Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kebutuhan akan energi semakin meningkat di seluruh dunia, untuk itu perusahaan tambang batu bara berusaha untuk meningkatkan produksinya guna memenuhi permintaan batu bara yang terus meningkat. Eksploitasi kegiatan operasional batu bara yang terus meningkat dapat mengakibatkan peningkatan kecelakaan kerja jika tidak diimbangi dengan peningkatan keamanan pekerja. Untuk itu, perlu diketahui beberapa kelompok tambang batu bara yang memiliki karakteristik insiden kerja yang sama dan juga penyebab-penyebab terjadinya insiden. Agar para stakeholder mampu mengurangi terjadinya insiden di pertambangan itu sendiri. Berdasarkan hasil penelitian didapatkan 3 cluster yang mencerminkan kondisi keamanan dari pertambangan batu bara, yaitu cluster dengan tingkat risiko rendah, cluster dengan tingkat risiko menengah dan cluster dengan tingkat risiko tinggi.

---

The needs of energy is increasing all around the world, thus the coal mine company try to increase the production capacity to fill the demand. Exploitation of coal mine operational activity that increased effects the increasing of working accident. according to this issue, the cluster of coal mine's characteristic sholud be known and also the root cause of the incident happened. Through this cluster's characteristic, the stakeholders can reduce the probability of incident happened in their mine. Based on the result of the research, there are 3 clusters that represent the safety condition in coal mine, they are the low risk cluster, middle risk cluster and high risk cluster."

"Salah satu jenis informasi yang perlu diketahui oleh pelaku pasar modal,khususnya investor adalah informasi yang bersifat fundamental. Informasi ini menggambarkan keadaan suatu perusahaan dan faktor-faktor yang dapat mempengaruhi kondisi suaru perusahaan. Untuk mengetahui jenis informasi ini diperlukan pengetahuan tentang kemampuan manajemen perusahaan, prospek perusahaan, prospek pemasaran, perkembangan teknologi, kemampuan menghasilkan keuntungan, dan hal lain yang secara langsung maupun thiak langsung dapat mempenganihi keadaan perusahaan. Untuk inemudahkan investor dalam memperoleh informasi tersebut maka PTBursa Efek Jakarta (BET) mengeluarkan Monthly Statistic. Laporan ini sarat dengan data keuangan perusahaan yang telah listed di BEJ. Dengan bantuan teknik Multivariale Data Analysis data tersebut dapat menjadi informasi yang dapat digunakan oleh investor sebelum melakukan transaksi di pasar modal.Salah satu bentuk Multivariate Data Analysis adalah Cluster Analysis, yangmerupakan suatu cara pengelompokan untuk mengidentifikasi ciri-ciri suatu entitas yang sejenis berdasarkan karakteristik yang dimiliki.Pengolahan data dalam penelitian ini menggunakan empat variabel yangmewakili karakterisitik saham yang akan dikelompokan. Variabel tersebut adalah Earning per Share (EPS), Price Book Value (PBV), Return on Equity (ROE), dan Operating Net Profit (OPM). Dipilihnya empatflnancial ratio ini karena keempat rasio tersebut memuliki koefisien korelasi yang lebih tinggi dibanding dengan financial ratio Iainnya yang terdapat pada Monthly Statistic.Penelitian menyimpulkan bahwa tidak ada satu kelompok pun yang semuaanggotanya terdiri dari saham-saham yang dikeluarkan dan perusahaan yang bergerak di bidang industri yang sama. Dengan demikian setiap kelompok beranggotakan dan saham yang dikeluarkan oleh perusahaan dengan bidang usaha yang berbeda. Anggota suatu kelompok lebih didasarkan pada kedekatanjarak dan vanabel yang telah disebut di atas.Dengan kata lain kriteria suatu kelompok sangat bergantung paI karateristik perusahaan yang menjadi anggota dalam kelompok tersebut dalam hal ini karateristik itu diwakilioleh EPS, PBV, ROE, dan OPM Dengan demikian dan hasil pengelompokan dapat digunakan oleh investor untuk memilih saham-saham yang mana saja yang memiliki karakteristik yang hampir samadan saham-saham mana saja yang niemiliki karakteristik yang berbeda. Hal ini sangatberguna bagi investor dalarn upaya untuk melakukan diversifikasi saham yang akanmembentuk portfolionya."

"Strategi merupakan suatu sarana untuk mencapai tujuan perusahaan. Dalam era persaingan usaha semakin ketat, tiap perusahaan dituntut dapat menentukan strategi yang tepat, agar dapat memenangkan persaingan tersebut, minimal dapat bertahan sehingga perusahaan tidak ditutup.Perusahaan briket batubara PT. Bukit Asam adalah saiah satu perusahaan yang dituntut untuk dapat bertahan, bahkan apabila mungkin dapat berkembang, didalam bersaing dengan perusahaan bnket batubara Iainnya. terlebin lagi perusahaan ini dituntut untuk betul-betui dapat mandiri.Penelitian ini dilakukan dengan lujuan untuk mengetahui posisi strategis perusahaan briket batubara PT. Bukit Asam pada saat ini, dan kemudian rnengkaji Serta menentukan strategi-strategi yang tepat sebagai dasar menuju peningkatan kinerja perusahaan.Acuan yang digunakan daiam kajian tersebut adalah perlumbuhan dan relatif market share dan teori BCG Growth Share Market, teori pengukuran kinerja perusahaan (Baianced Scorecard) serla Analisa Hirarki Proses (AHP) sebaga. Dasar untuk menentukan strategi alternatif. Di dalam peneiitian ini data di dapat dari pabrik briket PT. Bukit Asam, perusahaan seienis Iainnya, Serta 'dari Iembaga atau departemen terkait. Selain itu agar didapatkan data yang Iebih objektifjuga diedarkan kuasioner.Dari penelitian diperoleh kesesuaian antara kondisi yang dialami perusahaan saat ini dengan hasil penelitian, dimana pada saat ini perusahaan masih mengalami large negative cash iiow (question marks). Disamping itu ada beberapa kesamaan antara strategi yang sedang dijalankan dengan strategi yang dihasilkan.

---

Strategy is one of tool to achieve the company goal. In the tighter competition era, each company to be claimed to decide the right strategy, in orde ' to win the competition, at [east it can be stand firm so that the company is not closed. PT.Bukit Asam is one of the companies which is to be claimed to stand tirm even if possible it can be developed, in competing with the other bricret, especially the company to be claimed to be fully self-government.This research is done in order to know about the strategic position PT. Bukit Asam right now, and later examine and also decide the right strategies as a basic to strive for the self-government company. Form that is used in the instruction is growing and relative market share from BCG Growth-Share Matrix theory, Balanced Scorecard, and also AHP analyzes as a basic to decide the altemative strategy. ln this research, data is got from PT. Bukit Asam, the other similar company, and also institution or department which has the same field.Beside that, in order to get more objective data, questioners are circulated. The research obtains the match between the conditions that is had by the company right now and the result of the research, where right now the company still has a large negative cash flow. Beside that, there is a similiarity between some strategies that are doing and strategies that are produced from the research, for instance, the company tries to maintain captive market, increase marketing and diversiication in non-bricret field."

"Cluster analysis dari atribut seismik merupakan suatu metode yang digunakan untuk mengelompokkan litologi dari data seismik yang telah direkam dan diproses. Secara prinsip, cluster analisis memproyeksikan N atribut seismik ke sistem koordinat dengan N-dimensi yang menghasilkan K cluster yang merepresentasikan litologi yang berbeda. Penentuan center dari data dapat dilakukan secara acak yang kemudian berubah-rubah karena proses iterasi (unsupervised). Dekomposisi spektral mengubah amplitudo seismik sebagai fungsi ruang dan waktu menjadi frekuensi, ruang, dan waktu. Dekomposisi spektral telah digunakan dalam berbagai aplikasi seperti penentuan ketebalan lapisan tipis, visualisasi stratigrafi, dan deteksi hidrokarbon secara langsung. Metode dekomposisi spektral yang biasa digunakan antara lain STFT (short-time fourier transform), CWT (continuous wavelet transform), dan EMD (Empirical Mode Decomposition). Ada banyak atribut-atribut yang dapat diekstrak dari data seismik dan pemilihan atribut yang hanya dapat mempengaruhi distribusi litologi ini secara dominan bukan merupakan hal yang mudah karena pada kenyataannya beberapa atribut tidak memberikan kontribusi dalam pengelompokkan litologi. Untuk mengurangi hal itu, penulis menggunakan principal component analysis pada atribut seismik. Metode ini memilih atribut yang telah terotasi yang memberikan kontribusi untuk clustering berdasarkan urutan nilai eigen valuenya. Hasil yang didapatkan menunjukkan konsistensi dengan peta litologi yang sudah ada.

---

Cluster analysis of seismic attributes is a method used to classify the lithology of the seismic data that has been recorded and processed. In principle, cluster analysis of seismic attributes to transform the N system with N-dimensional coordinates that produce K clusters that represent different lithologies. Determination of center of data is done through a random process that later change of due process of iteration (unsupervised).

The spectral decomposition of seismic change amplitude as a function of space and time into the frequency, space and time. Spectral decomposition has been used in various applications such as thickness estimation for thin beds, visualization stratigraphy, reservoir characterization, and direct hydrocarbon detection. There are a variety of spectral decomposition methods, STFT (short-time Fourier transform), CWT (continuous wavelet transform), MPD (matching pursuit decomposition) and EMD (Empirical Mode Decomposition). The method used in this study is the method of EMD.

There are many attributes that can be extracted from seismic data and the selection of attributes that can only affect the distribution of the dominant lithology is not an easy thing because of the fact that some attributes do not contribute to the grouping of lithology. To reduce it, the author uses principal component analysis on seismic attributes. This method of selecting the attributes that have been rotated to contribute to clustering based on the sequence of eigenvalues valuenya. The results obtained show consistency with existing lithologic maps."

"Berbagai macam metodologi dan algoritma telah dikembangkan untuk memecahkan permasalahan tata letak mesin (MLP). Dalam penelitian ini, metode Cluster Boundary Search (CBS), algoritma Simulated Annealing (SA) and Tabu Search (TS) dikombinasikan dengan tujuan untuk mendapatkan hasil optimasi MLP yang lebih baik. Metode CBS melakukan proses optimasi dengan meletakan sebuah mesin terpilih di sekeliling batas luar mesin yang sudah diletakkan. Mesin pertama yang akan dikelilingi dipilih berdasarkan konektivitas terbesar dengan seluruh mesin. Mesin yang belum diletakan secara berurutan diletakkan pada posisi optimumnya pada batas keliling dari mesin yang sudah diletakkan sampai semua mesin sudah diletakkan. Hasil dari metode CBS selanjutnya dikombinasikan dengan SA dan TS dengan tujuan untuk mendapatkan layout tata letak yang paling optimal.

---

Various kinds of methodologies and algorithms have been developed to solve Machine Layout Problem (MLP). In this paper, Cluster Boundary Search (CBS) method, Simulated Annealing (SA) and Tabu Search (TS) algorithms are combined with the aim of obtaining better MLP optimization result. CBS method conducts its optimization process by placing a selected unplaced machine singly along a boundary line around the cluster of the placed machines. The first machine to be circumambulated is selected on the basis of the highest value of connectivity with all the machines. The unplaced machines are sequentially located to their optimum position on the formed boundary of the placed machines until all the machines are placed. The result of BCS method is furthermore combined with SA and TS in order to obtain the most optimal facilities layout."

"Ada banyak attributattribut yang dapat diekstrak dari data seismik dan pemilihan attribut yang hanya dapat mempengaruhi distribusi litologi ini secara dominan bukan merupakan hal yang mudah karena pada kenyataannya beberapa attribut tidak memberikan kontribusi dalam pengelompokan litologi. Untuk mengurangi hal itu, penulis menggunakan Principal Component Analysis (PCA) pada data seismik dan generalized principal component analysis (GPCA) pada attribut seismik. Analisis GPCA terdiri dari dua langkah: Pertama, meningkatkan variasi data dengan menggunakan principal component analysis sehingga pemisahan data yang lebih baik bisa didapatkan, dan kedua, memilih attribut yang telah terotasi berdasarkan urutan nilai eigen valuenya yang dihitung sebelumnya. Tujuan analisis PCA adalah untuk menghilangkan komponen bising yang bersifat acak yang terdapat di dalam data seismik sedangkan tujuan analisis GPCA adalah untuk menghasilkan atribut seismik yang mampu memberikan kontribusi untuk clustering.Cluster analisis dari attribut seismik merupakan suatu metode yang digunakan untuk mengelompokkan litologi dari data seismic yang telah direkam dan diproses. Secara prinsip, cluster analisis memproyeksikan N attribut seismik ke sistem koordinat dengan N-dimensi yang menghasilkan K cluster yang merepresentasikan litologi yang berbeda. Penentuan pusat awan data (centroid) dapat dilakukan melalui proses yang iteratif (unsupervised). Algoritma clustering yang dipakai adalah Kmeans clustering. Hasil clustering yang didapat menunjukkan konsistensi dengan peta litologi yang sudah ada yang di intrepetasi dari korelasi data sumur.

---

There are a lot of seismic attributes that can be generated from seismic data and choosing attributes that mainly affect the distribution of the lithology clouds is not a simple task to do due to the fact that some attributes may not contribute to the separation of the clusters. To reduce that difficulty, the authors implemented a principal component analysis (PCA) of seismic data and a generalized principal components analysis (GPCA) of seismic attributes. This GPCA analyisis consists of two steps : First, increasing the variation of data points using the principal component method such that better cluster separation can be obtained, and second, selecting contributing rotated attributes based on the rank of previously calculated eigen values. The aim of PCA analysis is to reduce noise effect which random in seismic data while the aim of GPCA analysis is to result seismic attributes which give contribution to clustering.Cluster analysis of seismic attributes is a tool to classify lithologies brought by recorded and processed seismic data. In principal, cluster analysis projects N seismic attributes into Ndimension coordinate system resulting with K groups of clouds representing different lithologies. Identification of the center of the clouds and its related samples can be done differently by iterative process (unsupervised). Clustering algorithm is Kmeans clustering. The results of clustering show consistency with existing lithology map interpreted from well correlation."

"Metode scan statistic yang dikembangkan oleh Kulldorf merupakan suatu metode yang dapat digunakan untuk mendeteksi cluster dengan menggunakan scanning window dalam satu atau dua dimensi, yang membutuhkan asumsi underlying distribution dari daerah yang akan diteliti, misalnya Bernoulli, Poisson, atau Normal. Dalam tugas akhir ini akan membahas suatu metode untuk mendeteksi cluster jika underlying distribution dari daerah yang akan diteliti tidak diketahui. Metode ini disebut metode semi-parametrik. Metode semi-parametrik menggunakan model rasio densitas semi-parametrik yang dinyatakan sebagai fungsi dari tilt function. Untuk menentukan kandidat cluster, dilakukan pembentukkan scanning window yang berbentuk lingkaran. Scanning window memisahkan daerah yang diteliti menjadi dua bagian, yaitu daerah di dalam dan di luar scanning window. Model rasio densitas digunakan untuk menguji kesamaan distribusi dua populasi, yaitu populasi di dalam dan di luar scanning window. Dalam mendeteksi cluster, setiap scanning window dihitung rasio likelihood-nya setelah pemilihan tilt function. Setiap scanning window berkaitan dengan suatu statistik uji (rasio likelihood). Hal ini menyebabkan multiple testing problem. Untuk mengatasi hal ini digunakan Bonferroni correction."

"Metode scan statistic yang dikembangkan oleh Kulldorf merupakan suatu metode yang dapat digunakan untuk mendeteksi cluster dengan menggunakan scanning window dalam satu atau dua dimensi, yang membutuhkan asumsi underlying distribution dari daerah yang akan diteliti, misalnya Bernoulli, Poisson, atau Normal. Dalam tugas akhir ini akan membahas suatu metode untuk mendeteksi cluster jika underlying distribution dari daerah yang akan diteliti tidak diketahui. Metode ini disebut metode semi-parametrik. Metode semi-parametrik menggunakan model rasio densitas semi-parametrik yang dinyatakan sebagai fungsi dari tilt function. Untuk menentukan kandidat cluster, dilakukan pembentukkan scanning window yang berbentuk lingkaran. Scanning window memisahkan daerah yang diteliti menjadi dua bagian, yaitu daerah di dalam dan di luar scanning window. Model rasio densitas digunakan untuk menguji kesamaan distribusi dua populasi, yaitu populasi di dalam dan di luar scanning window. Dalam mendeteksi cluster, setiap scanning window dihitung rasio likelihood-nya setelah pemilihan tilt function. Setiap scanning window berkaitan dengan suatu statistik uji (rasio likelihood). Hal ini menyebabkan multiple testing problem. Untuk mengatasi hal ini digunakan Bonferroni correction."

"Cluster analisis dari atribut seismik merupakan suatu metode yang digunakan untuk mengelompokkan litologi dari data seismik yang telah direkam dan diproses. Secara prinsip, cluster analisis memproyeksikan N atribut seismik ke sistem koordinat dengan N-dimensi yang menghasilkan K cluster yang merepresentasikan litologi yang berbeda. Penentuan center dari data dapat dilakukan melalui proses iterasi yang centernya tidak ditentukan (unsupervised), atau dengan menentukan posisi awal center dari informasi yang diketahui yang kemudian berubah-rubah karena proses iterasi (semi-supervised). Informasi yang diketahui ini misalnya dapat berasal dari atribut yang diekstrak pada posisi sumur.Ada banyak atribut-atribut yang dapat diekstrak dari data seismik dan pemilihan atribut yang hanya dapat mempengaruhi distribusi litologi ini secara dominan bukan merupakan hal yang mudah karena pada kenyataannya beberapa atribut tidak memberikan kontribusi dalam pengelompokkan litologi. Untuk mengurangi hal itu, penulis menggunakan generalized principal component analysis pada atribut seismik. Metode ini terdiri dari dua langkah; Pertama, meningkatkan variasi data dengan menggunakan metode principal komponen sehingga pemisahan data yang lebih baik bisa didapatkan, dan kedua, memilih atribut yang telah terotasi yang memberikan kontribusi untuk clustering berdasarkan urutan nilai eigen valuenya. Dalam penelitian ini penulis menggunakan metode semi-supervised.Alasan penggunaan metode tersebut adalah posisi sumur-sumur yang di bor mungkin saja berada pada tepi reservoar yang tidak mencerminkan sifat fisis batuan secara ratarata pada daerah reservoir tersebut. Kemudian jika posisi center dibuat tetap dapat mengakibatkan distorsi informasi secara umum mengenai sifat fisis batuan. Data sesimik full stack dengan beberapa sumur yang ada diproses untuk menghasilkan litologi map dari area tersebut. Hasil yang didapatkan menunjukkan konsistensi dengan peta litologi yang sudah ada yang di intrepetasi dari korelasi data sumur.

---

Cluster analysis of seismic attributes is a tool to classify lithologies brought by recorded and processed seismic data. In principal, cluster analysis projects N seismic attributes into N-dimension coordinate system resulting with K groups of clouds representing different lithologies. Identification of the center of the clouds and its related samples can be done differently by iterative process (unsupervised), or by defining initial centers from known information and then updating them through iterative process (semi-supervised). The information may come, for example, from attributes at well locations.There are a lot of seismic attributes that can be generated from seismic data and choosing attributes that mainly affect the distribution of the lithology clouds is not a simple task to do due to the fact that some attributes may not contribute to the separation of the clusters. To reduce that difficulty, the authors implemented a generalized principal components analysis of seismic attributes. This method consists of two steps : First, increasing the variation of data points using the principal component method such that better cluster separation can be obtained, and second, selecting contributing rotated attributes based on the rank of previously calculated eigen values.In this work, the authors using the semi-supervised methods. The reason to use those methods is that wells may be drilled at the edge of the reservoir where the rock property at that location shows deviation from the average rock property of the reservoir. Hence, fixing the center may distort the general information of rock property of the reservoir. Full stack seismic data from Boonsville area with some existing wells were processed to generate lithology map of that area. Results show consistency with existing lithology map interpreted from well correlation."