Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penyelidikan karakteristik reservoir memiliki peranan penting dalam bidang eksplorasi minyak dan gas bumi (Hydrocarbon). Penyelidikan ini bisa cukup sulit dilakukan dikarenakan oleh beberapa hal, salah satunya adalah memetakan reservoir lapisan tipis yang disebabkan oleh keterbatasan resolusi seismik. Ada banyak metode yang telah diterapkan terhadap data seismik dalam karakteristik reservoir. Dekomposisi spektral telah diaplikasikan untuk interpretasi data seismik 3D.Metode yang digunakan adalah metode Continuous Wavelet Transform (CWT), metode ini diaplikasikan pada data sintetik dan data seismik riil lapangan Bonsville. Aplikasi dari metode CWT pada data sintetik bertujuan untuk mendapatkan frequency slicing dan mengetahui frekuensi tertentu dari masing-masing frekuensi yang digunakan untuk analisa dekomposisi spectral, selanjutnya diaplikasikan pada data riil lapangan Boonsville bertujuan untuk mendapatkan horizon slice.Hasil analisis pada data riil seismik lapangan Boonsville yang didapatkan dari proses dekomposisi spektral menunjukan adanya distribusi channel pada formasi caddo.

---

Reservoir characteristic investigation has an important role in hydrocarbon exploration. The investigation cannot be done easily because of several problems, on of them is for mapping the thin beds reservoir which is caused by the limitation of the seismic resolution. Many methods have been applied to seismic data in the reservoir characterization. Spectral decomposition has been applied to 3D seismic data interpretation, such as by using Continuoaus Wavelet Transform (CWT) method.These method are applied to, first synthetic data set and second, real seismic data set collected along Boonsville field. The application of method to the synthetic data set is used to get the best frequency slicing and to know a certain frequency from each frequencies such as by using analysis spectral dekomposition, hereinafter, method are applied to the real data of the boonsville field is get the best horizon slice.The result of analysis on real seismic data set collected along Boonsville Field with spectral decomposition process can show distribusri channel in Caddo Formation."

"ABSTRAKStudi tentang estimasi ketebalan dan penyebaran lateral lapisan batubara di lapangan X Cekungan Sumatra Selatan. Lapisan batubara ditemukan di kedalaman 100-400 meter berada pada Formasi Muara Enim, dengan lingkungan pengendapan fluviodeltaic. Metoda Dekomposisi spektral telah digunakan untuk mengestimasi lapisan tipis batubara dimana memiliki temporal thickness Iebih kecil dari 1/4 x. Pelaksanaan metoda dekomposisi spektral ini diterapkan melalui transformasi fourier pada data seismik 2D dalam domain frekuensi Dalam domain frekuensi pada ketebalan lapisan tipis batubara diwujudkan sebagai uraian dari rekaman spektrumnya. Dengan mengukur ketebalan spektrum notch, lapisan tipis batubara dapat diestimasi. Dari hasil pengolahan data yang dilakukan denganmetoda dekomposisi spektral (FFT), lapisan tipis batubara bervariasi dari 9-16 meter. Pada bagian Barat Laut daerah penelitian memiliki ketebalan 9-11 meter, sedangkan di bagian Tenggara memiliki ketebalan 12-16 meter, kemudian dipetakan penyebaran secara lateral dan kontur ketebalan dengan metoda kriging. Kontur kedalaman dalam bentuk time struktur permukaan pada lapisan batubara di lapangan X dibagi menjadi tiga zona; zona dalam, menengah dan dangkal serta mengalami pendangkalan ke arah Barat Laut.

---

AbstractThe study estimates the thickness and lateral distribution of the "X" coal seam in the South Sumatra Basin. The coal seam is found at a depth of 100m-400m within the Muara Enim Formation whose sedimentary environment is fluvio-deltaic.The spectral decomposition method has been applied in order to estimate the thickness of the seam whose temporal thickness is less than I/4 x. The implementation of spectral decomposition method is carried out by Fourier transforming (FFT) 2D seismic data to the frequency domain. In the frequency domain the thickness of the coal seam is manifisted as the elucidation of the notch spectrum. By measuring the width of the notch spectrum, the thickness of the coat seam can be estimated. The thickness of the coal seam varies from 9-16 meters. In the NW part of the stuady area the thickness is around 9-11 meters, while in the SEpart of the study area the thickness varies from 11-16 meters and then mapped byits distribution with thickness contour with kriging's method. Time structure map of the surface representing the top structure of the layer where coal seam are deposited for three zones; deep zone, moderate depth, and shallow depth. It can be seen than structure shallowing toward the NW."

"Dekomposisi spectral merupakan salah satu metoda analisis seismik lanjutan untuk memetakan benda geologi. Biasanya seorang interpreter akan menghasilkan sangat banyak komponen spektral yang di-scan setiap 1 Hz untuk mencari anomali tersebut. Komponen spektral tersebut saling berkorelasi dan berulang, suatu fitur yang sama dapat muncul di beberapa komponen tetapi dengan kualitas berbeda. Untuk mengurangi perulangan data spektral dan meningkatkan trend di dalam data, principal component analysis (PCA) diaplikasikan kepada komponen spektral. PCA adalah metode statistik multivariable yang bekerja dengan cara merotasi sumbu agar sejajar dengan arah penyebaran data dan mengurutkan principal component berdasarkan besar nilai varians.Dalam eksperimen pertama kepada model baji, PCA dapat memetakan seluruh bagian baji dengan menerus tidak peduli dengan ketebalannya. Semua fitur yang signifikan diplot pada principal component pertama yang mempunyai lebih dari 85% varians data. Kami juga memverifikasi algoritma ini pada data seismik Stratton, dengan target channel dimana citra yang diperoleh sebanding dengan hasil dekomposisi spektral. Tetapi kami juga memperhatikan ada beberapa bagian dari channel yang dicitrakan sedikit kurang bagus akibat dari kontaminasi noise dan juga kurang signifikannya data tersebut. PCA akan berfungsi dengan baik jika trend dalam data koeksis dalam komponen spektral yang lain dan tidak didominasi oleh noise. Dengan menggunakan teknik blending, kami menjumlahkan tiga principal component band pertama dan menunjukkan bahwa channel dapat dipetakan dengan lebih baik. Fitur-fitur yang kurang signifikan yang muncul pada principal component band dua dan tiga semua dipetakan dalam citra komposit.

---

Spectral decomposition is one of the method in advance seismic analyses to map geologic body. Usually, an interpreter will generate a lot of spectral components which are usually scanned every 1 Hz to look for anomalies. Those spectral components are highly correlated and redundant, same feature can occur in several components with different quality. To reduce the multiplicity of spectral data and enhance the most energetic trends inside the data, principal component analysis (PCA) is applied to the spectral components. PCA is a multivariate statistics method that works by rotating the axes to align with natural extension of the swarms of points and ordering the principal components by decreasing variance.In the first experiment to wedge model, PCA is very excellent in mapping all wedge body continuously regardless of the thickness. All significant features are plotted in the first principal component which accounts for more than 85% data variance. We also verify the algorithm to Stratton seismic data, target at channel which provide a comparable image from spectral decomposition. But we notice that some parts of the channel are slightly poorly imaged due to the contamination of noise and low significance of the data. PCA is robust when the trend in the data coexists in other spectral components and it doesn?t smeared by noise. By using blending technique, we sum up the first three principal component bands and shows that the channel is better imaged. Less significant features that show up in principal component bands two and three are all mapped to the composite image."

" ABSTRAKClustering adalah salah satu topik penting pada bidang Data Mining. Teori graf dapat digunakan untuk membantu clustering dengan cara membuat graf yang mewakili data-data yang akan di-cluster. Salah satu metode graf clustering adalah k-way spectral clustering yang memanfaatkan sebanyak k nilai eigen dan vektor eigen pertama dari matriks Laplacian suatu graf untuk melakukan clustering dengan k adalah banyaknya cluster yang diinginkan. Pada skripsi ini dibahas mengenai algoritma k-way spectral clustering merujuk kepada Ng, Jordan, dan Weiss (2002) dan von Luxburg (2007).

---

ABSTRACT

Clustering is one of the most important topic in Data Mining. Graph can be used to do clustering by forming a representation graph data which is needed to be clustered. K-way spectral clustering is one of many methods of graph clustering. This method uses first-k eigen values and eigen vectors of a Laplacian matrix to cluster with k is the number of desired clusters. In this skripsi, it will be discussed a k-way spectral clustering algorithm by Ng, Jordan, and Weiss (2002) and von Luxburg (2007)."

"Telah dilakukan upaya untuk mempersempit lebar garis keluaran laser zat warna pulsa dengan menggunakan teknik susunan prisma. Untuk mengamati secara langsung lebar garis spektral keluaran laser, berkas laser didispersikan oleh kisi pantul di dalam suatu alat pengukur panjang gelombang. Uraian panjang gelombang (spektrum warna) yang tampak dari mikroskop pengukur panjang gelombang dipotret dan disajikan dalam bentuk foto-foto. Dengan susunan 4 (empat) prisma diperoleh penyempitan lebar garis dengan faktor -1/17, yakni dari – 0,952 nm menjadi – 0,056 nm. Pengujian lebib lanjut dilakukan dengan menggunakan berkas laser tersebut dalam spektroskopi laser-berkas atom untuk mengamati garis-garis DI dan D2 pada atom Na. Dari pengujian spektroskopi diperoleh lebar garis spektral laser dengan susunan 4 prisma – 0,075 nm"

"Spectral clustering adalah salah satu algoritma clustering modern yang paling terkenal. Sebagai teknik clustering yang efektif, metode spectral clustering muncul dari konsep teori graf spektral. Metode spectral clustering membutuhkan algoritma partisi. Ada beberapa metode partisi termasuk PAM, SOM, Fuzzy c-means, dan k-means. Berdasarkan penelitian yang telah dilakukan oleh Capital dan Choudhury pada 2013, ketika menggunakan Euclidian distance, k-means memberikan akurasi yang lebih baik dibandingkan dengan algoritma PAM. sehingga, makalah ini menggunakan algoritma k-means. Keuntungan utama dari spectral clustering adalah mengurangi dimensi data, terutama dalam hal ini untuk mengurangi dimensi yang besar dari data microarray. Microarray data adalah chip berukuran kecil yang terbuat dari slide kaca yang berisi ribuan bahkan puluhan ribu jenis gen dalam fragmen DNA yang berasal dari cDNA. Aplikasi data microarray secara luas digunakan untuk mendeteksi kanker, misalnya adalah karsinoma, di mana sel-sel kanker mengekspresikan kelainan pada gen-nya. Proses spectral clustering dimulai dengan pengumpulan data microarray gen karsinoma, preprocessing, menghitung similaritas, menghitung , menghitung nilai eigen dari , membentuk matriks , dan clustering dengan menggunakan k-means. Dari hasil pengelompokan gen karsinoma pada penelitian ini diperoleh dua kelompok dengan nilai rata-rata Silhouette maksimal adalah 0.6336247. Proses clustering pada penelitian ini menggunakan program open source R.

---

Spectral clustering is one of the most famous modern clustering algorithms. As an effective clustering technique, spectral clustering method emerged from the concepts of spectral graph theory. Spectral clustering method needs partitioning algorithm. There are some partitioning methods including PAM, SOM, Fuzzy c means, and k means. Based on the research that has been done by Capital and Choudhury in 2013, when using Euclidian distance k means algorithm provide better accuracy than PAM algorithm. So in this paper we use k means as our partition algorithm. The major advantage of spectral clustering is in reducing data dimension, especially in this case to reduce the dimension of large microarray dataset.

Microarray data is a small sized chip made of a glass plate containing thousands and even tens of thousands kinds of genes in the DNA fragments derived from doubling cDNA. Application of microarray data is widely used to detect cancer, for the example is carcinoma, in which cancer cells express the abnormalities in his genes. The spectral clustering process is started with collecting microarray data of carcinoma genes, preprocessing, compute similarity matrix, compute , compute eigen value of , compute , clustering using k means algorithm. In this research, Carcinoma microarray data using 7457 genes. The result of partitioning using k means algorithm is two clusters clusters with maximum Silhouette value 0.6336247."

"ABSTRAKInversi seismik merupakan proses pengubahan suatu data seismik menjadi suatukuantitas Impedansi Akustik, sedangkan Dekomposisi Spektral merupakan prosespemisahan komponen spektrum frekuensi pada data seismik yang berguna dalammenentukan zona frekuensi rendah atau yang diistilahkan dengan low frequencyshadow zone. Kedua metode tersebut telah digunakan dalam penelitian ini. Inversiyang digunakan adalah model based, sedangkan dekomposisi spektralmenggunakan continues wavelet transform. Hasilnya menunjukkan bahwa keduametode tersebut secara konsisten menunjukkan bahwa lapangan CH pada formasikujung, Cekungan Jawa Timur terdapat area dengan nilai Impedansi Akustik yangrendah yang menunjukkan daerah-daerah reservoar dengan kandungan fluida gasyang ditunjukkan oleh anomali spektrum pada frekuensi 7 Hz.

---

ABSTRACTSeismic Inversion is the process of converting seismic data into a quantity namedAcoustic Impedance, while Spectral Decomposition is the process of separatingthe components of the frequency spectrum on seismic data that is useful indetermining the zone of low frequency or which is termed the low frequencyshadow zone. Both of these methods have been used in this study. Inversionmethod used is a model-based, while the spectral decomposition using continueswavelet transform. The results showed that both methods have consistently shownthat CH field on the Kujung formation, East Java Basin there are areas with a lowAcoustic Impedance values that show areas of reservoir with gas content indicatedby anomalous spectrum at a frequency of 7 Hz."

"ABSTRAKClustering adalah metode pembagian data ke dalam kelompok homogen yang disebut cluster. Spectral clustering merupakan salah satu algoritma clustering modern yang memiliki kelebihan dapat mereduksi dimensi data. Pada penelitian ini metode partisi yang diterapkan pada spectral clustering yaitu self-organizing map SOM . SOM memiliki keunggulan tahan terhadap data noise dan outlier, serta SOM dapat mengatasi dataset yang besar. Penelitian ini bertujuan untuk mengimplementasikan spectral clustering-self organizing map pada data microarray ekspresi gen karsinoma yang terdiri dari 7457 gen dari 18 sampel normal dan 18 sampel penderita kanker karsinoma. Sebelum dilakukan spectral clustering-SOM, data microarray ekspresi gen karsinoma dinormalisasi menggunakan normalisasi min-max. Spectral clustering-SOM dilakukan dengan tahapan-tahapan berikut: menghitung matriks similaritas W , menghitung matriks laplacian ternormalisasi Lsym , menghitung eigenvalue dari Lsym, membentuk matriks U yang terdiri dari k eigenvector terkecil, membentuk vektor unit Unorm dari vektor baris pada matriks U sehingga vektor unit memiliki norm 1, mengelompokkan gen pada matriks Unorm menggunakan SOM dan menghitung nilai indeks Davies-Bouldin IDB k . Penentuan jumlah cluster terbaik berdasarkan nilai indeks Davies-Bouldin yang paling minimum. Dengan menggunakan perangkat lunak R, hasil penelitian ini menunjukkan bahwa data microarray ekspresi gen karsinoma terbagi menjadi dua cluster dengan nilai indeks Davies-Bouldin yaitu 0,5843429. Berdasarkan indeks Davies-Bouldin, hasil clustering menggunakan metode spectral clustering-SOM lebih baik daripada hasil clustering yang menggunakan metode SOM tanpa spectral clustering.

---

ABSTRACTClustering is a method the dividing data into a homogeneous group called a cluster. Spectral clustering is one of the modern clustering algorithms that has the advantage of reducing dimensions of data. In this study the partitioning method applied to spectral clustering is self organizing map. SOM has the advantage of robust to noise and outlier, and SOM can handle large datasets. This study aims to implement spectral clustering self organizing map on microarray data of carcinoma gene expression consisting of 7457 genes from 18 normal samples and 18 samples of carcinoma cancer patients. Before spectral clustering SOM, the microarray data of carcinoma genes expression was normalized using min max normalization. The Spectral clustering SOM is done by the following steps calculate similarity matrix W , calculate the normalized Laplacian matrix Lsym , calculate the eigenvalue of Lsym , forming a vector unit Unorm of the row vector of the matrix U so that the vector unit has norm 1, grouping the genes in the matrix Unorm and calculate the Davies Bouldin index values IDB k . Determination of the best number of clusters based on the minimum value of the Davies Bouldin index. By using software R, the result of this research is microarray data of carcinoma gene expression is divided into two clusters with Davies Bouldin index value is 0.5843429. Based on the Davies Bouldin index values, clustering using spectral clustering SOM is better than clustering using only SOM method without spectral clustering."

"ABSTRAKSensor kapasitif Multi Spektral merupakan sebuah sensor yang dibentuk berdasarkan konsep White Noise Impedance Spectroscopy. Konsep ini memanfaatkan pendekatan frekuensi spektral noise/derau dari sinyal domain frekuensi hasil dari pengaruh medan pada dielektrik. Sebagai sebuah sensor, tentunya dibutuhkan konsistensi hasil yang didapatkan stabil, sehingga dapat mempermudah dalam penganalisaan. Pada skripsi ini, penulis mencoba membandingkan antar kelompok data mulai dari 100, 150, 200, sampai 300 data dari total 600 set data untuk H2O murni dan H2O NaOH serta 300 set data H2O HCl menggunakan Transformasi Statistika Tamsir TST . Hasil yang didapatkan nantinya berupa selisih antar kelompok data dengan pola fluktuasi yang berdekatan. Sehingga kelompok-kelompok data tersebut nantinya dapat digunakan sebagai referensi pola fluktuasi suatu bahan.

---

ABSTRACTMulti Spectral capacitive sensor is a sensor formed based on the concept of White Noise Impedance Spectroscopy. This concept utilizes the spectral frequency noise approach of the frequency domain signal resulting from field influence on the dielectric. As a sensor, of course, the consistency of the results obtained stable, so it can facilitate in analyzing. In this undergraduated thesis, the authors try to compare between groups of data ranging from 100, 150, 200, to 300 data from total of 600 data sets for pure H2O and H2O NaOH and 300 sets of H2O HCl data using Tamsir Statistics Transformation TST . The result obtained is the difference between the data groups with the adjacent fluctuation pattern. So that data groups can be used as a reference fluctuation pattern of a material."