Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penelitian ini menggunakan data seismik 3 dimensi dan 5 data sumur dari lapangan w. Target penelitian yaitu batuan karbonat pada formasi Tuban di cekungan Jawa Timur Utara. Penelitian bertujuan menentukan distribusi porositas karbonat, dengan menggunakan neural network berdasarkan inversi dan atribut seismik. Inversi seismik model based dan linier programming sparse spike, menghasilkan impedansi akustik pada lapisan di bawah horizon Top Carbonate hingga horizon Base Carbonate, mengalami peningkatan signifikan pada rentang 38076 - 46857 ((ft/s)*(g/cc)). Atribut seismik sweetness, rms amplitude, dan reflection intensity, digunakan sebagai atribut eksternal, untuk tahap multiatribut linier regresi dan neural network. Multiatribut linier regresi dan neural network dilakukan untuk memprediksi porositas bedasarkan atribut-atribut internal maupun eksternal. Hasil analisis multiatribut yang diaplikasikan pada data raw seismik dan 5 volum atribut eksternal, yaitu log porositas prediksi, memiliki nilai korelasi sebesar 0.712 terhadap log porositas. Dan, nilai validasinya sebesar 0.573. Sedangkan, Probabilistic Neural Network menghasilkan porositas prediksi dengan nilai korelasi sebesar 0.661 dan nilai validasinya sebesar 0.485. Berdasarkan multiatribut linier regresi maupun probabilistic neural network, porositas rata-rata pada lapisan reservoar karbonat sebesar 10-15% di bagian utara. Sedangkan, di bagian selatan, porositas rata-rata hanya di bawah 6%.

---

This study uses three-dimensional seismic data and 5 well data from w field. The research target is carbonate rocks of the Tuban formation in North East Java basin. The study aims to determine the distribution of porosity carbonate, by using neural network algorithm, based on acoustic impedance inversion and seismic attributes. Models based inversion and linear programming sparse spike inversion result in acoustic impedance, in the layers below the horizon Top Carbonate to horizon Base Carbonate, experienced a significant increase impedance in the range 38076-46857 ((ft/s)*(g/cc)). Some seismic attribute; sweetness, rms amplitude, and reflection intensity, are used as external attributes for multi attribute linear regression and neural network. Multi attribute linear regression and neural network is done to predict porosity based on attributes of both internal and external.

The results of the analysis that is applied to the data multi attribute raw seismic and 5 volumes of external attributes, is called log porosity prediction, have a correlation value of 0.712 to log porosity original. And the value of its validation is 0.573. Meanwhile, Probabilistic Neural Network is producing log porosity prediction with correlation value of 0.661 and the value of its validation by 0485. Multi attribute based linear regression and probabilistic neural network, average porosity of the reservoir layer of carbonate of 10-15% in the north. Meanwhile, in the southern part, average porosity of just under 6%."

"Penyebaran Porositas pada reservoir lapangan minyak bisa dilakukan dengan berbagai pendekatan. Hal ini didasarkan pada beberapa pertimbangan seperti kondisi lapangan dan ketersediaan data. Salah satu metode yang sering digunakan adalah Inversi Impedansi Akustik dan Multiatribut Neural Network. Lapangan Z adalah lapangan tua yang masih produksi berlokasi di Sumatra tengah milik PT. Pertamina Hulu Energi dengan jarak 120 km dari pekanbaru. Lapangan ini terdiri dari 5 formasi yaitu telisa, sand A, sand B, dan Sand C. Jumlah keseluruhan lapisan batupasir adalah 13 lapisan dimana ke 13 lapisan tersebut produktif. Adapun data yang tersedia adalah data sumur berjumlah 4 memiliki data sonic dan data seismic 3D lapangan tersebut. Penyebaran porositas dengan menggunakan Inversi Impedansi Akustik tidak dimasukan menjadi input untuk Multiatribut Neural Network. Dari analisis crossplot pada formasi target yaitu bangko didapatkan cut-off besaran fisis reservoir yaitu Nilai cut-off densitas dan porositas reservoir batupasir berkisar antara 2,14 ndash; 2,33 g/cc dan 0,15 ndash; 0,3 fraction . Dari hasil penelitian yang sudah dilakukan dengan inversi akustik menggunakan sumur Z-1 dan Z-2. Probabilistic neural network memperbesar nilai korelasi dari multiatribut regresi sehingga lebih baik dalam menyebarkan porsitas dibandingkan inversi impedansi akustik pada lapangan ini. Rekomendasi pengembangan lapangan yaitu arah timur laut dari sumur Z-1 karena menunjukan nilai porositas lebih baik daripada daerah sekitarnya yaitu 0.15 ndash; 0.18 fraction.

---

Porosity Distribution in oil field reservoir can be done with various approaches. It is based on several considerations such as field conditions and data availability. One of the most commonly used methods is Inversion of Acoustic Impedance and Multiple Neural Network. Field Z is an old field still in production located in Central Sumatra owned by PT. Pertamina Hulu Energi, 120 km from Pekanbaru. The field consists of 5 formations namely Telisa, Sand A, Sand B, and Sand C. The total layer of sandstone is 13 layers where it is produced. The available data are wells data amounted to 4 have sonic data and 3D seismic data of that field. The dispersion of porosity by using the Acoustic Impedance Inversion is not included as the input for Multiattribute Neural Network.

From cross plot analysis on the target formation of bangko, a cut off density of the reservoir and the porosity of the sandstone reservoir ranged from 2.14 to 2.33 g cc and 0.15 to 0.3 fraction.

From the results of research that has been done with acoustic inversion using Z 1 and Z 2 wells. Probabilistic neural networks increase the correlation value of multi attributes regression so that it is better to propagate porosity than the inversion of acoustic impedance in this field. The field development recommendation is the northeast direction of the Z 1 well because it shows better porosity value than the surrounding area is 0.15 0.18 fraction."

"Sektor Lemajung, merupakan salah satu sektor potensial uranium di daerah Kalan, Kalimantan Barat. Mineralisasi uranium dijumpai pada batuan metalanau dan metapelit sekistosan, dengan arah umum mineralisasi timur-barat miring ± 700 ke utara sejajar dengan arah foliasinya (S1). Pemboran evaluasi telah dilaksanakan pada tahun 2013 di R-05 (LEML- 40), dengan total kedalaman 300 meter dan telah dilakukan logging dengan menggunakan gross-count gamma ray pada lubang bor tersebut. Tujuan dari kegiatan ini adalah menentukan kadar mineralisasi uranium dalam batuan secara kuantitatif dan mengetahui kondisi geologi di daerah sekitar pemboran. Metodologi penelitian meliputi penentuan nilai k-faktor, pemetaan geologi di sekitar lubang bor, penentuan ketebalan dan estimasi kadar mineralisasi uranium dengan gross-count gamma ray. Hasil estimasi kadar uranium dengan menggunakan log gross-count gamma ray dapat diketahui bahwa kadar eU3O8 pada lubang bor R-05 (LEML-40) tertinggi mencapai 0,7493 ≈ 6354 ppm eU dijumpai pada interval kedalaman 30,10 ? 34,96 m. Mineralisasi uranium hadir sebagai isian fraktur (urat) atau sebagai isian matrik breksi tektonik pada metalanau dengan ketebalan 0,1 ? 2,4 m berasosiasi dengan sulfida (pirit) dan dicirikan dengan rasio U/Th yang tinggi."

"Sektor Lemajung, merupakan salah satu sektor potensial uranium di daerah Kalan, Kalimantan Barat. Mineralisasi uranium dijumpai pada batuan metalanua dan metapelit sekistosan, dengan arah umum mineralisasi timur-barat miring 70 derajat ke utara sejajar dengan arah foliasinya (S1).Pemboran evaluasi telah dilaksanakan dengan total kedalaman 300 meter dan telah dilakukan logging dengan menggunakan gross-count gamma ray pada lobang bor. Tujuan dari kegiatan ini adalah untuk menentukan kadar minelisasi uranium dalam batuan secara kuantitatif dan mengetahui kondisi geologi di daerah sekitar pemboran...."

"Kanker payudara (KPD) merupakan salah satu penyakit yang masih banyak terjadi di negara berkembang seperti Indonesia. Di Indonesia sendiri, KPD menempati peringkat pertama terbanyak dari berbagai jenis kanker yang terjadi.  Pendeteksian kanker ini dapat dilakukan sejak dini dengan memeriksa manual apakah terdapat benjolan atau kelainan pada payudara. Jika terasa ada benjolan, maka disarankan untuk diperiksa ke dokter dengan berbagai metode, seperti mammogram, Magnetic Resonance Imaging (MRI), dan USG. Diagnosa citra ini sering terkendala karena tidak setiap rumah sakit memiliki tenaga spesialis radiologi. Maka dari itu, untuk mengatasinya diperlukan bantuan komputer untuk mendiagnosa citra tersebut yang sering disebut computer aided diagnostis (CAD). Algoritma Convolutional Neural Network didasari pada hasil pemeriksaan rutin citra x-ray payudara normal/abnormal yang cenderung menunjukkan perubahan, salah satunya tekstur (konten). Data yang digunakan pada penelitian ini diambil dari website Pilot European Image Processing Archive (PEIPA) yaitu dataset Mammographic Image Analysis Society (MIAS). Sistem dimulai dengan mengenal dan mempelajari data 3 jenis mamografi, yakni mamografi normal (sehat), mamografi benign, dan mamografi malignant. Setelah mempelajari data tersebut, sistem akan mencoba untuk mendeteksi jenis kanker payudara dari data baru yang dimasukkan. Nilai akurasi yang didapatkan adalah 100%, dengan rasio data pembelajaran sebanyak 1247 data (setelah diaugmentasi) dan data pengujian sebanyak 93 data, sehingga disimpulkan bahwa sistem ini baik. Namun nilai ini hanya untuk data MIAS, sehingga masih perlu pengembangan lebih lanjut supaya dapat diterapkan ke data-data yang lain juga.

---

Breast Cancer (BC) is one of the diseases that still occur a lot in developing countries like Indonesia. In Indonesia alone, BC is the number one most occurrence cancer. This cancer detection can be done early by manual, checking if there is any lump or abnormality in breast. If there are any lump, it is recommended to go check in hospital. There are a lot of methods like Magnetic Resonance Imaging (MRI), and Ultrasonography (USG). This image diagnostics sometimes got constrained by the lack of radiology specialist in some hospital. Therefore, to counter this problem, Computer Aided Diagnostics (CAD) help is needed to detect those images. Convolutional Neural Network algorithm is based on the result of the routine x-ray's check of breast, both normal and abnormal which tend to show some changes, which one of them is texture (content). Data used in this research came from Pilot European Image Processing Archive (PEIPA) website, Mammographic Image Analysis Society (MIAS) database. The system start by recognizing and learning 3 types of mammograph data, normal (healthy), benign and malignant. Then, system will try to detect and classify breast cancer type from the new input data. The accuracy score is 100%, with a ratio of 1247 datas for learning (after augmented) and 93 datas for testing, so it can be concluded that this system is good. But this score is achieved only for MIAS data, it still need further improvement  so it can be applied to another data."

"Metoda seismik inversi saat ini memegang peranan penting dalam dunia eksplorasi sebagai alat identifikasi parameter fisis suatu batuan, dan terkadang untuk identifikasi hidrokarbon dalam suatu reservoir. Dalam penelitian ini dipilih metoda inversi Extended Elastic Impedance (EEI) yang merupakan perluasan dari metoda Elastic Impedance (EI) dengan cara merubah |sin2θ| dengan tan χ dalam persamaan Elastic Impedance. Variabel χ mempunyai harga antara -90o dan 90o yang merupakan range sudut untuk memperoleh parameter fisik batuan. Dengan menggabungkan parameter intercept dan gradient dengan sudut (χ) yang optimum akan menghasilkan reflektivitas parameter fisik batuan tersebut.Tujuan studi ini adalah meneliti aplikasi metode EEI sebagai alat untuk menghasilkan prediksi berbagai parameter fisik batuan termasuk Lambda-Mu-Rho (LMR) yang dapat menunjukkan keberadaan sebaran reservoir dan keberadaan hidrokarbon di dalam lapisan reservoir. Hasil dari studi ini diperoleh dengan melakukan korelasi antara log LMR dengan model log EEI untuk mendapatkan harga sudut optimumnya. Sudut optimum Lambda-Rho yang diperoleh sebesar 18o dengan korelasi 0.7 dan Mu-Rho sudut optimumnya sebesar -45o dengan korelasi 0.9. Dari slicing hasil inversi reflectivity Lambda-Rho dan Mu-Rho menunjukkan akumulasi gas berada pada 10 ms ? 30 ms di bawah Formasi Talang Akar yang berada pada daerah tinggian dari struktur dan yang bukan merupakan tinggian, sehingga menunjukkan jebakan yang terjadi merupakan jebakan struktur dan stratigrafi.

---

The Seismic Inversion method are important in the exploration nowadays, as tool to identify the basic physics of rocks, and also to determine the hydrocarbon in a reservoar. In this study, Extended Elastic Impedance (EEI) is extension of Elastic Impedance (EI) with modify the definition of Elastic Impedance beyond the range of physically meaningful angles by substituting tan χ for sin2θ in the two-term reflectivity equation. The primary variable now becomes χ rather than θ. The χ has vary between -90o and 90o , which gives an extension of EI for any combination of intercept and gradient. With combine χ optimum can create physic parameters reflectivity.

The aim this study is apply EEI method as tool to predict rock physic parameters include Lambda-Mu-Rho (LMR) can determine hydrocarbon presence in a reservoar. The study result is gained through the correlation between LMR log and EEI log model to get an optimum angle. The correlation extracting Lambda-Rho optimum angle is 18o with coefficient correlation 0.7 and Mu-Rho optimum angle is -45o with coefficient correlation 0.9. Lambda-Rho dan Mu-Rho inversion slices show the gas presence at 10 ms to 30 ms below Talang Akar Formation and also describe that the traps are stratigraphyc and structural."

"Text-to-speech research in several languages in under development, and has reached a satisfactory result in certain language. But, some problems in text-to-speech have not been completely solved yet...."

"At the time the use of non destructive test for pavement has been a trend because of its effectiveness and mobility. Falling weight deflectometer (FWD) is famous equipment for this aim...."

"Dalam konteks estimasi usia gigisebagai metode non-invasif untuk determinasi usia kronologis pasien, teknik orthopantomography (OPG) telah luas diaplikasikan meski menghadapi kendala seperti biaya tinggi dan eksposur radiasi. Merespons limitasi pendekatan konvensional, paradigma machine learning dan deep learning kini dioptimalkan untuk mengidentifikasi pola intrinsik pada data pencitraan medis kompleks. Penelitian ini bertujuan mengembangkan algoritma YOLOv8 untuk meningkatkan akurasi estimasi usia gigi, menggunakan dataset dari RSGMP Universitas Airlangga dengan subjek pediatrik 5—15 tahun. Dataset dimodifikasi menjadi tiga variasi: tanpa augmentasi, augmentasi tiga kali per sampel, dan augmentasi lima kali per sampel. Hasil optimal dicapai oleh variasi ketiga dengan augmentasi lima kali per sampel, mendemonstrasikan akurasi 60% dan F1-Score 61,05%, mengindikasikan potensi signifikan teknik augmentasi data dalam meningkatkan kinerja algoritma deep learning untuk estimasi usia gigi.

---

In the context of dental age estimation as a non-invasive method for determining patients' chronological age, orthopantomography (OPG) techniques have been widely applied despite facing challenges such as high costs and radiation exposure. Responding to the limitations of conventional approaches, machine learning and deep learning paradigms are now being optimized to identify intrinsic patterns in complex medical imaging data. This research aims to develop the YOLOv8 algorithm to improve the accuracy of dental age estimation, using a dataset from the Dental and Oral Hospital of Airlangga University with pediatric subjects aged 5-15 years. The dataset was modified into three variations: without augmentation, triplet augmentation, and quintuplet augmentation per sample. Optimal results were achieved by the third variation with quintuplet augmentation, demonstrating 60% accuracy and 61.05% F1-Score, indicating significant potential for data augmentation techniques in enhancing the performance of deep learning algorithms for dental age estimation."