Hasil Pencarian  ::  Simpan CSV :: Kembali

"Teknik Akuisisi Ocean Bottom Cable (OBC) diperkenalkan untuk memenuhi keterbatasan streamer untuk menghadapi daerah dangkal maupun larangan menggunakan bentangan streamer dengan panjang tertentu dan batasan kapal navigasi seismik dengan ukuran yang tertentu juga. Receiver OBC dibentang di dasar laut sangat rentan dengan gangguan dari receiver ghost dan juga peg-legs ketika kedalaman air laut mencapai 10 m. Tetapi jenis gangguan ini dapat dilemahkan dengan menggunakan teknik dual summation. Sederhananya, ada perbedaan antara kedua respons yang harus disamakan sebelum menggabung kedua sensor, perbedaan yang paling utama berasal dari faktor coupling dari kedua sensor dan juga repetisi dari penjalaran gelombang yang terjadi diantara dasar laut dan muka laut. Metode yang biasa digunakan untuk menyelesaikan perbedaan ini mengkalibrasi kesamaan operator, tetapi metode ini tidak berjalan baik pada beberapa projek OBC di Indonesia belakangan ini. Hasil yang lebih optimal didapatkan ketika sensor coupling sudah ditingkatkan pada fase akuisisi. Dengan menganggap respon masing-masing sensor telah dikalibrasi dan disamakan dengan menghasilkan wavelet, penyamaan amplitude adalah problem berikutnya yang harus diselesaikan, karena kedua sensor tidak merekam parameter yang. Metode yang biasa digunakan seperti Automatic Gain Control (AGC) atau seperti yang diperkenalkan oleh Fred Barr atau Robert Soubaras untuk menyelesaikan masalah ini tidak berjalan dengan baik pada data thesis ini. Thesis ini memperlihatkan sedikit pengembangan dari model awal yang diperkenalkan Fred Barr, melihat perbedaan antara kedua sensor dan juga teknik berdasarkan analisa hodograph untuk menyelesaikan masalah penyamaan amplitude, yang bekerja cukup baik pada data thesis ini dengan menggunakan window dimana ghost dan sinyal tidak berinterferensi secara kuat.

---

Ocean Bottom Cable (OBC) acquisition techniques were introduced to fulfill streamer limitation on facing shallow obstacles prohibiting usage of long streamer strings and navigation of seismic boats of significant size. OBC receivers being set at the sea floor are subject to strongly damaging receiver ghosts and peg-legs when water depths more than 10m. Fortunately, this kind of strong and very polluting multiples can be efficiently attenuated by dual sensor summation technique.

Practically, there are differences between the two responses, which must be balanced before combining both sensors. The most significant differences are coming from sensor coupling and a multitude of oblique water arrivals bouncing in the water layer. Standard methods to solve the coupling differences are based on matching operator calibration, but these methods have worked pathetically at least for the OBC projects of the last years in Indonesia. Results shows good improvement when sensor coupling is enhanced during the acquisition phase. By assuming that the responses have been calibrated to present similar aspect and generating wavelet, amplitude matching is the next issue that should be solved, because the two sensors do not record the same parameters. Standard methods as simple Automatic Gain Control (AGC) or as introduced by Fred Barr or Robert Soubaras to deal with this issue did not work perfectly on this data sets.

This thesis presents a small extension of the initial model introduced by Fred Barr, allowing to explicit the differences between the two sensors responses and a technique based on hodograph analysis to solve amplitude balancing issue, that worked satisfactorily for this data set."

"ABSTRAKMetoda akusisi baru telah digunakan dalam usaha untuk mengeliminasi efek ghostgelombang seismik dengan potensi untuk meningkatkan jangkauan frekuensi rendah dantinggi sehingga memperbaiki hasil penampang seismik di daerah laut dalam. Dalam studikasus ini, data streamer dual sensor dibandingkan dengan data sensor tunggalkonvensional dari streamer yang sama. Pemrosesan data seismik hingga migrasiditerapkan pada kedua data. Pembandingan eliminasi efek ghost dan interpretabilitaspenampang seismik adalah tujuannya. Analisis data memperlihatkan kelebihan streamersensor ganda dibandingkan streamer konvensional.

---

AbstractThe new method of acquisition has been found in an effort to remove ghost effect withthe potential to boost both low and high frequency content of seismic data and to enableimaging in challenging deepwater zones. In this case study, processed dual sensorstreamer data compared to conventional single sensor data from the same streamer.Identical processing flows were applied to the two datasets. Data processing up tomigration will be done to both single sensor data and dual sensor data, and compared.Comparison of seismic data De-Ghosting and interpretability is the objective. Dataanalysis shown advantage of dual sensor streamer compared to conventional streamer."

"Multiple lapisan bawah air merusak refleksi primer dan membuangnya dari data seismik seismogram telah menjadi permasalahan sejak dulu bagi ahli geofisika, pengolahan data seismik. Jika multiple ini tidak dibuang, kehadirannya dapat membuat interpretasi data seismik menjadi sulit dan menghasilkan analisa yang salah. Tesis ini bertujuan untuk mempelajari konsep dan teori dibalik metode Surface Relative Multiple Elimination (SRME), serta kekuatan dan kelemahan dalam aplikasinya dengan menggunakan data sintetis dan rill. Data sintetik dibangun menggunakan software TESSERAL 2D dan data riil yang dipilih adalah survei North West Shelf Regional (NWSR). Hasil dari skema aliran kerja dan parameter test yang terbaik untuk data sintetik dapat digunakan sebagai acuan pada proses data lapangan survei NWSR. Analisa menunjukkan bahwa ada hubungan yang konsisten antara keberhasilan hasil data sintetik dengan data lapangan. Hasil dari seluruh penelitian tesis ini menyimpulkan bahwa metode SRME sangat efektif membuang multiple lapisan bawah air pada near offset tetapi masih menyisakan mutiple pada far offset.

---

Water bottom multiples destructively interfere with primary reflections and their removal from reflection seismograms has been a longstanding problem to seismic processing geophysicists. If not eliminated, their presence could make seismic data interpretation difficult and lead to erroneous results. This thesis is aimed to study concept and theory behind the Surface Relative Multiple Elimination (SRME), as well as the strengths and weaknesses in application by using synthetic and field data. Synthetic data was created by using TESSERAL 2D software and field data that was chosen in this research was seismic data from North West Shelf Regional (NWSR) survey. The work flows scheme and the best parameter of the tests for the synthetic data were used as a guide in processing of NWSR. It showed that there was a consistent result between the synthetic and field data. The results of this study had conclusion that SRME method was effective in near offset but there was still remaining multiple at far offset."

"Nilai yang hilang adalah suatu kondisi ketika ada beberapa entri yang hilang atau nilai kosong pada beberapa pengamatan dalam data. Ini dapat menyebabkan kita memiliki data yang tidak lengkap yang dapat menghambat proses analisis statistik dan dapat memberikan kesimpulan yang bias dari analisis jika tidak dapat ditangani dengan benar. Masalah ini juga dapat ditemukan dalam beberapa analisis regresi linier. Salah satu cara untuk mengatasi masalah ini adalah dengan menggunakan beberapa metode imputasi yang disebut Predictive Mean Matching (PMM). Beberapa imputasi adalah pendekatan umum untuk menangani data yang hilang yang memungkinkan ketidakpastian tentang data yang hilang dengan membuat serangkaian data imputasi yang masuk akal dan hasil analisis gabungan tepat yang diperoleh dari setiap data. Metode ini akan mencocokkan jarak rata-rata prediktif dari pengamatan tidak lengkap dengan pengamatan lengkap. Dengan demikian, pengamatan lengkap yang memiliki jarak terdekat akan menjadi nilai donor bagi yang tidak lengkap. Mean prediktif untuk pengamatan lengkap diperkirakan dengan kuadrat biasa yang paling tidak lengkap dan didekati oleh konsep Bayesian. Artikel ini akan menjelaskan tentang distribusi posterior yang memungkinkan ketidakpastian nilai yang hilang untuk memperkirakan parameter pengamatan yang tidak lengkap dan mendapatkan rata-rata prediktif mereka. Artikel ini akan memberikan hasil tentang penerapan metode PMM dalam data simulasi yang memiliki pola hilang univariat dengan mekanisme MAR dan dievaluasi dengan nilai bias dari koefisien regresi dari koefisien hasil pada dataset yang ditentukan.

---

Missing value is a condition when there are some missing entries or empty values ​​on some observations in the data. This can cause us to have incomplete data that can hinder the process of statistical analysis and can provide biased conclusions from the analysis if it cannot be handled properly. This problem can also be found in several linear regression analyzes. One way to overcome this problem is to use several imputation methods called Predictive Mean Matching (PMM). Some imputations are a general approach to handling missing data that allows uncertainty about missing data by making a series of reasonable imputation data and the precise combined analysis results obtained from each data. This method will match the predictive average distance from incomplete observations with complete observations. Thus, a complete observation that has the closest distance will be a donor value for the incomplete. The predictive means for complete observations are estimated with the most incomplete ordinary squares and are approached by the Bayesian concept. This article will explain posterior distributions that allow uncertainty of missing values ​​to estimate incomplete observation parameters and obtain their predictive averages. This article will provide results about the application of the PMM method in simulation data which have a univariate missing pattern with the MAR mechanism and are evaluated with a bias value of the regression coefficient of the yield coefficient on the specified dataset."

"Teknologi satelit telah banyak berperan dalam perkembangan aplikasi ilmu penginderaan jarak jauh, terutama dalam menganalisa keadaan vegetasi di bumi. Indeks vegetasi adalah salah satu parameter yang digunakan untuk menganalisa keadaan vegetasi dari suatu wilayah. Indeks tersebut mempunyai berbagai macam variasi algoritma. Algoritma yang akan dibahas pada penelitian ini adalah algoritma NDVI dan EVI. Algoritma EVI merupakan hasil turunan dan perkembangan dari algoritma NDVI. Sehingga, algoritma EVI memiliki banyak keunggulan yang tidak dimiliki algoritma NDVI. Satelit NOAA dan satelit TERRA/AQUA digunakan untuk membawa sistem sensor AVHRR dan MODIS. Kedua sistem sensor tersebut bisa diaplikasikan untuk keperluan vegetasi, terutama dalam aplikasi algoritma NDVI. Namun, data NDVI dari yang diperoleh kedua sensor tersebut ternyata memiliki perbedaan yang cukup signifikan. Perbedaan hasil olah dari data yang diperoleh dari dua jenis sensor satelit inilah yang juga akan dibahas lebih lanjut pada penelitian ini.

---

Satellite technologies have influenced so much in the development of remote sensing discipline, especially when dealing with the vegetation condition on earth. Vegetation index is one the parameters which are used to analyze the vegetation condition on a certain area. That index has many variants of algorithm. This paper dealt with the NDVI and EVI algorithm. The EVI algorithm was derived and developed from NDVI algorithm. Therefore, the EVI has many features that NDVI algorithm doesn?t have. NOAA and TERRA/AQUA satellites are used to carry AVHRR and MODIS sensor systems. Both of the systems could be applied to derive the vegetation index, which is calculated using the EVI and NDVI algorithm. However, the degree of greenness of the vegetation in the form of NDVI values from those sensors would yield significantly different results. The different results from both sensors were also investigated in this paper."

"Pada routing multi-hop, cluster head yang dekat dengan base station berperan sebagai node perantara bagi cluster head yang jauh dari base station untuk menyampaikan paket data dari node reguler ke base station. Cluster head sebagai relay akan menghabiskan energi lebih cepat sehingga menyebabkan masalah hotspot. Makalah ini mengusulkan algoritma routing multi-hop dinamis bernama Data Similarity Aware untuk Dynamic Multi-hop Routing Protocol DSA-DMRP untuk memecahkan masalah hotspot, meningkatkan masa hidup jaringan dan skalabilitas jaringan, dan memenuhi persyaratan aplikasi yang dipertimbangkan kesamaan data dari node yang berdekatan. DSA-DMRP menggunakan teknik agregasi fuzzy untuk mengukur kemiripan data mereka agar partisi jaringan menjadi cluster ukuran yang tidak sama. Dalam mekanisme ini, setiap node dapat mengenali dan mencatat simpul tetangga yang serupa. Selanjutnya, aturan K-hop Clustering Algorithm KHOPCA yang dimodifikasi digunakan untuk memilih cluster head dan membuat rute untuk transmisi intra cluster dan interkluster. DSA-DMRP dibandingkan dengan KHOPCA untuk menjustifikasi kinerjanya. Hasil simulasi menunjukkan bahwa, DSA DMRP dapat memperbaiki masa hidup jaringan dibanding KHOPCA, dan memecahkan masalah hotspot.

---

In multi hop routing, cluster heads close to the base station role as intermediate nodes for farther cluster heads to relay the data packet from regular nodes to base station. The cluster heads as relays will deplete their energy more quickly that causes hot spot problem. This paper proposes a dynamic multi hop routing algorithm named Data Similarity Aware for Dynamic Multi hop Routing Protocol DSA DMRP to solve the hot spot problem, improve the lifetime and scalability of the network, and satisfy the requirement of applications that consider the data similarity of adjacent nodes. The DSA DMRP uses fuzzy aggregation technique to measure their data similarity degree in order to partition the network into unequal size clusters.

In this mechanism, each node can recognize and note its similar neighbor nodes. Next, the modified K hop Clustering Algorithm KHOPCA rules by adding a priority factor that considers residual energy and distance to the base station is used to select cluster heads and create the best routes for intra cluster and inter cluster transmission. The DSA DMRP was compared against the KHOPCA to justify the performance. Simulation results show that, the DSA DMRP can improve the network lifetime longer than the KHOPCA, and solve the hotspot problem."

"Jaringan Broadband PLe standar terkini berpotensi menjadi salah satu pendukung infrastruktur komunikasi broadband untuk modernisasi sistem tenaga Iistrik menuju smart grid, terutama terkait monitor dan kontrol tersebar pada jaringan distribusi tenaga Iistrik. Variasi beban dan dinamika tenaga Iistrik umumnya bersifat acak, akibatnya memicu sensor-synchrophasor membangkitkan dan mentransmisikan data monitoring secara acak yang bisa menurunkan efisiensi kanal Broadband PLe. Karakteristik trafik data acak dari sejumlah sensor-synchrophasor juga mempengaruhi estimasi dan kontrol layanan sistem smart grid, sehingga menjadi isu penting. Namun, sedikit sekali riset terkait masalah tersebut [11. Analisis model overflow antrian trafik data acak dengan Markov Arrival Process untuk menunjukkan sifat antrian trafik data acak maupun dinamika populasinya pada sub-station jaringan Broadband PLe berbasis Homeplug A V. Dengan satu kanal transmisi keluaran sub-station; kapasitas buffer terbatas; saat kondisi buffer penuh terjadi overflow layanan antrian. Sehingga, memungkinkan terjadi loss paket dengan nilai probabilitas tergantung laju kedatangan maupun layanan, serta kapasitas buffer. Simulasi sistem antrian menunjukkan, saat 1000 kedatangan paket data dengan laju kedatangan acak 14 Mbps hingga 150 Mbps; kapasitas buffer 64 Mbyte; laju keberangkatan 100 Mbps, diperoleh rata-rata probabilitas loss paket sebesar 0,0675. Kenaikan laju keberangkatan bisa lebih memperbaiki probabilitas loss paket dibanding penambahan kapasitas buffer, meskipun penambahan itu melebihi laju kedatangan."