Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pembelajaran mesin merupakan ilmu yang mempelajari cara membuat komputer dapat melakukan pembelajaran secara mandiri tanpa dilakukan pemrograman secara eksplisit. Proses identifikasi batuan melalui klasifikasi dan klasterisasi dapat dilakukan menggunakan pembelajaran mesin. Daerah penelitian dilakukan pada wilayah Manjimup, Australia Bagian Barat. Penelitian ini bertujuan untuk menentukan klasifikasi dan klasterisasi mineral batuan menggunakan pembelajaran mesin. berdasarkan data spektral yaitu Short-Wavelength Infrared (SWIR), dan Mid or Thermal Infrared (TIR) yang berasal dari pengukuran spektrum elektromagnetik untuk mengidentifikasi fitur-fitur mineral batuan. Klasifikasi dilakukan menggunakan pembelajaran mesin tersupervisi untuk menentukan akurasi terbaik dengan lima jenis metode, antara lain K-Nearest Neighbors (K-NN), Support Vector Machine (SVM), Decision Tree (DT), Random Forest (RF), dan Multi-layer Perceptron (MLP). Metode SVM menjadi akurasi terbaik pada data SWIR dan metode MLP menjadi akurasi terbaik pada data TIR untuk klasifikasi mineral batuan. Klasterisasi dilakukan menggunakan pembelajaran mesin tidak tersupervisi metode K-Means untuk menentukan kelompok batuan teroptimal berdasarkan informasi geologi yang dimiliki. Tiga kelompok batuan menjadi jumlah kelompok batuan teroptimal berdasarkan informasi geologi yang dimiliki.

---

Machine Learning gives computers the ability to learn without being explicitly programmed. Classification and clustering method used in machine learning able to identifying rocks. The study area is located in the Manjimup region, Western Australia. This study aims to determine the classification and clustering of rock minerals using machine learning. based on spectral data namely Short-Wavelength Infrared (SWIR), and Mid or Thermal Infrared (TIR) collected from electromagnetic spectrum measurements to identify rock mineral features. Classification method used in supervised machine learning able to determine the best accuracy from five types of methods, which are K-Nearest Neighbors (K-NN), Support Vector Machine (SVM), Decision Tree (DT), Random Forest (RF), and Multi-layer Perceptron (MLP). SVM method becomes the best accuracy on SWIR data and the MLP method becomes the best accuracy on TIR data for rock mineral classification. Clustering method used in unsupervised machine learning which is the K-means algorithm able to determine optimal rock clusters based on geological information they have. Three rock clusters become the most optimal number of rock clusters based on the geological information."

"ABSTRAKPenentuan nilai tekanan pori merupakan salah satu tahapan yang perlu dilakukan dalam suatu kegiatan eksplorasi minyak dan gas bumi pada suatu lapangan hidrokarbon. Nilai tekanan pori dapat digunakan untuk mengetahui seberapa aman proses eksplorasi yang berlangsung pada lapangan tersebut dengan mengetahui apakah terdapat kondisi overpressure di bawah permukaan. Dengan mengetahui hal tersebut maka dapat dilakukan pencegahan terhadap masalah pengeboran seperti loss, kick, atau blowout. Untuk itu perlu dilakukan analisis nilai tekanan pori. Pada penelitian ini dilakukan perhitungan tekanan pori dengan menggunakan Metode Eaton dan Metode Kompresibilitas berdasarkan data wireline logging pada Lapangan X Cekungan Sunda. Metode tersebut diterapkan pada litologi yang berbeda, dimana untuk litologi shale digunakan Metode Eaton dan litologi karbonat digunakan Metode Kompresibilitas. Sebelum melakukan perhitungan tekanan pori, dilakukan analisis petrofisika untuk mendapatkan parameter input yang diperlukan serta perhitungan tekanan overburden dan teknanan hidrostatik dengan data log densitas. Pada penelitian ini juga dilakukan perhitungan tekanan rekah menggunakan Metode Eaton yang bertujuan untuk mengetahui apakah mud-weight yang digunakan dalam eksplorasi sudah tepat atau tidak. Nilai tekanan pori yang didapatkan dengan menggunakan Metode Eaton dihitung berdasarkan nilai Normal Compaction Trend (NCT) Sonik sedangkan perhitungan pada metode kompresibilitas dilakukan dengan mencari nilai kompresibilitas bulk dan kompresibilitas pori terlebih dahulu. Metode Kompresibilitas yang digunakan pada penelitian ini ada dua, yaitu metode Kompresibiltias Atashbari dan metode Kompresibilitas Azadpour. Hasil perhitungan tekanan tersebut kemudian dikalibrasikan dengan data pengukuran tekanan langsung (DST) yang tersedia pada tiap sumur penelitian. Berdasarkan hasil perhitungan dapat dilihat bahwa metode Kompresibilitas Azadpour menunjukkan hasil yang lebih baik untuk perhitungan tekanan pori di litologi karbonat. Hasil dari penelitian menunjukkan bahwa secara umum nilai tekanan pori di sumur penelitian berada pada nilai yang cukup aman, dimana secara keseluruhan nilai tekanan pori berada di bawah mud-weight yang digunakan sehingga tidak menimbulkan fenomena kick yang membahayakan kegiatan eksplorasi.

---

ABSTRACTPore pressure determination is an important step that is needed to be done on an oil and gas exploration process in a hydrocarbon field. Pore pressure value can be used to determine whether the field is safe enough to do exploration by knowing if there is any overpressure condition below the surface. By knowing pore pressure value, we can do prevention towards drilling problem such as loss, kick, or blowout. For that reason, pore pressure analysis needs to be done. In this research, pore pressure value is calculated using Eatons Method and Compressibility Method based on wireline logging data in Field X Sunda Basin. Both methods are applied for different lithologies, in which for shale rock Eatons Method is used, while Compressibility Method is used for carbonate rock. Before calculating pore pressure, first petrophysics analysis is done to get input parameter that is needed, and then overburden stress and hydrostatic pressure is calculated using density log. In this research fracture pressure is also calculated using Eatons Method to find out whether mud-weight that is used in the exploration step is appropriate. Pore pressure value from Eatons Method is calculated based on Sonic Normal Compaction Trend (NCT) value while the calculation on Compressibility Method is done by finding bulk compressibility and pore compressibility first, there are two different Compressibility methods that is used in this research, that is Atashbari Compressibility method and Azadpour Compressibility method. The result of pore pressure calculation is then calibrated using direct pressure measurements from DST data that is available on the research well. Based on the results of calculation, Azadpour Compressibility method shows a better result in calculating pore pressure in carbonate lithology. The results of the study show that in general pore pressure value in the research well were at a safe value, where in general the pore pressure were below mud-weight value that is used on the well so it did not cause any kick phenomena that is dangerous during exploration activity."

"Lapangan “X” merupakan salah satu lapangan yang memproduksikan minyak yang terletak pada Blok Selat Malaka, Cekungan Sumatra Tengah. Lapangan tersebut memiliki beberapa sumur yang telah proven yang tercakup kedalam data 3D seismik yang kemudian dilakukan eksplorasi untuk area sekitar sumur proven. Penelitian ini menggunakan 3 sumur yang telah dilakukan analisis petrofisika dan data seismik yang berupa partial angle stack yang terdiri dari near angle, mid angle dan far angle. Penelitian ini menggunakan metode inversi simultan dan klasifikasi litologi menggunakan aturan bayesian. Hasil crossplot menunjukkan bahwa impedansi akustik dan rasio Vp/Vs merupakan parameter yang paling sensitif dalam memisahkan litologi dan fluida. Hasil inversi simultan berupa impedansi akustik bernilai 12000 (ft/s*gr/cc) hingga 19000 (ft/s*gr/cc) dan persebaran nilai Vp/Vs bernilai 2.0 hingga 2.5 Area target pengembangan terletak pada barat laut dari Sumur X-1 yang memiliki nilai impedansi akustik dan Vp/Vs yang rendah. Klasifikasi litologi yang dilakukan metode zonasi langsung dan aturan bayesian. Hasil klasifikasi dua metode tersebut menunjukkan bahwa daerah yang proven termasuk kedalam klasifikasi oil sand dan area target pengembangan yang terletak di barat laut Sumur X-1 juga termasuk ke dalam klasifikasi oil sand.

---

The "X" Field is one of the oil-producing fields located in the Malacca Strait Block, Central Sumatra Basin. This field has several proven wells included in the 3D seismic data, which were then explored for areas around the proven wells. This study uses 3 wells that have undergone petrophysical analysis and seismic data in the form of partial angle stacks consisting of near angle, mid angle, and far angle. This Study uses simultaneous inversion methods and lithology classification using Bayesian rules. The crossplot results indicate that acoustic impedance and the Vp/Vs ratio are the most sensitive parameters for distinguishing lithology and fluids. The simultaneous inversion results show acoustic impedance values ranging from 12,000 (ft/s*gr/cc) to 19,000 (ft/s*gr/cc) and Vp/Vs values ranging from 2.0 to 2.5. The target development area is located northwest of well X-1, which has low acoustic impedance and Vp/Vs values. Lithology classification was conducted using direct zonation methods and Bayesian rules. The classification results from both methods indicate that the proven area is classified as oil sand, and the target development area northwest of well X-1 is also classified as oil sand."

"Sesar Besar Sumatra memainkan peran utama dalam permeabilitas sistem panasbumi di lapangan “X”. Jejak Sesar biasanya terlihat di permukaan melalui remote sensing dan pemetaan permukaan, namun adanya aktivitas vulkanik muda dapat menutupi jejak patahan dan membuat tidak semua struktur permukaan dapat teridentifikasi, selain itu kontinuitas jejak sesar dipermukaan kebawah perurmukaan di reservoir ketidakpastian yang besar.Gabungan interpretasi struktur permukaan berdasarkan data remote sensing, observasi lapangan dengan pengolahan survey geofisika merupakan salah satu pendekatan untuk mengkarakterisasi sesar/distribusi struktur, peta Complete Bouguer Anomaly (CBA) menunjukkan korelasi yang baik dengan zona Sesar Besar Sumatera berarah baratlaut-tenggara yang diinterpretasikan sebagai graben struktur. Integrasi pengolahan gravitasi, geologi permukaan dan data sumur menunjukkan ada beberapa jenis kelurusan struktur di sepanjang zona Sesar Besar Sumatra di lapangan “X”, selain itu, borehole image log menunjukan arah dominan rekahan terbuka yang berbeda dengan trend dari Sesar besar Sumatra yang menunjukan permeabilitas pada lapangan “X” lebih dikontrol oleh rezim ekstensional dari Sesar Besar Sumatra yang relatif memiliki arah utara-selatan. Untuk mengetahui geometri struktur (dipping) dibawah permukaan, hasil interpretasi kelurusan di integrasikan dengan 3D MT model dan 2D gravity model, integrasi model geofisika, geologi dan geokimia menghasilkan model konseptual 3 dimensi pada lapangan “X” yang mencakup lokasi upflow dan outflow, kedalaman dan batas reservoir serta pola dan distribusi permeabilitas yang mengontrol jalur fluida thermal.Temuan baru pada berbagai tren sesar/struktur di sepanjang zona Sesar Besar Sumatra di Lapangan panasbumi “X” berdasarkan integrasi data remote sensing, geologi, geofisika dan data sumur sangat membantu untuk penggambaran karakterisasi struktur dan pola permeabilitas di Lapangan Panasbumi “X” yang juga penting dan berguna untuk rencana pengembangan terkait strategi lokasi sumur produksi dan injeksi beserta dengan penargetan sumur mengurangi risiko pemboran yang gagal.

---

The Great Sumatra Fault (GSF) has been identified to play a major role in controlling the permeability of the geothermal system in “X” field. The main trace of GSF is usually visible on the surface through remote sensing and surface mapping, however young volcanic activities may cover the fault traces or not all identified surface structures extend deep into the reservoir hence the structure identification becomes challenging.

Combined surface structure interpretation based on LiDAR data and field observation with Gravity processing is one of the approaches to characterize the fault/structure distribution, Complete Bouguer Anomaly (CBA) map shows a good correlation with NW-SE trending Sumatran fault zone which interpreted as graben structure. An integration of gravity processing, surface geology and well data suggests numerous types of structure lineaments along the major NW-SE GSF zone. In addition, the borehole image log also confirms different direction of fracture trends as compared to GSF zone which indicates older structural setting from the younger GSF zone. Integration of lineament interpretation with 3D MT model and 2D gravity model was conducted to interpret the geometry of fault in the subsurface (dip direction). The integrated of geophysical, geological and geochemistry model generate 3D conceptual model which explain the upflow and outflow location, depth of reservoir and reservoir boundary also permeability pattern which control the hydrothermal fluid pathway of “X” field.

The new finding on numerous fault/structure trend along the GSF zone based on gravity and image log are helpful for the delineation of the extent of the major faults/structures for permeability characterization at “X” field. Moreover, it is important and useful for future development plan related to well targeting strategy in tapping the permeable zone for more effective fracture intersection and reducing the risk of dry hole."

"Pada penelitian ini berkaitan dengan penerapan kemajuan kecerdasan artifisial dengan menggunakan algoritma You Only Look Once (YOLO) dalam tugas deteksi dan segmentasi pada bidang geologi yaitu untuk identifikasi mineral dengan menggunakan data petrografi. Data yang digunakan untuk proses pelatihan model deteksi dan segmentasi berjumlah 500 gambar sayatan tipis batuan beku. 500 gambar sayatan tipis, dilakukan proses anotasi secara manual dan membagi data tersebut ke dalam set pelatihan, set validasi, dan set prediksi. Pada 3 set tersebut, jumlah kelas mineral yang teranotasi adalah 6 yaitu kelas mineral plagioklas, biotit, horblend, piroksen, alkali-feldspar, dan kuarsa. Teknik augmentaasi yang diterapkan untuk mengatasi keterbatasan dataset pada penelitian ini adalah augmentasi geometri (model 1) dan mosaik (model 2). Model dengan augmentasi mosaik, menjadikan model dengan kinerja yang baik dalam tugas deteksi dan segmentasi mineral, dikarenakan augmentasi mosaik menghasilkan 1 image patch memiliki 4 variasi gambar sayatan tipis, sehingga model tersebut memiliki nilai mAP = 82.3% sedangkan model dengan augmentasi geometri nilai mAP 67.5%. Empat kelas mineral yang memiliki nilai mAP diatas 70% pada mode pelatihan dan validasi adalah mineral plagioklas, biotit, alkali-feldspar, dan piroksen. Diharapkan dari penelitian ini dapat membantu identifikasi mineral dalam sayatan tipis dengan lebih efisien dan akurat.

---

This research is related to the application of advances in artificial intelligence using the You Only Look Once (YOLO) algorithm in detection and segmentation tasks in the field of geology, namely for mineral identification using petrographic data. The data used for the detection and segmentation model training process consisted of 500 thin section images of igneous rock. 500 thin section images were annotated manually and divided the data into a training set, validation set and prediction set. In these 3 sets, the number of annotated mineral classes is 6, namely the mineral classes plagioclase, biotite, horblend, pyroxene, alkali-feldspar, and quartz. The augmentation techniques applied to overcome the limitations of the dataset in this research are geometric augmentation (model 1) and mosaic (model 2). The model with mosaic augmentation is a model with good performance in mineral detection and segmentation tasks, because mosaic augmentation produces 1 image patch with 4 variations of thin section images, so the model has a mAP value = 82.3% while the model with geometric augmentation has a mAP value of 67.5%. The four mineral classes that have mAP values above 70% in training and validation mode are the minerals plagioclase, biotite, alkali-feldspar, and pyroxene. It is hoped that this research can help identify minerals in thin sections more efficiently and accurately."

"Dalam era digital yang terus berkembang, aktivitas sosial dan bisnis semakin banyak beralih ke media sosial dan digitalisasi melalui e-commerce. Tidak hanya pada sektor jual beli masyarakat, terjadi digitalisasi di bidang pengadaan barang/jasa pemerintah dengan dibangunnya sistem e-katalog. Sistem e-katalog memungkinkan pemerintah dan masyarakat untuk mengawasi dan memastikan bahwa pengadaan barang dan jasa pemerintah dilakukan secara adil dan transparan. Namun, sistem e-katalog mengalami keterbatasan dalam hal jumlah dan jenis produk, sehingga upaya terus dilakukan untuk menambah vendor dan memperluas kesepakatan dengan penjual lokal. Meskipun begitu, masih terdapat banyak produk impor yang tercatat pada daftar produk di e-katalog. Dengan memanfaatkan teknologi Machine Learning, klasifikasi produk ke lokal dan pemetaannya ke kategori di e-katalog dapat membantu menyelesaikan permasalahan yang dihadapi oleh sistem e-katalog ini.Desain penelitian yang digunakan pada penelitian ini adalah Experimental research, dimana klasifikasi produk dan pemetaan kategori yang dilakukan pada penelitian ini menggunakan metode Machine Learning. Pemetaan kategori dilakukan dengan 2 pendekatan, produk ke kategori dan kategori ke kategori. Klasifikasi produk dibagi menjadi 2 kelas yaitu lokal dan impor. Data yang diolah adalah produk dari e-commerce dari rentang November 2022 hingga April 2023.Metode yang digunakan pada penelitian ini untuk klasifikasi produk lokal dan kategori adalah Random Forest (RF), Support Vector Machine (SVM), Neural Network (NN), dan Transformers. Dari eksperimen klasifikasi produk lokal dan kategori, keduanya mendapatkan hasil evaluasi terbaik dari model transformers, yang digunakan sebagai model ekstraksi fitur hingga klasifikasi. Performa model klasifikasi produk lokal mendapat f1-score 97,24% dan akurasi 97,25%. Sedangkan model klasifikasi kategori, performa model f1-score 63,74% dan akurasi 64,14%.

---

In the ever-evolving digital era, social and business activities are increasingly turning to social media and digitalization through e-commerce. Not only in the public buying and selling sector, digitization happen in the field of government goods/services procurement with the construction of an e-catalog system. The e-catalog system enables the government and the public to monitor and ensure that government procurement of goods and services is carried out in a fair and transparent manner. However, the e-catalog system suffers from limitations in terms of the number and types of products, so efforts are being made to add more vendors and expand agreements with local sellers. Even so, there are still many imported products listed on the product list in the e-catalog. By utilizing Machine Learning technology, classifying products to local and mapping them to categories in the e-catalog can help solve the problems faced by this e-catalog system.

The research design used in this study is Experimental research, where product classification and category mapping are carried out in this study using Machine Learning methods. Category mapping is done with 2 approaches, product to category and category to category. Product classification is divided into 2 classes, namely local and imported. The processed data are products from e-commerce from November 2022 to April 2023.

The methods used in this study for local product classification and categories are Random Forest (RF), Support Vector Machine (SVM), Neural Network (NN), and Transformers. From the local and category product classification experiments, both obtained the best evaluation results from the Transformers model, which was used as a feature extraction model for classification. The performance of the local product classification model gets an f1-score of 97,24% and accuracy 97,25%. While the category classification model, the performance of the f1-score model is 63,74% and accuracy 64,14%.

"

"ABSTRACTMetode rock typing adalah suatu metode yang dapat digunakan untuk menentukan nilai permeabilitas batuan dan mengklasifikasikan tipe batuan menjadi beberapa kelompok berdasarkan kondisi batuan sebenarnya. Penelitian ini menggunakan beberapa metode rock typing, yaitu metode Lucia, Flow Zone Indicator FZI, Winland R35, dan Pore Geometry Structure PGS. Penelitian ini menggunakan tiga sumur yang memiliki data core sebagai sumur referensi untuk digunakan metode-metode tersebut. Tujuan utama adalah melakukan komparasi dan memilih metode terbaik dari keempat metode tersebut. Kemudian menggunakan hasil metode rock typing untuk membuat model klasifikasi dan diaplikasikan kedalam sumur target yang tidak memiliki data core. Untuk klasifikasi, penelitian ini menggunakan dan melakukan komparasi metode Na ve Bayes dan Random Forest. Hasil yang diperoleh menunjukkan bahwa metode Lucia dan Na ve Bayes adalah metode rock typing dan classifier terbaik untuk penelitian ini. Kedua metode tersebut memiliki crossplot hubungan AI dan SI yang distribusinya terseparasi dengan baik berdasarkan kelas tipe batuannya. Sehingga untuk penelitian selanjutnya, hasil tersebut dapat digunakan dan diaplikasikan kedalam model seismik.

---

ABSTRACTRock typing is a method that can be used to determine permeability value of rocks and classify rock type in reservoir rocks into different units based on actual rocks conditions. This study uses several rock typing methods, that are Lucia, Flow Zone Indicator FZI, Winland R35, and Pore Geometry Structure PGS. This study uses three wells that have core data as reference wells for those methods. First objective is comparing those four methods and choose the best method for our study. Then, using the result of rock typing method to make a classification model and is applied into target wells that don rsquo t have core data. For classification, this study uses and compares Na ve Bayes and Random Forest method. The result shows Lucia and Na ve Bayes is the best rock typing and classifier method. Those methods able to have AI and SI crossplot which distributed separately well based on its rock type. So for future works, that results can be used and applied into seismic model."

"Reservoir sandstone merupakan target utama atau terpenting dalam eksplorasi hidrokarbon di Formasi Mungaroo AA daerah Offshore Cekungan Carnarvorn Utara. Salah satu lapangan dengan reservoir sandstone pada Formasi Mungaroo AA berada di Lapangan Wheatstone. Identifikasi zona reservoir potensial hidrokarbon merupakan suatu hal yang fundamental dalam industri Migas. Salah satu instrumen yang saat ini menjadi sangat powerfull karena begitu luas pemanfaataannya dan nilai investasi yang besar karena tidak semahal analisa core dan well testing adalah well log. Data well log hingga saat ini masih dilakukan intepretasi secara manual atau analisa kurva. Interpretasi secara manual memakan waktu lebih lama dan melelahkan sehingga dapat mengurangi keakuratan dalam interpretasi. Seiring perkembangan waktu dibutuhkan pemanfaatan yang lebih pada data well log dibutuhkan sebuah metode yang dapat meningkatkan kualitas interpretasi atau analisis sumur, yaitu data mining.Dalam penelitian ini, metode data mining Support Vector Machine (SVM) diterapkan untuk identifikasi zona reservoir potensial hidrokarbon dari data well log di Formasi Mungaroo AA, Lapangan Wheatstone, Cekungan Carnarvorn Utara. Data well log yang digunakan berasal dari lima (5) sumur yang dibor di Lapangan yang sama. Penerapan SVM membutuhkan proses pelatihan, satu sumur digunakan sebagai data latih dan fungsi yang diperoleh darinya diterapkan pada 4 sumur yang tersisa. Fase klasifikasi akan meliputi 2 fase, yaitu fase penentuan litologi (sandstone dan non-sand) dan penentuan potensi hidrokarbon (produktif dan non-produktif). Kedua fase ini diterapkan secara bertahap menggunakan metode SVM.Hasil penelitian didapatkan nilai rata-rata akurasi pada fase penentuan litologi (sandstone dan non-sand) menunjukkan nilai sebesar 0.98 sedangkan pada fase penentuan potensi hidrokarbon (produktif dan non-produktif) menunjukkan nilai sebesar 0.93. Hasil akhir pengujian hipotesis t dengan membandingkan distribusi nilai Net To Gross (NTG) hasil prediksi dengan NTG field report menunjukkan menunjukkan bahwa distribusi antara keduanya mendekati. Meskipun hasil pengujian hipotesa yang didapatkan mengatakan distribusi nilai NTG mendekati, peneliti merekomendasikan bahwa metode data mining dapat digunakan sebagai alat verifikasi dalam mengidentifikasi zona reservoir potensial hidrokarbon. Hal ini dapat mengurangi ketidakpastian dan meningkatkan kualitas analisis sumur.

---

Sandstone reservoir occupies the first position or dominates as a hydrocarbon resource. The sandstone reservoir is the main or most important target for hydrocarbon exploration in the Mungaroo AA Formation in the Offshore area of ​​the North Carnarvon Basin. One of the fields with a sandstone reservoir in the Mungaroo AA Formation is the Wheatstone Field. Identification of potential hydrocarbon reservoir zones is a fundamental matter in the oil and gas industry. One of the instruments that are currently very powerful because of its wide use and large investment value because it is not as expensive as core analysis and well testing is the well log. Well log data is still being interpreted manually or curve analysis. Manual interpretation takes longer and is tiring so it can reduce the accuracy of interpretation. Along with the development of time, more use of well log data is needed, and a method that can improve the quality of interpretation or well analysis is needed, namely data mining.

In this study, the Support Vector Machine (SVM) data mining method was applied to identify potential hydrocarbon reservoir zones from well log data in the Mungaroo AA Formation, Wheatstone Field, North Carnarvon Basin. The well log data used is from five (5) wells drilled in the same field. The application of SVM requires a training process, one well is used as training data, and the functions derived from it are applied to the remaining 4 wells. The classification phase will include 2 phases, namely the lithology determination phase (sandstone and non-sand) and the determination of the hydrocarbon potential (productive and non-productive. These two phases are implemented in stages using the SVM method.

The results showed that the average accuracy value in the lithology determination phase showed a value of 0.98 while the hydrocarbon potential determination phase showed a value of 0.93. The result of testing the t hypothesis by comparing the distribution of the predicted NTG value with the NTG field report shows that the distribution between the two is identical. Although the results of the hypothesis testing obtained say the distribution of NTG values ​​is identical, the researcher recommends that the data mining method can be used as a verification tool in identifying potential hydrocarbon reservoir zones. This can reduce uncertainty and improve the quality of well analysis"

"ABSTRAKKanker merupakan penyebab utama kematian kedua di seluruh dunia sehingga mengakibatkan kanker menjadi salah satu prioritas masalah dalam kesehatan. Di Indonesia, tercatat bahwa kanker payudara dan kanker paru-paru memiliki angka kejadian dan kematian tertinggi bagi wanita dan pria WHO, 2014 . Untuk menangani hal tersebut, dalam tugas akhir ini diusulkan suatu metode untuk mengklasifikasikan data kanker menggunakan Support Vector Machines SVM dengan pemilihan fitur berdasarkan Artificial Bee Colony ABC dan Global Artificial Bee Colony GABC pada data kanker payudara dan paru-paru berbasis microarray. Hasil yang diperoleh menunjukkan bahwa metode pemilihan fitur ABC dan GABC memberikan hasil rata-rata akurasi yang lebih tinggi dibandingkan tanpa dilakukan pemilihan fitur dalam klasifikasi data kanker. Untuk pemilihan fitur, metode GABC memberikan hasil yang lebih unggul yaitu dengan akurasi tertinggi 99,99 dengan 10 fitur untuk data kanker paru-paru dan 96,4286 dengan 10 fitur untuk data kanker payudara selama 3 kali running sedangkan metode ABC memberikan rata-rata akurasi tertinggi 99,99 dengan 20 fitur untuk data kanker paru-paru dan 96,4286 dengan 10 fitur untuk data kanker payudara selama 5 kali running.

---

ABSTRACTCancer is the second leading cause of death globally, so that cancer becomes one of priority problems in health. According to WHO on 2014, Indonesia has breast cancer and lung cancer that is the highest incidence and death rates for women and men. To overcome it, in this research, we proposed method to classify cancer data using Support Vector Machines SVM with features selection based on Artificial Bee Colony ABC and Global Artificial Bee Colony GABC on breast and lung cancer based on microarray data. The results show that ABC and GABC as features selection method produced higher average classification accuracy than without no features selection. For features selection methods, the GABC method provides higher results with the highest 99,99 with 10 features for lung cancer data and 96,4286 with 10 features for breast cancer data for 3 times of runs while ABC method provides 99,99 with 20 features for data lung cancer and 96,4286 with 10 features for breast cancer data for 5 times of runs."

"Perkembangan media sosial telah berkembang pesat, tidak hanya sebagai alat komunikasi sosial antar individu. Fungsi dan kegunaannya semakin berkembang serta banyak dimanfaatkan organisasi swasta maupun pemerintah untuk mengukur tingkat layanan. Ditjen Imigrasi selaku organisasi pemerintah merupakan salah satu organisasi yang memanfaatkan media sosial, salah satu fungsinya untuk mengetahui apakah layanan yang diberikan telah diterima dengan baik oleh masyarakat. Selain melalui media sosial, Imigrasi juga telah meluncurkan aplikasi M-Paspor di platform Google Play Store, di platform tersebut Imigrasi juga dapat mengetahui tingkat efektivitas dari aplikasi yang telah diluncurkan. Berdasarkan survei yang dilakukan oleh Balitbangham yang merupakan internal dari Kemenkumham, layanan yang diberikan oleh imigrasi mendapat nilai sangat baik, namun faktanya pada media sosial maupun google play store banyak komentar maupun ulasan yang kurang puas dengan pelayanan pihak imigrasi. Hal tersebut menjadi kontradiksi antara hasil survei Balitbangham dan data di media sosial. Namun, akan sulit untuk melakukan analisis data media sosial dikarenakan jumlah yang banyak. Oleh karena itu, perlu dilakukan untuk mengusulkan sistem untuk melakukan analisis sentimen menggunakan data teks komentar dan ulasan. Sehingga pihak Imigrasi dapat mengambil langkah terbaik untuk dapat memperbaiki layanan yang masih belum maksimal. Dataset yang digunakan berupa data yang diambil dari media sosial Twitter dan Instagram serta ulasan pada Google Play Store. Hasil penelitian menunjukan jika fitur ekstraksi TF-IDF Unigram yang dipadukan dengan algoritma Support Vector Machine (SVM) serta SMOTE menghasilkan performa paling tinggi dibandingkan dengan nave Bayes (NB) maupun Random Forest (RF). dalam melakukan klasifikasi, SVM menghasilkan dengan hasil Precision 72%, Recall 69%, Accurasy 69, serta F1-Score sebesar 68%. Model tersebut dapat digunakan Imigrasi untuk mengetahui umpan balik pelayanan dari masyarakat yang dapat digunakan sebagai pertimbangan dalam melakukan perbaikan pelayanan serta merumuskan strategi pelayanan oleh Direktorat terkait agar pelayanan lebih efisien untuk kedepannya. Sehingga, Imigrasi akan mampu dengan cepat merespon kendala yang dihadapai oleh masyarakat.

---

The development of social media has grown rapidly, not only as a means of social communication between individuals. Its functions and uses are growing and are widely used by private and government organizations to measure service levels. The Directorate General of Immigration as a government organization is one of the organizations that utilizes social media. Its function is to find out whether the services provided have been well received or not by the public. Apart from social media, Immigration has also launched the M-Passport application on the Google Play Store platform, on the platform, Immigration officials can also find out the effectiveness of the applications that have been launched. Based on a survey conducted by Balitbangham which is internal to the Ministry of Human Rights, the services provided by immigration get a very good score, but the fact is that on social media and the Google Play Store some many comments and reviews are not satisfied with the services of the immigration authorities. This is a contradiction between the results of the Balitbangham survey and data on social media. However, it will be difficult to analyze social media data due to the large number. Therefore, it is necessary to propose a system to perform sentiment analysis using commentary and reviewing text data. So that Immigration can take the best steps to be able to improve services that are still not optimal. The dataset used is in the form of data taken from social media Twitter and Instagram as well as reviews on the Google Play Store. The results show that the TF-IDF Unigram extract feature combined with the Support Vector Machine (SVM) and SMOTE algorithms produces the highest performance compared to Naïve Bayes (NB) and Random Forest (RF). In classifying, SVM produces 72% Precision, 69% Recall, 69% Accuracy, and 68% F1-Score. This model can be used by Immigration to find out service feedback from the community as a consideration in making service improvements and formulating more efficient service strategies for the future. Thus, Immigration will be able to quickly respond to the obstacles faced by the community."