Hasil Pencarian  ::  Simpan CSV :: Kembali

"A study of those statistical ideas that use a probability distribution over parameter space. The first part describes the axiomatic basis in the concept of coherence and the implications of this for sampling theory statistics. The second part discusses the use of Bayesian ideas in many branches of statistics."

"Penggunaan email filtering saat ini sudah tergolong umum. Mail server berskala intenasional sudah wajib menggunakan spam filtering untuk men-filter email yang masuk ke user. Dari beberapa metode filtering yang dikembangkan, metode content filtering adalah metode yang paling digemari. Dari beberapa tipe content filtering yang digunakan, metode bayesian filtering merupakan metode email yang palign sering digunakan. Konsep yang digunakan cukup sederhana, yaitu bila probabilitas spam dari sebuah email lebih besar dari probabilitas nonspam, maka email tersebut dianggap sebagai spam. Tugas akhir ini akan membahas email filtering yang menggunakan metode bayesianfiltering. Metode yang dibangun berdasarkan konsep yang telah dibangun oleh Paul Graham dalam artikelnya ?A Plan for Spam?. Artikel ini dinyatakan sebaga batu loncatan yang sangat berpengaruh terhadap perkembangan email filtering karena memberikan pandangan lain terhadap pengembangan spam filtering. Pada tugas akhir ini, penulis akan meneliti trik-trik yang digunakan oleh Paul Graham dalam artikelnya. Penulis akan membangun sebuah email filtering berdasarkan artikel Paul Graham kemudian memodifikasi filter tersebut kemudian melihat perbedaan kinerja dari filter."

"Buku ini membahas masalah dan solusi yang berhubungan dengan analisis statistik ketika variabel penjelasannya tidak dapat diukur."

"Klasifikasi fluida serta estimasi porositas berdasarkan teorema Bayes telah dilakukan dengan menggunakan hasil inversi seismik simultan sebagai inputnya pada karbonat formasi Kujung di cekungan Jawa Timur, Indonesia. Banyak literatur yang menjelaskan ambiguitas dari karakterisasi batuan karbonat berdasarkan anomali AVO. Studi ini dilakukan untuk menghasilkan klasifikasi dan estimasi yang memiliki tingkat kepastian berdasarkan teorema Bayes. Kami melakukan dua fasa karakterisasi, kualitatif dan kuantitatif. Dalam karakterisasi secara kualitatif, 2 kelas/tipe fluida didefinisikan, yaitu gas dan wet. Sebelum ada informasi baru, diasumsikan probabilitas prior dua kelas ini adalah sama, 50:50. Distribusi probabilitas awal dari dua kelas ini kemudian ditentukan melalui data sumur, distribusi ini akan menjadi likelihood function. Impedansi akustik, rasio Vp/Vs, dan densitas kemudian diturunkan dari inversi seismik simultan. Atribut ini adalah informasi baru yang akan digunakan untuk mengupdate probabilitas prior tadi menjadi probabilitas posterior dengan menggunakan teorema Bayes, probabilitas posterior ini merepresentasikan klasifikasi fluida pada setiap tras seismik. Dalam proses lainnya untuk karakterisasi secara kuantitatif, distribusi porositas dan saturasi didefinisikan menggunakan hubungan dasar kecepatan terhadap porositas dan saturation. Probabilitas prior didefinisikan berdasarkan data sumur, kemudian simulasi stokasik dilakukan untuk menghasilkan likelihood function yang membentuk probabilitas bersama antara porositas dan saturasi, sebelum akhirnya diaplikasikan untuk estimasi porositas dan saturasi berdasarkan skema Bayes. Hasil akhir dari langkah kerja ini adalah data 3D dari tipe fluida yang berasoasi dengan probabilitas dan ketidakpastian untuk tiap posisi. Data 3 dimensi ini terdiri atas probabilitas wet, probabilitas gas, dan juga estimasi kuantitatif dari porositas dan saturasinya. Hasil langkah kerja pada area studi kami menunjukkan potensi pay zone berada pada flank dari buildup carbonate tersebut.

---

Bayesian fluid classification and Bayesian porosity-saturation estimation has been done using simultaneous seismic inversion result as the input in Kujung carbonate from East Java Basin, Indonesia. Many literatures described the limitation of carbonate characterization based on AVO anomaly. This study carried out to present the classification and estimation result with level of confidence based on Bayesian theorem. We have done two phases of characterization, qualitative and quantitative. In qualitative characterization, two classes of fluid were defined, these are gas and wet. Before any new information, it is assumed that the prior probability density function (PDF) of these two classes is the same, 50:50. Initial distribution of each wet and gas filled carbonate were then estimated from well log data, these are the likelihood function. Acoustic impedance, Vp/Vs ratio, and density were then derived from 3D multi stacks seismic data using simultaneous AVO inversion. These attributes are the new information required to update our prior distribution to have final posterior PDF using Bayesian theorem that represent fluid classification for each traces. In the other process for quantitative characterization, the porosity and saturation distribution were defined using basic velocity to porosity & saturation relationship (rock physics analysis). The prior PDF is defined based on analyzed well data, and stochastic simulation was done to generate likelihood function to form joint PDF between porosity and saturation, before finally applied to estimate porosity and saturation cube using Bayesian Scheme. The final product of the proposed workflow is 3D fluid cube of reservoir with associated probabilities and uncertainties which consist of probability of wet carbonate and gas carbonate, also quantitative estimation of porosity and saturation. The result shows that potential pay zone for this particular carbonate was lying on the flank of the buildup carbonate."

"Metode Bayesian memungkinkan kita mampu memperhitungkan nilai ketidakpastian dari hasil perhitungan berdasarkan data pengukuran OTP. Adanya nilai ketidakpastian dalam pengukuran menunjukkan bahwa nilai pengukuran tersebut memiliki tingkat kepercayaan tertentu. Adapun tujuan dari penelitian ini untuk mengetahui tingkat akurasi dari model OTP dengan menggunakan metode bayesian, dan untuk mengetahui ketidakpastian dari model OTP dengan fitting menggunakan metode bayesian. Data yang digunakan adalah data biokinetik organ ginjal berupa data aktivitas pada waktu tertentu dari 8 pasien NETs dengan peptide receptor radionuclide therapy (PRRT) menggunakan ¹⁷⁷Lu-DOTATATE. Data di-fitting menggunakan metode Bayesian menggunakan tiga persamaan matematis yaitu f1,f2 dan f3. Selanjutnya dilakukan perhitungan nilai TIAC untuk empat titik data yang kemudian disebut RTIAC dan nilai TIAC dari setiap satu titik data yang disebut CTIAC. Tingkat akurasi nilai TIACs hasil pengolahan menggunakan persamaan matematis f1,f2 dan f3 relatif baik dengan nilai %RD secara populasi untuk f1 ginjal gabung sebesar 10,17±8.53, %RD f1 ginjal pisah sebesar 12,89 ± 6,93, %RD f2 sebesar 11,31 ± 9,34, dan %RD f3 sebesar 23,42 ± 19,86. Selain itu ketidakpastian perhitungan nilai TIACs di analis berdasarkan CV (median[min,max]) dengan nilai CV CTIACs untuk pengolahan menggunakan f1 ginjal gabung sebesar (33,48[32,15 , 34,70])%, CV f1 ginjal pisah sebesar (33,77[32,79 , 35,55])%, CV f2 sebesar (35,49[32,72 , 54,96])%, dan CV f3 sebesar (24,22[17,96 , 27,00])%.

---

The Byesian method allows us to be able to calculate the uncertainty value of the calculation results based on OTP measurement data. The existence of an uncertainty value in the measurement indicates that the measurement value has a certain level of confidence. The purpose of this study is to determine the level of accuracy of the OTP model using the bayesian method, and to determine the range of uncertainty of the OTP model with fittings using the bayesian method. The data used were biokinetic data in the form of activity data against time in the left kidney and right kidney from 8 patients. The patients were the NET patients with receptor radionuclide therapy (PRRT) using 177Lu-DOTATATE. The data was fitted with the Bayesian method using three mathematical equations f1, f2 and f3. Next, the TIAC value was calculated for four data points, which is then called RTIAC and the TIAC value for each data point was called CTIAC. The level of accuracy of the TIAC values ​​processed using the mathematical equations f1, f2 and f3 is relatively good with the %RD value in population for f1 kidney combined of 10.17±8.53, %RD for f1 kidney separated of 12.89 ± 6.93, %RD for f2 of 11.31 ± 9.34, and %RD for f3 of 23.42 ± 19.86. Meanwhile, the uncertainty in calculating the TIACs value was analyzed based on CV (median[min,max]) with the CV CTIACs value for processing using f1 kidney combined of (33.48[32.15, 34.70])%, CV f1 kidney separated of (33.77[32.79 , 35.55])%, CV f2 "