Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Laporan magang ini membagas prosedur audit untuk akun kas dan setara kas PT CBT Indonesia yang memiliki pisah batas pada tanggal 25 Desember untuk tahun 2018. Terdapat beberapa prosedur tambahan yang dilakukan serta terdapat beberapa permasalahan yang muncul akibat tanggalnpisah batas tersebut. Seperti permasalahan pada surat konfirmasi maupun pergerakan yang terjadinpada alun kas dan setara kas dalam periode pisah batas yaitu 25 Desember dan penerbitan laporan keuangan pada 31 Desember 2018. ......The internship report discuses the audit procedure for PT CBT Indonesias Cash and Cash Equivvalent which had cut off date on December 25th for 2018. There are several additional procedures and problems that occurs due to the abnormal cut off date. For example, confirmation letters and movement in cash and cash equivalent during cutoff sate in December 25th and financial report date in December 31st.

Abstrak :
Kualitas batubara kokas dapat diukur melalui banyak parameter. Volatile matter (VM) dan reflektansi virtrinit maksimum (RoMax) merupakan dua parameter kualitas batubara yang memiliki kekuatan korelasi paling kuat. Namun saat ini belum terdapat standar klasifikasi kualitas batubara kokas yang baku serta tidak terjangkaunya proses identifikasi saat penambangan jika harus menggunakan analisis petrografi maceral. Analisis cutoff volatile matter dapat menjadi alternatif dari permasalahan tersebut untuk mengidentifikasi batubara kokas yang memiliki VM lebih rendah (MV1) dan VM lebih tinggi (MV2). Lokasi penelitian berada di tambang Blok X Adaro Metcoal Companies yang memiliki 23 seam batubara dan dipengaruhi oleh tatanan geologi dari Cekungan Kutai Atas. Batubara kokas di daerah penelitian memiliki kualitas VM 23-36% dmmf (kelas Medium Volatile/MV) dan RoMax 1,01-1,30%. Untuk mengidentifikasi rank batubara kelas MV telah ditentukan bahwa RoMax = 1,15% ialah nilai tengah untuk MV1 dan MV2 dan akan menjadi acuan pemotongan nilai VM. Korelasi VM-RoMax dari data bor eksplorasi dipilih basis daf (dried ash free) karena memiliki kekuatan korelasi (Rsq) paling baik, yaitu 72,1%. Kemudian dari korelasi ini dilakukan koreksi anomali (sepeti kadar air dan ash) sehingga korelasi meningkat menjadi 76%. Dari hasil korelasi tersebut didapatkanlah cut-off VM 30% daf ialah nilai perpotongan RoMax 1,15. Kemudian untuk menguji validasi dan keberlanjutan kualitas tersebut antara kondisi saat eksplorasi terhadap penambangan saat ini dilakukanlah korelasi serupa, namun menggunakan pemodelan krigging dan data aktual melalui channel sampling. Deviasi nilai VM model dengan VM aktual rata-rata ±1,08% daf (STD = 2,40%). Oleh karena itu proses identifikasi dengan cutoff VM 30% daf ini valid dan dapat diterapkan untuk operasional penambangan.

---

The quality of coking coal is measured by several parameters. Volatile matter (VM) and vitrinite reflectance (RoMax) are the two most reliable coal parameter that have a very strong correlation. Unfortunately, the classification standard for coking coal has not readily been determined and the petrography analysis to determine RoMax is unaffordable. Cutoff volatile matter analysis can be used as an alternative to overcome those issue since the output is to identify coking coal by its volatile matter contains, which has lower VM (MV1) or higher VM (MV2). The location of the research is located in Blok X opened-active mining site Adaro Metcoal Companies that has 23 seams coal and affected by its geological setting particularly from Upper Kutai Basin. Thorugh several lab analysis, this coking coal contains 23-36% dmmf that made it classified as Medium Volatile (MV) class. The RoMax ranges between 1.01-1.30%. In order to identify the rank particularly for MV coking coal, it has been decided that RoMax = 1.15% is median for MV1 and MV2 which later will be a cut-off based. Drillholes data has shown the correlation of VM-RoMax is stronger when using daf (dried ash free) bases, where Rsq = 72,1%. The anomaly correction is later conducted and yields 76%, which is higher and better to use. By this correlation the VM cutoff through 1.15 RoMax is 30% daf. Then to test the validation and its sustainability, this research has undertaken a comparison study of exploration modelling data to actual (recent) data through channel sampling. So that from comparison study the difference slightly ranges in ±1,08% daf (STD = 2,40%). From then on using VM cut-off 30% daf for identification process is valid, relatively sustainable and can be applied for daily mining operations.

Abstrak :
Saat ini geosaintis memasuki era big data dan pembelajaran mesin memberikan potensi besar untuk berkontribusi dalam masalah geosains (Karpatne dkk., 2017). Automasi dalam analisis fasies perlu dilakukan untuk meningkatkan keakuratan, juga mengurangi waktu dan biaya dalam kegiatan pengembangan sumur sehingga dapat meningkatkan hasil produksi. Penelitian dilakukan menggunakan data log sumur pengeboran, laporan deskripsi batuan inti, dan deskripsi petrografi di reservoir gas Lapangan X. Akumulasi gas berada di reservoir utama hasil endapan vulkaniklastik pada Formasi Pucangan. Proses pengelompokan dilakukan menggunakan algoritma K-Means dan di analisis menggunakan Cutoff Crossplot. Kemudian dilanjutkan dengan klasifikasi yang dilakukan menggunakan pembelajaran tersupervisi dengan jenis algoritmaSupport Vector Machine (SVM), Random Forest, dan Extreme Gradient Boosting (XGBoost). Lokasi penelitian berada di wilayah kerja Minarak Brantas Gas Inc (MBGI) Kabupaten Sidoarjo, Jawa Timur. Lapangan X terletak pada reservoir vulkaniklastikberumur Pleistosen dan terletak di onshore Cekungan Jawa Timur. Interval produksi berada di bagian bawah yang terendapkan di lingkungan neritik luar atau lingkungan turbiditik. Lapangan X terdiri dari empat fasies yaitu, batulempung, batulanau, batupasirvulkanik, dan batupasir karbonatan. Algoritma pembelajaran mesin yang paling baik digunakan untuk identifikasi fasies pada Lapangan X adalah RandomForest dengan hasil akurasi f1-score tertinggi, dan nilai RMSE (Root Mean Square Error) paling rendah dibandingkan kedua algoritma lain. ...... Geoscientists are currently entering the era of big data and machine learning provides great potential to contribute to geoscience problems (Karpatne et al., 2017). Automation in facies analysis needs to be done to increase accuracy, also reduce time and costs in well development activities so as to increase production yields. The research was conducted using drilling well log data, core rock description reports, and petrographic descriptions of gas reservoirs in Field X. Gas accumulation is in the main reservoir as a result of volcaniclastic deposits in the Pucangan Formation. The clustering process was carried out using the K-Means algorithm and analyzed using the Cutoff Crossplot. Then proceed with the classification which is carried out using supervised learning with the types of Support Vector Machine (SVM), Random Forest, and Extreme Gradient Boosting (XGBoost) algorithms. The research location is in the working area of ​​Minarak Brantas Gas Inc. (MBGI) Sidoarjo Regency, East Java. Field X is in a Pleistocene volcaniclastic reservoir and is locatedonshore in the East Java Basin. The production interval is at the bottom which is deposited in an outer neriticenvironment or a turbiditic environment. Field X consists of four facies, namely, claystone, siltstone, volcanic sandstone, and carbonate sandstone. The bestmachine learning algorithm used for faciesidentification in Field X is Random Forest with thehighest f1-score accuracy, and the lowest RMSE (RootMean Square Error) value compared to the other two algorithms.

Abstrak :

Penelitian sifat mekanik dalam struktur perovskite manganite (Nd0,67Pb0,33MnO3 (NPbMO) dan Nd0,67Sr0,33MnO3 (NSMO)) menggunakan Density Functional Theory (DFT) dengan kode Cambridge Majelis Serial Total Energy Package (CASTEP). Pemodelan struktur menggunakan kelompok ruang kubik 𝑃𝑚̅3𝑚 (221) dan parameter kisi setiap struktur 3,78 Å, parameterisasi PBE-GGA dan pendekatan BFGS. Ketentuan pemodelan ini diterapkan pada semua struktur yaitu NdMnO3 (NMO), PbMnO3 (PMO), dan SrMnO3 (SMO). Pada NPbMO, masing-masing NMO dan PMO memiliki energi cutoff 500 eV dan k-point 7×7×7. Sedangkan pada NSMO, NMO memiliki energi cutoff 400 eV dan SMO memiliki energi cutoff 10 eV dengan nilai k-point yang sama yaitu 1 × 1 × 1. Ketentuan diatas menghasilkan kenaikan parameter kisi dan volume sel yang berakibat pada kenaikan jari-jari atom, melemahnya gaya ikatan antar inti atom dan elektron sehingga mengurangi tingkat keelektronegatifan ion dan penurunan keelektronegatifan. Sifat mekanik menunjukkan karakteriktik material NPbMO dan NSMO berupa kekakuan, ketahanan terhadap kemunduran, dan keuletan. Subsitusi Sr menggantikan Pb pada Nd menunjukkan bahwa NSMO lebih memiliki karakteristik berupa tikat elastisitas yang lebih tinggi, ketahanan terhadap kelahiran yang lebih rendah, dan tingkat keuletan yang lebih rendah dari NPbMO.

---

Investigasi sifat mekanik pada struktur manganit perovskit (Nd0.67Pb0.33MnO3 (NPbMO) dan Nd0.67Sr0.33MnO3 (NSMO)) menggunakan teori fungsional densitas (DFT) dengan kode Cambridge Majelis Serial Total Energy Package (CASTEP). Pemodelan struktur menggunakan kelompok ruang kubik Pm ̅3m (221) dan parameter kisi masing-masing struktur sebesar 3,78 Å, parameterisasi PBE-GGA, dan pendekatan BFGS. Aturan pemodelan ini diterapkan pada semua struktur yaitu NdMnO3 (NMO), PbMnO3 (PMO), dan SrMnO3 (SMO). Pada NPbMO, masing-masing NMO dan PMO memiliki energi cutoff sebesar 500 eV dan titik k sebesar 7×7×7. Sedangkan pada NSMO, NMO memiliki cutoff energi sebesar 400 eV dan SMO memiliki cutoff energi sebesar 10 eV dengan nilai kpoint yang sama yaitu 1×1×1. Ketentuan di atas menyebabkan peningkatan parameter kisi dan volume sel, yang meningkatkan jari-jari atom, melemahkan gaya ikatan antara inti atom dan elektron, sehingga mengurangi tingkat keelektronegatifan ion, dan mengurangi kesenjangan keelektronegatifan. Sifat mekanik menunjukkan karakteristik material NPbMO dan NSMO dalam hal kekakuan, ketahanan terhadap deformasi, dan keuletan. Substitusi Sr dengan Pb pada Nd menunjukkan bahwa NSMO memiliki sifat elastisitas yang lebih tinggi, ketahanan deformasi yang lebih rendah, dan keuletan yang lebih rendah dibandingkan NPbMO.

Abstrak :
Reservoar karbonat dikenal memiliki parameter petrofisika yang sangat kompleks dibandingkan dengan reservoar sandstone, porositas dan permeabilitas batuan tidak terkait. Nuclear Magnetic Resonance NMR merupakan metode well logging yang dapat mengkarakterisasi reservoar dengan menggunakan parameter waktu relaksasi terhadap distribusi pori dan determinasi dari tipe fluida dalam pori.Lapangan hidrokarbon C terletak pada cekungan Sumatera Selatan dan memproduksi gas. Berdasarkan analisis petrofisika terdahulu, formasi Baturaja merupakan zona produksi. Keadaan NMR pada sumur R1 memiliki 100 ms dan sumur M4 memiliki nilai 92 ms sebagai nilai T2 Cutoff yang menjelaskan karakter R1 yang lebih poros dibandingkan M4. Karakter sumur pada penelitian mendukung keadaan hidrogen pada sampel karbonat yang sensitive terhadap pengukuran NMR terhadap porositas, yang memiliki waktu relaksasi yang cepat akan menggambarkan porositas kecil dibandingkan dengan waktu relakasi yang lambat akan menggbarkan porositas besar. ...... Carbonate reservoir are well known for its complexity for petrophysics behavior where in contrast to sandstone reservoir in consequence porosity and permeability are not directly related. Nuclear Magnetic Resonance NMR is the well logging method which is able to characterize reservoir by determine porosity, including the pore distribution and determination of types of fluids present in the pores. ldquo C rdquo Hydrocarbon field is located in South Sumatera basin and produced gas. Based on analysis petrophysical, Baturaja Formation was determine as production zone. The result of NMR processing, Well R1 has a 100 ms and Well M4 has a 92 ms as a value of T2 cutoff. It determine the general character of each well. The NMR result supported NMR behavior of carbonate samples studied reflect the general sensitivity of NMR measurement to pore size distribution where a low relaxation time value is expected for small pores, whereas large pore result in higher relaxation time.