Hasil Pencarian  ::  Simpan CSV :: Kembali

"Tingginya biaya inventory, munculnya shortage cost serta sulitnya menjaga ketersediaan suku cadang dalam jumlah besar dan bervariasi memerlukan strategi pengontrolan yang tepat, metode klasifikasi pada umumnya fokus kepada annual dolar usage belum mengakomodasi kirteria lain yang bersifat kualitatif dan kuantitatif. Thesis ini bertujuan mendapatkan model manajemen persediaan dengan menggunakan metode Multi Criteria Decission Making yaitu klasifikasi berdasarkan Multi-attribute Spare Tree Analysis(MASTA) dan Inventory Management Policy (IMP) matrix yang mengakomodasi berbagai kriteria kualitative serta kuantitative di Industri minyak dan gas bumi Indonesia. Hasil penelitian menunjukkan MASTA & IMP sebagai metode manajemen persedian bisa diterapkan di Industri minyak dan gas bumi indonesia dan bisa menjaga persediaan dan menurunkan biaya inventory.

---

The high cost of inventory, the emergence of shortage cost and difficulty of maintaining the availability of spare parts in large and varied quantities needs a proper control strategy, classification methods generally focus on annual dollar usage not accommodate other qualitative and quantitative criteria.

This thesis aims to get the inventory management model using Multi Criteria Decision Making method based on Multi-attribute Spare Tree Analysis (MASTA) and Inventory Management Policy (IMP) matrix that accommodates a variety of qualitative and quantitative criteria in the oil and gas industry of Indonesia.

The results showed MASTA & IMP as supply management methods can be applied in oil and gas industry Indonesia and could keep the stock and reduce inventory costs."

"ABSTRAKAnalisa atribut merupakan suatu metode kualitatif yang bertujuan memunculkanfitur-fitur data seismik yang tidak nampak, baik secara geometrical maupunphysical. Secara geometrical atribut seismik dapat membantu interpreter dalammengidentifikasi diskontinuitas dikarenakan adanya struktur sementara physicaldapat membantu interpreter dalam mengetahui fisis dari batuan. Dalam penelitianini digunakan atribut koherensi yang merupakan atribut geometrical untuk melihatpersebaran dan kemenerusan patahan secara lateral guna mendapat interpretasipatahan yang lebih baik. Selain itu juga digunakan atribut amplitudo RMS yangberguna untuk memetakan persebaran dari reservoir sand. Dalam penelitian inipeneliti memetakan persebaran suatu lapisan batupasir E yang terletak padakelompok sihapas, Cekungan Sumatra Tengah, Indonesia serta menginterpretasistruktur-struktur patahan yang ada yang dapat menjadi suatu jebakan hidrokarbon.Dari analisa atribut ditemukan bahwa hasil ekstraksi atribut amplitudo RMSberkorelasi dengan lingkungan pengendapan kelompok sihapas dimana atributtersebut membentuk suatu pola yang mirip dengan tidal sand bar yang terdapatpada lingkungan pengendapan tide dominated delta yang berkembang pada bagiantenggara dari area penelitiaan.

---

ABSTRACTAttribute analysis is a qualitative method that aims to bring the features of seismicdata that is not readily apparent, both geometrical and physical. Geometricalattribute can assist interpreter in identifying discontinuities due to structure andPhysical attribute can help in knowing the physical interpretation of rock. Thisstudy used an attribute that is an attribute of geometrical coherent to see thedistribution and continuity of the fault laterally in order to obtain a betterinterpretation of the fault. RMS amplitude attribute also used for mapping thedistribution of reservoir sand. In this study, researcher mapped the distribution of asandstone layer that lies in group E sihapas, Central Sumatra Basin, Indonesia andinterpret the fault structures that exist which can be a trap for hydrocarbons. Fromthe analysis it was found that the extraction attribute RMS amplitude correlates withsihapas group depositional environment where these attributes form a pattern thatis similar to the tidal sand bar located on tide dominated delta depositionalenvironments that thrive in the south eastern part."

"This book takes Korean as a basis to provide a detailed universal Determiner Phrase (DP) structure. Adnominal adjectival expressions are apparently optional noun dependents but their syntax and semantics have been shown to provide an important window on the internal structure of DP. By carefully examining data from Korean, an understudied language, as well as from other unrelated languages, the book provides a broad perspective on the phenomenon of noun modification and its cross-linguistic variations. Furthermore, it offers not only a thorough syntactic analysis but also a formal semantic analysis of noun modifiers that extends beyond a single language. This book will be of great interest to researchers interested in theoretical syntax, its interfaces with semantics, pragmatics, linguistic typology, and language variation. With a wealth of data and important observations, in this volume Kim ventures into a notoriously difficult domain. She sheds new light on old puzzles and articulates some fresh new ones. The analysis of the Korean extended DP-and of nominals across languages-offered here is important and interesting, but it's the deeper analytical insights that underlie it that ensure this work's lasting relevance. Marcin Morzycki, Michigan State University, USA"

"ABSTRAKData yang tidak lengkap merupakan salah satu masalah yang sering muncul dalam penelitian medis, yang dapat mengakibatkan statistik inferensial tidak akurat. Salah satu cara yang dapat dilakukan untuk mengatasi masalah tersebut adalah dengan mengestimasi missing value yang terdapat pada data. Metode ini disebut imputasi. Beberapa metode imputasi telah dikembangkan untuk memperkirakan nilai yang hilang, dan salah satu metode imputasi yang paling sering digunakan adalah imputasi pohon keputusan. Pohon keputusan adalah salah satu metode pembelajaran mesin terawasi yang paling sederhana, yang digunakan untuk mengklasifikasikan dan meregresi data. Namun selain kepraktisan metode pohon keputusan untuk imputasi, metode ini kurang tepat jika muncul nilai-nilai yang hilang baik pada data latih maupun data pengujian secara bersamaan. Untuk mengatasi keterbatasan tersebut, metode imputasi pohon keputusan kemudian dikembangkan menjadi metode imputasi pohon atribut yang dipesan secara dinamis (DOAT). DOAT pertama kali diperkenalkan oleh Nick Street dan Jing Wang pada tahun 2009, untuk membangun sejumlah pohon keputusan yang digunakan untuk memperkirakan nilai yang hilang secara bertahap dalam data pelatihan. Selanjutnya tingkat akurasi estimasi akan digunakan untuk menentukan pohon keputusan akhir sebagai pohon keputusan terakhir yang melakukan imputasi. Setelah pohon keputusan akhir diperoleh dari data pelatihan, maka nilai-nilai yang hilang pada data pengujian akan diestimasi menggunakan sejumlah pohon keputusan yang dihasilkan dari data pelatihan, dimana pohon keputusan akhir yang dihasilkan pada data pelatihan juga merupakan pohon keputusan final. pohon keputusan yang digunakan dalam imputasi pengujian data. Pada penelitian ini dikembangkan metode imputasi DOAT dengan algoritma CART untuk membangun pohon keputusan untuk mengestimasi missing value pada data kategori penyakit. Kinerja metode imputasi DOAT akan dievaluasi berdasarkan tingkat akurasi menggunakan pohon keputusan. Hasil penelitian ini menunjukkan bahwa metode imputasi DOAT tidak mengurangi tingkat akurasi metode klasik yang sudah memiliki data lengkap.ABSTRACTIncomplete data is one of the problems that often arises in medical research, which can result in inaccurate inferential statistics. One way that can be done to overcome this problem is to estimate the missing value contained in the data. This method is called imputation. Several imputation methods have been developed to estimate missing values, and one of the most frequently used imputation methods is decision tree imputation. Decision trees are one of the simplest supervised machine learning methods, which are used to classify and regress data. However, in addition to the practicality of the decision tree method for imputation, this method is not appropriate if missing values ​​appear in both training data and test data simultaneously. To overcome these limitations, the decision tree imputation method was later developed into a dynamically ordered attribute tree (DOAT) imputation method. DOAT was first introduced by Nick Street and Jing Wang in 2009, to construct a number of decision trees that are used to estimate the incrementally missing values ​​in training data. Furthermore, the level of accuracy of the estimate will be used to determine the final decision tree as the last decision tree that performs imputation. After the final decision tree is obtained from the training data, the missing values ​​in the test data will be estimated using a number of decision trees generated from the training data, where the final decision tree generated in the training data is also the final decision tree. decision tree used in the imputation of data testing. In this study, the DOAT imputation method with the CART algorithm was developed to build a decision tree to estimate the missing value in disease category data. The performance of the DOAT imputation method will be evaluated based on the level of accuracy using a decision tree. The results of this study indicate that the DOAT imputation method does not reduce the level of accuracy of the classical method which already has complete data."