Hasil Pencarian  ::  Simpan CSV :: Kembali

"Menampilkan data seismic dalam bentuk probabilitas merupakan cara yang umum dilakukan untuk mengikutsertakan informasi ketidak-pastian dari pekerjaan pemetaan prospek hidrokarbon. Hal tersebut memberikan interpreter peluang untuk mengukur seberapa yakin mereka terhadap prospek yang sudah dibuat dengan memanfaatkan informasi nilai ?most-probable?. Pada sisi lain, ketersediaan pre-stack data sudah sangat umum dijumpai sehingga hal ini merubah cara pandang terhadap inversi seismic yang semula hanya dilakukan terhadap data post-stack menjadi inversi pre-stack. Hal tersebut memang beralasan karena dengan inversi pre-stack, interpreter tidak hanya dimungkinkan mendapatkan informasi litologi namun juga informasi tentang fluida. Aturan Bayes adalah merupakan bentuk lain dari probabilitas terkondisi, aturan ini telah banyak dimanfaatkan oleh berbagai disiplin ilmu seperti penginderaan jauh, peramalan cuaca, pemasaran dan ilmu medis untuk membantu dalam meminimalkan resiko saat pengambilan keputusan. Hal yang sama juga bias kita terapkan pada bidang ilmu bumi dimana keluaran dari proses inversi pre-stack dapat ditransformasi menjadi bentuk volum probabilitas dengan supervisi data sumuran. Penelitian ini menggunakan P-impedance dan VP/VS sebagai input karena kombinasi keduanya merupakan indikator yang baik untuk memisahkan litologi maupun hidrokarbon. Dengan menggunakan supervisi dari data sumuran kedua volume tersebut kemudian di transformasi menjadi bentuk kelas most-probable: (1) shale, (2) wet sand, (3) compacted sand, dan (4) hydrocarbon sand.

---

Presenting seismic data in probability form is common practice in order to assess the uncertainty in hydrocarbon prospecting. It gives interpreters the ability to measure how sure they are about prospect they dealing with by looking at most probable value. In another side pre-stack data is now commonly available; it changes the paradigm about seismic inversion from just post-stack inversion turn into pre-stack inversion. The reason is obvious, by inverting pre-stack data will allow interpreter to obtain not only lithology information but fluid as well.

The Bayes Rule is extension of conditional probability, it has been utilizes in many disciplines such us remote sensing, broadcasting, marketing and medical science to support in decision making. Bayes? Rule is used to revise a probability value based on additional information that is later obtained. The same concept can also be applied to help decision making in hydrocarbon prospect evaluation where the output of pre-stack inversion can be transformed to probability volume supervised by well log data.

This study uses P-Impedance and VP/VS as inputs because their combination is good indicator of lithology and hydrocarbon. Using training set from well log the volumes then transformed into four most probable classes: (1) shale, (2) wet sand, (3) compacted sand, and (4) hydrocarbon sand."

"ABSTRAKMenampilkan data seismic dalam bentuk probabilitas merupakan cara yang umum dilakukan untuk mengikutsertakan informasi ketidak pastian dari pekerjaan pemetaan prospek hidrokarbon Hal tersebut memberikan interpreter peluang untuk mengukur seberapa yakin mereka terhadap prospek yang sudah dibuat dengan memanfaatkan informasi nilai ldquo most probable rdquo Pada sisi lain ketersediaan pre stack data sudah sangat umum dijumpai sehingga hal ini merubah cara pandang terhadap inversi seismic yang semula hanya dilakukan terhadap data post stack menjadi inversi pre stack Hal tersebut memang beralasan karena dengan inversi pre stack interpreter tidak hanya dimungkinkan mendapatkan informasi litologi namun juga informasi tentang fluida Aturan Bayes adalah merupakan bentuk lain dari probabilitas terkondisi aturan ini telah banyak dimanfaatkan oleh berbagai disiplin ilmu seperti penginderaan jauh peramalan cuaca pemasaran dan ilmu medis untuk membantu dalam meminimalkan resiko saat pengambilan keputusan Hal yang sama juga bias kita terapkan pada bidang ilmu bumi dimana keluaran dari proses inversi pre stack dapat ditransformasi menjadi bentuk volum probabilitas dengan supervisi data sumuran Penelitian ini menggunakan Acoustic impedance dan VP VS sebagai input karena kombinasi keduanya merupakan indikator yang baik untuk memisahkan litologi maupun hidrokarbon Dengan menggunakan supervisi dari data sumuran kedua volume tersebut kemudian di transformasi menjadi bentuk kelas most probable 1 shale 2 wet sand 3 compacted sand dan 4 hydrocarbon sand

---

ABSTRACTPresenting seismic data in probability form is common practice in order to assess the uncertainty in hydrocarbon prospecting. It gives interpreters the ability to measure how sure they are about prospect they dealing with by looking at most probable value. In another side pre-stack data is now commonly available; it changes the paradigm about seismic inversion from just post-stack inversion turn into pre-stack inversion. The reason is obvious, by inverting pre-stack data will allow interpreter to obtain not only lithology information but fluid as well.The Bayes’ Rule is extension of conditional probability, it has been utilizes in many disciplines such us remote sensing, broadcasting, marketing and medical science to support in decision making. Bayes’ Rule is used to revise a probability value based on additional information that is later obtained. The same concept can also be applied to help decision making in hydrocarbon prospect evaluation where the output of pre-stack inversion can be transformed to probability volume supervised by well log data.This study uses P-Impedance and VP/VS as inputs because their combination is good indicator of lithology and hydrocarbon. Using training set from well log the volumes then transformed into four most probable classes: (1) shale, (2) wet sand, (3) compacted sand, and (4) hydrocarbon sand."

"Klasifikasi adalah proses menugaskan satu set data ke dalam kelas yang ada berdasarkan nilai setiap atribut. Pengklasifikasi pohon keputusan diklaim lebih cepat dan berproduksi akurasi yang lebih baik. Namun, ia memiliki beberapa kelemahan di mana pengklasifikasi rentan untuk overfitting. Overfitting adalah suatu kondisi di mana model tidak mampu menarik kesimpulan data baru dengan cara yang benar. Overfitting di pohon keputusan dapat dihindari dengan memotong subtree pengaruh kecil dalam melakukan klasifikasi ketika pohon ditanam, disebut post-pruning, yang bertujuan untuk meningkatkan kinerja model dalam memprediksi data. Tesis ini mengusulkan metode pasca pemangkasan dengan menerapkan Risiko Bayes, di mana estimasi risiko setiap simpul induk dibandingkan dengan simpul daunnya. Sebagai perbandingan, pemangkasan pasca lainnya Metode yang diterapkan, yaitu Reduced Error Pruning (REP). Kedua metode tersebut diterapkan untuk tiga dataset klasifikasi churn pelanggan dari situs Kaggle dan IBM Datasets. Untuk hasilnya, Bayes Risk Post-Pruning dapat meningkatkan kinerja Decision Tree lebih baik dari Reduced Error Pruning dengan meningkatkan nilai akurasi, presisi, dan daya ingat. Kedua metode juga diterapkan pada tiga proporsi berbeda untuk data pelatihan (60%, 70% dan 80%). Hasilnya menunjukkan bahwa semakin besar ukuran dataset pelatihan dikaitkan akurasi, presisi, dan daya ingat model yang lebih tinggi.

---

Classification is the process of assigning a set of data to an existing class based on the value of each attribute. Decision tree classifiers are claimed to be faster and produce better accuracy. However, it has several disadvantages where the classifier is prone to overfitting. Overfitting is a condition in which the model is unable to draw new data conclusions in the right way. Overfitting in the decision tree can be avoided by cutting the subtree of small influence in classifying when the tree is planted, called post-pruning, which aims to improve the performance of the model in predicting data.

This thesis propose a post-pruning method by applying Bayes Risk, where the estimated risk of each parent node is compared to the leaf node. As a comparison, other post pruning methods are applied, namely Reduced Error Pruning (REP). Both methods are applied for three customer churn classification datasets from the Kaggle site and IBM Datasets. For the results, Bayes Risk Post-Pruning can improve Decision Tree performance better than Reduced Error Pruning by increasing the value of accuracy, precision, and memory. Both methods are also applied to three different proportions for training data (60%, 70% and 80%). The results show that the greater the size of the training dataset is associated with higher model accuracy, precision, and recall."

"Cekungan Teluk Meksiko (GOM) merupakan salah satu mega area penghasil hidrokarbon di dunia yang telah dieksplorasi dan diproduksi selama lebih dari 100 tahun. Salah satu tahapan penting setelah eksplorasi lapangan adalah melakukan evaluasi atau penilaian untuk pengembangan lapangan sebagai takaran seberapa besar akumulasi hidrokarbon yang dapat diambil. Pada penelitian kali ini akan dibangun model geologi berdasarkan data seismik dan data sumur yang dapat menggambarkan distribusi dan geometri model fasies untuk setiap lingkungan pengendapan dalam suatu kerangka struktur 3D serta properti petrofisika pada distribusi reservoar dalam setiap model lapisan. Pemodelan reservoar tersebut didasarkan oleh hasil interpretasi dan analisa dari integrasi visualisasi beberapa attribut seismik yang berkorelasi terhadap penentuan struktur patahan maupun penentuan lithologi fasies serta distribusi parameter petrofisik yang memungkinkan. Hasil perhitungan volumetrik dari evaluasi lapangan ini dapat dijadikan referensi untuk menghasilkan rekomendasi maupun optimalisasi nilai keekonomian dari cadangan gas lapangan Gulf of Mexico.

---

Gulf of Mexico Basin (GOM) is one of the mega-producing areas of hydrocarbon in the world that have been explored and produced for over 100 years. One of important step after exploration of the field is to conduct an evaluation or appraisal for field development as a measure of how large an accumulation of hydrocarbons that can be taken.

This study is to construct the geological model based on seismic data and well data that can describe the distribution and geometry of facies models for each deposition environment in a 3D structural framework and also the reservoir petrophysical properties distribution for each layer model. Reservoir modeling is based on the results of interpretation and analysis from the integration of visualization of some seismic attributes which are correlated to the structural identification, distribution of lithofacies, and distribution of possible petrophysical properties.

Results of volumetric calculations from this field evaluation can be used as a reference in providing recommendations and optimizing economic value of gas reserves (GIIP) in the Gulf of Mexico field."

"[ABSTRAKTelah dilakukan penelitian untuk mendeteksi sebuah patahan dengan metode Ant-tracking, penelitian ini dilakukan karena identifikasi sebuah patahan bukanlah perkara yang mudah. Pada penelitian ini data yang diolah dan dimodelkan adalah data dari lapangan Gulf of Mexico. Dipilihnya metode attribut ant-tracking karena telah terbukti dapat memudahkan dalam menganalisa sebuah patahan. Sebelum proses Ant-tracking dilakukan terlebih dahulu dilakukan proses Seismic Conditioning dengan Structural Smoothing agar diperoleh data yang baik serta untuk mereduksi noise-noise yang tidak diinginkan. Hasil penelitian menunjukkan segmentasi patahan yaitu patahan mayor sejumlah dua buah serta delapan patahan minor. Patahan ini dapat terjadi juga terkait dengan struktur pada lapangan Gulf of Mexico yang merupakan endapan dari kumpulan lapisan terrigenous miring yang menebal ke arah teluk. Struktur yang diciptakan oleh sejarah panjang tektonik gravitasi ( sesar tumbuh ) yang saling berpengaruh terhadap endapan garam dan batulumpur overpressured. Perkembangan luas dari endapan - endapan overpressured meningkatkan produktivitas dari potensi reservoir.

---

ABSTRACTThe study has been to detect a fault with ant-tracking method. This research conducted to identify a fault is not an easy matter. This research data is processed and modeled from the Gulf of Mexico field data. Ant-tracking attribute method was chosen because it has proven to be easier to analyze a fault. Before the ant-tracking implemented, seismic conditioning process with structural smoothing applied first, in order to obtain good data as well as to reduce unwanted noises. The reseach show fault segmentation results, two major faults and eight minor faults. This fault can also occur related to the subsurface structure Gulf of Mexico which is a collection of layers of terrigenous sediment thickened tilted the bay. Structure created by a long history of tectonic gravity (growth faults) that affect the salt domes and the overpressured shale. Comprehensive development of overpressured sediments increases the productivity of the reservoir potential, The study has been to detect a fault with ant-tracking method. This research conducted to identify a fault is not an easy matter. This research data is processed and modeled from the Gulf of Mexico field data. Ant-tracking attribute method was chosen because it has proven to be easier to analyze a fault. Before the ant-tracking implemented, seismic conditioning process with structural smoothing applied first, in order to obtain good data as well as to reduce unwanted noises. The reseach show fault segmentation results, two major faults and eight minor faults. This fault can also occur related to the subsurface structure Gulf of Mexico which is a collection of layers of terrigenous sediment thickened tilted the bay. Structure created by a long history of tectonic gravity (growth faults) that affect the salt domes and the overpressured shale. Comprehensive development of overpressured sediments increases the productivity of the reservoir potential]"

"Formasi X merupakan target utama di Lapangan Marlin, yang merupakan lapangan gas, berlokasi di Viosca Knoll, lepas pantai Louisiana, Gulf of Mexico. Reservoar yang utama adalah lapisan batupasir tebal, berumur Miosen Tengah, memiliki ciri amalgamated sheet, seperti endapan turbidit pada intraslope basin. Untuk karakterisasi properti batuan di lapangan ini, apabila hanya dengan mengaplikasikan analisis AVO dan impedansi akustik (P-impedansi) saja akan memberikan ketidakpastian yang besar pada hasilnya. Oleh karena itu, Elastic Impedance (EI) dan Simultaneous Inversion diaplikasikan pada interval formasi X ini. Aplikasi metoda inversi EI digunakan untuk memprediksi zona batupasir yang mengandung gas, dengan menggunakan sumur UI-1 dan UI-3 sebagai referensi untuk memprediksi properti reservoir di sumur UI-2, dilanjutkan dengan menganalisis penyebarannya dengan menggunakan partial post stack 3D seismic data. Metoda simultaneous inversion juga telah diaplikasikan sebagai metoda alternatif untuk memprediksi pore gas (Lambda-Rho) dan distribusi porositas, dengan menggunakan partial pre stack 3D seismic data yang diinversi secara simultan; dan dengan menggunakan sumur UI-1 dan UI-3 sebagai referensi untuk memprediksi properti reservoar di sumur UI-2 pada Lapangan Marlin. Kedua metoda tersebut memberikan hasil yang saling mendukung satu sama lainnya. EI dapat memprediksi wet zone pada sumur UI-2 seperti juga halnya simultaneous inversion. Kombinasi hasil kedua metoda tersebut akan mendapatkan perpotongan zona lapisan batupasir, maka zona dengan tingkat kepastian tertinggi atau yang paling mungkin memiliki reservoir batupasir gas dapat dipetakan. Porositas and prediksi pore gas diperkirakan sebesar 20 sampai 30 persen dan 5 sampai 15 GPa*g/cc di dalam lapangan tersebut. Dari hasil studi ini, dapat disimpulkan bahwa kedua metode ini dapat digunakan sebagai alternatif untuk memprediksi karakter reservoar formasi X di lapangan Marlin dan lapangan lainnya yang memiliki kondisi geologi yang mirip untuk mengurangi ketidakpastian dalam eksplorasi hidrokarbon.

---

X formation is the main target of Marlin field, a gas field, situated in Viosca Knoll area, offshore Louisiana, Gulf of Mexico. Main reservoir sands are thick, middle Miocene amalgamated sheet-like turbidite sands deposited in an intraslope basin. The use of AVO analysis and acoustic impedance (P-impedance) only to characterize rock properties in this field will lead us into large uncertainty. Therefore, to overcome that issue, elastic impedance (EI) inversion and simultaneous inversion are introduced and applied within X formation interval.

EI inversion is applied to predict gas sand area, using well UI-1 and UI-3 as the reference to predict reservoir properties in UI-2 well, then delineate the area using partial post stack 3D seismic data. Simultaneous inversion is also applied as an alternative method to predict the pore gas (Lambda-Rho) and porosity distribution, using partial pre stack 3D seismic data which are inverted simultaneously; then UI-1 and UI-3 well data which will be used as a reference well for predicting reservoir properties in UI-2 at Marlin field.

The results from both methods are supported each other. EI inversion result can predict wet zone in well UI-2 as well as simultaneous inversion result. By combining the two methods and drawing the intersection of the good gas sandstone reservoir from both methods, the maximum confident or the most likely of gas sandstone reservoir area can be delineated. Porosity and pore gas prediction suggested around 20 to 30 percent and 5 to 15 GPa*g/cc respectively, throughout the field. Hence, this combined method could be used as an alternative to predict X reservoir properties in Marlin field or could be applied to other fields with similar geological condition to reduce exploration uncertainty."

"Cekungan “X” yang terletak pada bagian tenggara New Orleans, Louisiana, Amerika Serikat merupakan cekungan yang termasuk pada kompleks Gulf of Mexico. Cekungan ini berjenis cekungan margin divergen yang dicirikan oleh tektonik retakan ekstensional dan patahan bertipe wrench fault yang memiliki potensi hidrokarbon yang besar. Analisis petrofisika menjadi indikator pendukung untuk mengetahui paramater fisik batuan seperti volume lempung, kejenuhan air, porositas, dan permeabilitas dimana lapisan reservoir batu pasir yang teridentifikasi menunjukan keberadaan akumulasi hidrokarbon gas pada sumur Well_1. Data seismik 3D yang terdiri dari 14.500-15.000 Inline dan 1.500 – 1.580 Xline dengan luas area cakupan seluas +- 2 km2 yang menunjukkan kondisi perlapisan secara vertikal dan lateral dan sebuah data sumur yang menunjukkan karakteristik batuan bawah permukaan daerah penelitian. Berdasarkan hasil dari penilitian pada lapangan “X” yang terletak pada cekungan sebelah utara Gulf of Mexico, menunjukkan bahwa persebaran reservoir batupasir formasi Cotton Valley dan Hosston dengan nilai impedansi akustik rendah berada di tengah daerah penelitian yang menunjukan bidang perlapisan yang terlihat seperti membaji atau unconformity, memiliki stratigraphic trap pada batuan lempung yang sangat kompak namun brittle (formasi Bossier). Metode inversi post-stack seismik 3D berhasil menunjukan respon nilai impedansi akustik rendah yang secara keseluruhan berkisar antara 6300 – 6800 m/s*g/cc pada line seismic 3D Inline 14770, xline 1528, dan xline 1530 serta tampilan 3D yang mengindikasikan persebaran lapisan reservoir yang tersaturasi oleh hidrokarbon.

---

Basin "X" which is located in the southeastern part of New Orleans, Louisiana, United States is a basin that belongs to the Gulf of Mexico complex. This basin is a divergent margin basin which is characterized by extensional fracture tectonics and a wrench fault type fault which has a large hydrocarbon potential. Petrophysical analysis is a supporting indicator to determine rock physical parameters such as clay volume, water saturation, porosity, and permeability where the identified sandstone reservoir layer shows the presence of gas hydrocarbon accumulation in Well_1 well. 3D seismic data consisting of 14,500-15,000 Inline and 1,500 – 1,580 Xline with a coverage area of +- 2 km2 which shows the condition of layering vertically and laterally and a well data showing the characteristics of the subsurface rock of the study area. Based on the results of research on the "X" field which is located in the northern basin of the Gulf of Mexico, it shows that the distribution of the Cotton Valley and Hosston formation sandstone reservoirs with low acoustic impedance values is in the middle of the study area which shows the bedding plane that looks like wedge or unconformity, has a stratigraphic trap in very compact but brittle clay rocks (Bossier formation). The 3D seismic post-stack inversion method has successfully shown a low acoustic impedance response, which overall ranges from 6300 – 6800 m/s*g/cc on the 3D Inline 14770 seismic line, xline 1528, and xline 1530 as well as 3D views indicating the distribution of reservoir layers saturated by hydrocarbons."

"ABSTRACTTalasemia adalah penyakit yang disebabkan oleh adanya kelainan dalam hemoglobin. Penyakit talasemia merupakan penyakit herediter atau penyakit keturunan dimana pembawa gen talasemia adalah orang tua dari penderita. Di Indonesia, pada tahun 2015 diketahui jumlah kasus talasemia mencapai 7.029 kasus. Sampai saat ini talasemia belum dapat disembuhkan namun dapat dikenali sifat pembawanya dengan skrining. Dalam tugas akhir ini, akan dibandingkan performa dari dua metode yang digunakan untuk mengklasifikasikan data talasemia, yaitu K-Nearest Neighbor dan Naive Bayes. Data yang digunakan adalah 82 data pasien talasemia dan 68 data pasien non-talasemia dari Rumah Sakit Anak dan Bunda Harapan Kita, Jakarta Barat. Hasil akhir menunjukkan bahwa metode Naive Bayes memberikan nilai akurasi yang lebih besar dari K-Nearest Neighbor dalam mengklasifikasikan talasemia. Rata-rata akurasi Naive Bayes sebesar 99.775% dengan rata-rata waktu running 0.0554 detik dan rata-rata akurasi K-Nearest Neighbor adalah 97.142% dengan rata-rata waktu running 0.081 detik. Untuk nilai spesifikasi, keduanya memberikan performa yang sama, yaitu dari K-Nearest Neighbor diperoleh ketika K=3 yaitu sebesar 100% dan dari Naive Bayes sebesar 100%. Hasil rata-rata sensitivitas tertingi diberikan oleh Naive Bayes yaitu sebesar 99.59%, sedangkan K-Nearest Neighbor sebesar 96.25% untuk K=1.

---

ABSTRACTThalassemia is a disease caused by abnormalities in the hemoglobin. Thalassemia is a hereditary disease which the thalassemia gene carriers are parents of sufferers. In Indonesia, in 2015 it was found that the number of thalassemia cases reached 7,029 cases. Until now thalassemia has not been cured, but it can be recognized the nature of its carrier by screening. In this final project, the performance of the two methods will be compared to classify thalassemia data, namely K-Nearest Neighbor and Naive Bayes. The data used were 82 data on thalassemia patients and 68 data on non-thalassemia patients from Harapan Kita Children and Womans Hospital, West Jakarta. The final results show that the Naive Bayes method provides greater accuracy value than K-Nearest Neighbor in classifying thalassemia. The average accuracy of Naive Bayes is 99.775% with an average running time of 0.0554 seconds and the average accuracy of K-Nearest Neighbor is 97.142% with an average running time of 0.081 seconds. For specification values, both give the same performance. The result of specification values using K-Nearest Neighbor yield when K = 3 that is 100% and from Naive Bayes that is 100%. The highest average sensitivity results are given by Naive Bayes is 99.59%, while K-Nearest Neighbor is 96.25% for K = 1."

"ABSTRACTDewasa ini, sudah banyak rumah sakit modern yang dilengkapi dengan peralatan monitoring yang lengkap, yang menyebabkan makin banyaknya data medis yang tersimpan. Data medis ini memiliki karakteristik khusus, dan biasanya metode statistika biasa tidak dapat diterapkan begitu saja. Dari sinilah kemudian muncul gagasan mengenai Medical Data Mining (MDM) yang sudah terbukti cocok untuk diterapkan dalam analisis data medis. Naive Bayes Classifier (NBC) merupakan salah satu implementasi dari MDM. Kendati terbukti memiliki hasil yang akurat dan memuaskan dalam proses diagnosis medis, metode-metode dalam MDM belum sepenuhnya diterima dalam praktek medis untuk diterapkan. Alasan utama mengapa metode ini belum dapat diterima adalah karena terdapatnya resistansi dari tenaga medis terhadap metode diagnosis yang baru. Tujuan dari penelitian ini adalah untuk menerapkan dan mengevaluasi performa NBC  pada data rekam medis pasien kanker payudara di salah satu rumah sakit di Jakarta dalam masalah klasifikasi subtipe molekular kanker payudara, serta membandingkan hasil klasifikasi NBC dengan metode MDM lain, yaitu Decision Tree (DT). Hasil analisis menunjukkan bahwa NBC mengungguli DT dengan tingkat akurasi sebesar 92,8%. Selain itu, dapat juga ditunjukkan secara empiris bahwa NBC mampu menangani missing value dengan cukup baik dan tidak membutuhkan data dalam jumlah banyak untuk tetap dapat mengklasifikasikan sebagian besar pasien dengan benar.

---

ABSTRACTNowadays, modern hospitals are well equipped with data monitoring devices, which resulted in an abundant amount of medical data. These medical data possess specific characteristics and usually, statistical methods could not be applied directly. This is what started the notion of Medical Data Mining (MDM), which has proven to be effective in analysing medical data. Naive Bayes Classifier (NBC) is an implementation of MDM. Even though MDM methods produce a sufficiently accurate and satisfying results in diagnosis problems, these methods are still not well accepted in the medical practice. One of the main reasons is because there is a resistance of physicians to a new diagnosis method. The main goal of this study is to apply and evaluate the performance of NBC in classifying breast cancer patients in a private hospital in Indonesia into five classes of molecular subtypes and compare its performance with another popular MDM method, Decision Tree (DT). Results showed that NBC outperformed DT by reaching an accuracy rate of 92.8%. This study could also show empirically that NBC does not need a big dataset to be able to achieve a high accuracy rate and that NBC could handle the problem of missing values just fine."