marking is already sufficient to locate the moving object  and to estimate its size and  speed.

To test  the  reliability of the  evolved  detector, we applied it on different lighting  conditions. Figure  4 shows its output in  a  much  brighter setting.  The  moving  ball  can  still  be marked properly.

Figure 4:  Under Different  Lighting Conditions

4.2   Moving Vehicles

The  video  for  this  set  of experiments was  taken   over  a highway  with  building   and  trees as  the  background.   The task  here  is to  detect the  moving  vehicles  on the  highway. It  is a much  more  difficult  problem  compared to  detecting a ball under  indoor  environment although the  experimental processes were identical. The cut-out image size was 20 × 20. The  training and  evaluation results  are  listed  in Table  5 which uses the  same format as the  previous  table. The  best detector on evaluation data set achieved high accuracy which

is 98.42%.

	Accuracy	TP  Rate	TN  Rate
Training Evaluation	99.75% 98.42%	100% 99.51%	99.51% 97.32%

Table 5:  Results from Evolution Phase (Moving Ve- hicle)

The  variation is much  greater here,  partially due  to  the unnoticeable ambient changes  and  partially due  to  the  au- tomatic adjustment of the  camera  itself.   Subtracting two consecutive frames  results  in a noisy  background.  Further- more the  swaying  trees make  the  task  more challenging.

Figure  5 is a typical frame  generated during  the  applica- tion  phase.  The  thick  lines are manually drawn  to highlight the  swaying  trees of which  the  movement are  very  notice- able  on video.  As suggested by the  figure,  these  trees were ignored  by  our  trained motion  detector which  quite  accu- rately  captured the  moving  cars.   Due  to  the  movement of the  trees, their  shadows  also move.  Such movement was ig- nored  by  the  detector as well.   However  there  was  a small false positive  at the  right bottom corner.

To  further test  the  performance, the  same  detector was applied   on  inner  city  environment.   One  output frame  is

Figure 5:  Detecting Moving Vehicles

Figure 7:  Ignoring Pedestrians

Accuracy TP  Rate TN  Rate Training Evaluation 95.52% 88.75% 95.60% 90.42% 95.43% 87.08%

Figure 8:  Detecting Moving Ball by a Different  De- tector

Figure 6:  Moving Vehicles in a Different  Setting

shown  in  Figure  6.   The  overall  brightness is much  lower in this  case.   However  the  moving  vehicles  were  accurately marked by the  detector. The  parked cars were ignored.

Furthermore the  uninteresting motions  were also ignored. On Figure  7, a pedestrian who was crossing  the  road  (high- lighted  in the  oval)  was  not  marked.  The  moving  trees in the  video also did not  cause false positives.

The  same detector was also applied  on the  indoor  moving ball detecting tasks.  The  result  is illustrated in Figure  8.

4.3   Moving Boats

The  task  here  is to detect moving  boats  which  obviously has waving  water  surface  in the background. The  process in this  set  of experiments was again  identical to  the  previous experiments. The results  from its evolution phase and appli- cation  phase  are shown in Table  6 and Figure  9 respectively. The  cut-out image  size was also 20 × 20.

In  comparison with  the  training for  balls  and  vehicles, the  accuracies here were lower.  One reason  is the  ripples  in the background. In some cases, they were very significant especial  in the  areas  close to the  moving  boats.

Table  6:    Results  from Evolution  Phase  (Moving

Boats)

Despite  the  relatively low accuracy in evolution, the  per- formance  during  application phase  is satisfactory.  The  two moving  boats  were  properly marked by  the  trained detec- tor.   The  boat  on the  left  was stationary and  was ignored. The  constantly moving  ripples  did not  confuse the  detector. However  this  detector had  some  false positives  on swaying trees which  are also highlighted in Figure  9.

To  test  the  applicability of the  GP  methodology, we ap- plied the detector trained for moving vehicles on this moving boat  problem. The  result  is shown  in Figure  10.  It  did not generate false  positives   and  was  still  able  to  find  the  two moving  boats. However  the  marked areas  are much  smaller than that in Figure  9, mainly  because  the  boats  were mov- ing much slower than vehicles on video.  Movements that are not  so significant were ignored  by the  moving  vehicle detec- tor (in Figure  10), but  picked  up by the  detector trained for

5.   CONCLUSIONS

In the  paper, we presented a methodology based  on Ge- netic  Programming to evolve motion  detectors. Different to conventional motion  detection methods, this  method does not  require  any  manual development of a motion  detection algorithm. Preprocessing is also not  necessary.

This  method has  been  used  to  generate detectors for in- door  and  outdoor applications, including detecting moving ball,  moving  vehicles  and  moving  boats.  All the  videos  in the experiments were taken  without any specific settings just like many  real-world applications. The tests  were performed on unprocessed video.

Based  on the  results  we conclude  that Genetic Program- ming  is capable  in handling this  complex  task,  motion  de- tection. The methodology presented in this study is suitable to adapt GP  in this  domain. Motion  detectors generated by this  method is able  to  accurately detect desirable motion, while  ignoring  motion   in  the  background and  uninterest- ing motion. Furthermore they  can handle  lighting  condition changes  and  even perform  in a completely different environ- ment. This  kind  of reliability and  wide applicability makes

this  methodology a  suitable candidate for  developing   real motion  detection systems.

5.1   Future Work

This  study opens  many  possibilities for future investiga- tion.   We  will extend the  methodology for videos  that are taken  on moving platforms. To extract moving objects  from such videos is much  more difficult.  The  combination of mo- tion  detection and  object  detection is another future direc- tion,  which  is to  recognize  the  moving  objects  rather than just  locating  them.   Additionally we will further study the effects of window  sizes and  ensemble  of motion  detectors.

6.   REFERENCES

[1] B. Bhanu and  Y. Lin. Object detection in multi-modal images  using genetic  programming. 2003. Center for Research in Intelligent Systems, University of California, USA.

[2] X. Dai and  S. Khorram. The  effects of image misregistration on the  accuracy of remotely sensed change  detection. IEEE Transactions on Geoscience and  Remote  Sensing,  36(5):1566–1577,  1998.

[3] S. C. R. Daniel  Howard  and  C. Ryan.  Pragmatic genetic  programming strategy for the  problem  of vehicle detection in airborne reconnaissance. 2005. Malvern  Technology Center, Worcestershire, UK University of Limerick,  Limerick,  Ireland.

[4] D. Fang  and  A. Song. Robust method of detecting moving  objects  in videos evolved  by genetic programming. GECCO 08 July  12-16,  2008,  Atlanta Georgia, USA, 2008.

[5] D. H. Ismail  Haritaoglu and  L. S. Davis.  W4:

Real-time surveillance of people  and  their  activities. IEEE Transactions on Pattern Analysis  and  Machine Intelligence, 22(8):809–830,  2000.

[6] J. Koza.  Genetic programming: On the  programming of computers by means  of natural selection.  1992.

[7] V. B. C. Mengjie  Zhang  and  P.  Andreae. A domain independent window  approach to multiclass object detection using genetic  programming. 2002.

[8] R. Poli.  Genetic programming for feature detection and image  segmentation. School of Computer Science, The  University of Birmingham, UK.

[9] O. A.-K.  Richard J. Radke,  Srinivas  Andra  and

B. Roysam. Image  change  detection algorithms: A systematic survey.  IEEE Transactions On  Image Processing Vol 14, 2005. Rensselaer Polytechnic Institute, Troy,  NY, 12180 USA.

[10] A. Song. Fast video analysis  by genetic  programming.

IEEE Congress  on Evolutionary Computation, 2008. CEC  2008, pages 3237–3243, 2008.

[11] C. Stauffer  and  W. E. L. Grimson. Learning patterns of activity using real-time tracking. IEEE Transactions on Pattern Analysis  and  Machine Intelligence, 22(8):747–757,  2000.

[12] L. Trujillo and  G. Olague.  Automated design of image operators that detect interest points. Evolutionary Computation, 16(4),  2008.