Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRACTKecepatan gelombang-P adalah parameter yang sangat penting dalam kegiatan eksplorasi. Kecepatan gelombang-P (Vp) dapat ditentukan dari data logging wireline. Umumnya, industri hanya melakukan penebangan pada kedalaman tertentu yang dianggap memiliki prospek untuk menghemat biaya eksplorasi. Data logging wireline yang hilang pasti akan menjadi masalah serius karena membutuhkan data yang lengkap dan akurat sehingga peluang keberhasilan eksplorasi tinggi. Diperlukan metode untuk memperkirakan Vp menggunakan data selain sonic log. Penelitian ini bertujuan untuk memperkirakan Vp berdasarkan data log yang tersedia menggunakan metode Genetic Algorithm (GA) dan Neural Network (NN). Proses inversi dilakukan dengan menggunakan metode di sumur Ikpikpuk1 sampai hubungan Vp diperoleh dengan log gamma ray, log resistivitas dan log densitas. Proses selanjutnya memperkirakan Vp dengan tes buta pada sumur yang sama tetapi kedalamannya berbeda dari inversi. Hasil penelitian menunjukkan bahwa metode Neural Network lebih unggul daripada metode Genetic Algorithm. Dalam tiga formasi yang menjadi objek penelitian, metode Neural Network konsisten karena eror estimasi lebih kecil dari metode Genetic Algorithm.

---

ABSTRACTP-wave velocity is a very important parameter in exploration activities. P-wave velocity (Vp) can be determined from wireline data logging. Generally, industries only cut down to certain depths which are considered to have prospects to save on exploration costs. Lost wireline logging data will definitely be a serious problem because it requires complete and accurate data so the chances of exploration success are high. A method is needed to estimate Vp using data other than sonic logs. This study aims to estimate Vp based on log data available using the Genetic Algorithm (GA) and Neural Network (NN) methods. The inversion process is carried out using the method at Ikpikpuk 1 well until the Vp relationship is obtained by gamma ray log, resistivity log and density log. The next process estimates Vp by blind testing at the same well but the depth is different from inversion. The results showed that the Neural Network method is superior to the Genetic Algorithm method. In the three formations that are the object of research, the Neural Network method is consistent because the estimation error is smaller than the Genetic Algorithm method."

"ABSTRAKPenentuan nilai tekanan pori merupakan salah satu tahapan yang perlu dilakukan dalam suatu kegiatan eksplorasi minyak dan gas bumi pada suatu lapangan hidrokarbon. Nilai tekanan pori dapat digunakan untuk mengetahui seberapa aman proses eksplorasi yang berlangsung pada lapangan tersebut dengan mengetahui apakah terdapat kondisi overpressure di bawah permukaan. Dengan mengetahui hal tersebut maka dapat dilakukan pencegahan terhadap masalah pengeboran seperti loss, kick, atau blowout. Untuk itu perlu dilakukan analisis nilai tekanan pori. Pada penelitian ini dilakukan perhitungan tekanan pori dengan menggunakan Metode Eaton dan Metode Kompresibilitas berdasarkan data wireline logging pada Lapangan X Cekungan Sunda. Metode tersebut diterapkan pada litologi yang berbeda, dimana untuk litologi shale digunakan Metode Eaton dan litologi karbonat digunakan Metode Kompresibilitas. Sebelum melakukan perhitungan tekanan pori, dilakukan analisis petrofisika untuk mendapatkan parameter input yang diperlukan serta perhitungan tekanan overburden dan teknanan hidrostatik dengan data log densitas. Pada penelitian ini juga dilakukan perhitungan tekanan rekah menggunakan Metode Eaton yang bertujuan untuk mengetahui apakah mud-weight yang digunakan dalam eksplorasi sudah tepat atau tidak. Nilai tekanan pori yang didapatkan dengan menggunakan Metode Eaton dihitung berdasarkan nilai Normal Compaction Trend (NCT) Sonik sedangkan perhitungan pada metode kompresibilitas dilakukan dengan mencari nilai kompresibilitas bulk dan kompresibilitas pori terlebih dahulu. Metode Kompresibilitas yang digunakan pada penelitian ini ada dua, yaitu metode Kompresibiltias Atashbari dan metode Kompresibilitas Azadpour. Hasil perhitungan tekanan tersebut kemudian dikalibrasikan dengan data pengukuran tekanan langsung (DST) yang tersedia pada tiap sumur penelitian. Berdasarkan hasil perhitungan dapat dilihat bahwa metode Kompresibilitas Azadpour menunjukkan hasil yang lebih baik untuk perhitungan tekanan pori di litologi karbonat. Hasil dari penelitian menunjukkan bahwa secara umum nilai tekanan pori di sumur penelitian berada pada nilai yang cukup aman, dimana secara keseluruhan nilai tekanan pori berada di bawah mud-weight yang digunakan sehingga tidak menimbulkan fenomena kick yang membahayakan kegiatan eksplorasi.

---

ABSTRACTPore pressure determination is an important step that is needed to be done on an oil and gas exploration process in a hydrocarbon field. Pore pressure value can be used to determine whether the field is safe enough to do exploration by knowing if there is any overpressure condition below the surface. By knowing pore pressure value, we can do prevention towards drilling problem such as loss, kick, or blowout. For that reason, pore pressure analysis needs to be done. In this research, pore pressure value is calculated using Eatons Method and Compressibility Method based on wireline logging data in Field X Sunda Basin. Both methods are applied for different lithologies, in which for shale rock Eatons Method is used, while Compressibility Method is used for carbonate rock. Before calculating pore pressure, first petrophysics analysis is done to get input parameter that is needed, and then overburden stress and hydrostatic pressure is calculated using density log. In this research fracture pressure is also calculated using Eatons Method to find out whether mud-weight that is used in the exploration step is appropriate. Pore pressure value from Eatons Method is calculated based on Sonic Normal Compaction Trend (NCT) value while the calculation on Compressibility Method is done by finding bulk compressibility and pore compressibility first, there are two different Compressibility methods that is used in this research, that is Atashbari Compressibility method and Azadpour Compressibility method. The result of pore pressure calculation is then calibrated using direct pressure measurements from DST data that is available on the research well. Based on the results of calculation, Azadpour Compressibility method shows a better result in calculating pore pressure in carbonate lithology. The results of the study show that in general pore pressure value in the research well were at a safe value, where in general the pore pressure were below mud-weight value that is used on the well so it did not cause any kick phenomena that is dangerous during exploration activity."

"Backpropagation neural network backpropagation adalah salah satu algoritma machine learning yang dapat digunakan untuk melakukan klasifikasi data. Klasifikasi data dilakukan dalan serangkaian proses training dan testing. Pada akhir proses testing yang juga merupakan akhir dari proses backpropagation, akan didapatkan nilai recognition rate. Nilai recognition rate merupakan nilai yang menandakan banyaknya data yang berhasil diklasifikasi dengan benar pada proses testing terhadap seluruh testing dataset. Recognition rate erat kaitannya dengan masalah underfitting, overfitting, local minima, dan local maxima. Keempat masalah ini menyebabkan nilai recognition rate yang didapatkan kurang optimal. Namun biasanya untuk menangani keempat masalah ini dilakukan pengaturan pada beberapa paramter, misalnya learning rate, momentum, jumlah layer, jumlah nodes, weights, dan lain-lain. Pada tulisan ini akan dijelaskan program optimasi yang melakukan pengaturan pada nilai inisialisasi weights untuk menangani keempat tersebut. Program ini melakukan inisialisasi weights menggunakan genetic algorithm pada backpropagation yang mengimplementasikan k-fold crossvalidation. Untuk menguji dan membandingkan program optimasi terhadap program implementasi backpropagation yang tidak dioptimasi program non-optimasi, digunakan empat dataset, yaitu iris flower dataset, seeds dataset, wine dataset, dan EEG dataset buatan. Pada akhir pengujian didapatkan hasil bahwa program optimasi berhasil mendapatkan nilai recognition rate lebih tinggi pada iris flower dataset, yaitu 97.33 pada program optimasi dan 96.67 pada program non-optimasi. Kemudian didapatkan pula nilai recognition rate yang lebih tinggi pada seeds dataset, yaitu 93.33 pada program optimasi dan 92.86 pada program non-optimasi. Lalu didapatkan pula nilai recognition rate yang lebih tinggi pada EEG dataset buatan, yaitu 37.5 pada program optimasi dan 35.94 pada program non-optimasi. Sedangkan pada wine dataset didapatkan nilai recognition rate yang sama antara program optimasi dan program non-optimasi, yaitu 99.44.

---

Backpropagation neural network backpropagation is one of machine learning algorithms that can be used to classify data. The data classification is done in a series of trainig and testing processes. At the end of testing process that is also the end of backpropagation process, the algorithm will produce recognition rate value. Recognition rate value indicates the total of correctly classified data in testing process againts all data in testing dataset. Recognition rate value related to underfitting, overfitting, local minima, and local maxima problems. However, to handle these problems adjusting some parameters are necessary to be done. These parameters are learning rate, momentum, number of layers, number of nodes, weights, etc. In this writting will be explained an optimization program that adjusts the initialization values of weights to handle those four problems. This program initializes weights using genetic algorithm on backpropagation implementing k fold crossvalidation. To test and compare the optimization program with a program that implements backpropagation without optimization non optimzation program four datasets will be used, those are iris flower dataset, seeds dataset, wine dataset, and artificial EEG dataset. At the end of the test, the results show that optimization program obtained higher recognition rate value on iris flower dataset, that is 97.33 on optimization program againts 96.67 on non optimization program. Other than that, optimization program obtained higher recognition rate value on seeds dataset, that is 93.33 on optimization program againts 92.86 on non optimization program. Also, optimization program obtained higher recognition rate value on artificial EEG dataset, that is 37.5 on optimization program againts 35.94 on non optimization program. However, the optimization program obtained an equal recognition rate value on wine dataset, that is 99.44."

"Durasi pemeliharaan merupakan hal yang penting dalam kegiatan dry docking kapal. Estimasi durasi pemeliharaan diperlukan untuk membuat jadwal pemeliharaan kapal pada suatu galangan. Sayangnya saat ini pihak galangan belum mempunyai standar yang baku dalam mengestimasi durasi pemeliharaan kapal. Penelitian ini bertujuan untuk memperoleh model matematis estimasi durasi pemeliharaan kapal dry docking menggunakan Artificial Neural Network dan Genetic Algorithm. Dengan melihat volume dan jenis pekerjaan dry docking sebagai input, diperoleh model estimasi durasi dengan nilai rata-rata error 5.12 hari. Hasil estimasi kemudian dibandingkan dengan metode Neural Network standar dan metode Decision Tree-Genetic Algorithm-Neural network. Hasil penelitian menunjukkan bahwa metode Decision Tree-Genetic Algorithm-Neural network mempunyai nilai estimasi yang lebih akurat dibandingkan dengan kedua metode lainnya.

---

Maintenance time duration is an important things in ship dry docking activities. Estimating the time duration is necessary for ship schedule arranging in dock. Unfortunately, the dock company doesn’t have a standard procedure in estimating ship maintenance duration. The purpose of this research is to get mathematic model of dry docking maintenance duration estimation using Artificial Neural Network and Genetic Algorithm. By considering the job volume and type as input variable, the research get estimation model with root mean square error (RMSE) 5.12 day. Then, the estimation result is compared with traditional Neural network and Decision Tree-Genetic Algorithm-Neural network method. The result shows that Decision Tree-Genetic Algorithm-Neural network is more accurate in estimating the ship maintenance duration than the other two methods."

"Tesis ini bertema tentang optimasi dari sistem chiller adsorpsi untuk mencari koefisien performa (COP) dan kapasitas pendinginan. Optimasi dilakukan dengan menggunakan gabungan antara jaringan saraf tiruan dan algoritma genetika (GA). Simulasi yang dilakukan adalah pengembangan sistem chiller adsorpsi yang data simulasinya sudah pernah di validasi dengan data eksperimen sebelumnya. Parameter laju alir massa, temperatur, dan waktu siklus divariasikan sebagai variabel penentu. Sementara COP dan kapasitas pendinginan mejadi fungsi objektifnya. Pada tesis ini, jaringan saraf tiruan yang terbentuk menunjukkan bahwa error terkecil jaringan yang terbentuk adalah 0.001532624 atau 0.153%. Hal ini menyatakan bahwa jaringan yang terbentuk dapat memprediksi fungsi objektif COP dan SCP dengan tingkat akurasi sebesar 99.85. Selisih (error) terkecil titik optimum prediksi jaringan saraf tiruan chiller adsorpsi dua bed Silica Gel 123 dan Air dengan nilai simulasi software-nya sebesar 0.027 untuk SCP dan 0.034 untuk nilai COP.

---

The optimization of adsorption chiller system that purposed to approach the optimal coefficient of performance (COP) and cooling capacity is presented in this thesis. The combination of artificial neural network (ANN) and genetic algorithm (GA) is applied to optimize the simulation of adsorption chiller. The adsorption chiller system simulation is an integrated two adsorption bed that developed from previous simulation and experiment that had been done. In this thesis, mass flow, temperature, and time cycle are varied and considered as decision variable while the COP and cooling capacity is chosen as the objective function.

In this thesis, the artificial neural network that formed presents the smallest network error is 0.001532624 or 0.153. This states that the formed network can predict the objective functions of COP and SCP with an accuracy rate of 99.85. The smallest optimum point difference (the error) between the value prediction of neural network adsorption chiller two bed Silica Gel 123 and Water and the software simulations value is 0.027 for SCP and 0.034 for COP."

"Kebutuhan energi untuk rumah tangga atau bangunan di Indonesia sedang tumbuh secara signifikan. Oleh karena itu, efisiensi energi dalam energi pendingin sangat dibutuhkan. Penelitian ini bertujuan untuk mengembangkan sistem kontrol yang dapat menentukan setpoint paling optimal untuk laju aliran air massa untuk meminimalkan energi dari sistem pendingin. Bangunan dimodelkan oleh perangkat lunak Sketchup dan energi pendingin dimodelkan dengan menggunakan teknik co-simulasi antara EnergyPlus dan Matlab melalui BCVTB (Building Controls Virtual Test). Menggunakan Artificial Neural Network (ANN) dan optimisasi Genetic Algorithm (GA) untuk membuat prediksi optimasi titik yang akurat. Penelitian ini mendapatkan penghematan konsumsi listrik chiller HVAC yang sudah menggunakan sistem part load terutama pada daya pompa chiller sebesar 67,675% penghematan dari kondisi aslinya.

---

Energy needs for households or buildings in Indonesia are growing significantly. Therefore, energy efficiency in cooling energy is needed. This study aims to develop a Control Algorithm that can determine the most optimal set point for the mass flow rate of air to drain energy from the cooling system. Buildings are modeled by Sketchup software and cooling energy is modeled using co-simulation techniques between EnergyPlus and Matlab through BCVTB (Building Controls Virtual Test). Use dynamic neural networks (ANN) and genetics algorithm (GA) optimization to make accurate point optimization predictions. This study found the saving of HVAC chiller electricity consumption that already use part load systems, especially on the power of the chiller pump by 67,675% savings from its original condition."

"Penelitian ini bertujuan untuk membuat model peramalan yang efektif dalam meramalkan penjualan produk mobil dalam segmen B2B (Business to Business) agar didapatkan estimasi penjualan produk di masa mendatang. Peneilitian ini menggunakan regresi linear berganda dan jaringan syaraf tiruan yang dioptimasi dengan algoritma genetika.  Faktor peramalan penjualan mobil pada umumnya meliputi penjualan mobil secara nasional, Indeks Harga konsumen, Indeks Kepercayaan Konsumen, Laju Inflasi, Produk Domestik Bruto (GDP), dan  Harga Bahan Bakar Minyak (BBM). Penulis juga telah mendapatkan faktor yang berpengaruh dalam penjualan segmen B2B dengan menyebarkan survey (kuesioner) kepada 102 orang DMU (Decision Making Unit) yang memiliki keputusan dalam pembelanjaan mobil di perusahaan mereka. Kemudian hasil scoring dari kuesioner tersebut kami bobotkan pada data training dan simulasi pada Jaringan Syaraf Tiruan. Hasil penelitian ini menunjukkan bahwa Jaringan Syaraf Tiruan yang dioptimasi  dengan Algoritma Genetika dengan 18 Variabel dapat meningkatkan akurasi peramalan penjualan mobil segmen B2B dengan error 1,3503%, jika dibandingkan nilai error pada Jaringan Syaraf Tiruan biasa sebesar 4,173% dan Regresi Linear Berganda sebesar 17,68%.

---

ABSTRACTThis study aims to create an effective forecasting model in predicting sales of car products in the B2B segment (Business-to-Business) in order to obtain estimates of product sales in the future. This research uses multiple linear regression and artificial neural networks that are optimized by genetic algorithms. Car sales forecasting factors generally include National car sales, Consumer Price Index, Consumer Confidence Index, Inflation Rate, Gross Domestic Product (GDP), and Gasoline Price. The author has also obtained an influential factor in the sale of B2B segments by distributing surveys (questionnaires) to 102 DMU (Decision Making Unit) who have a decision in car purchasing at their company. Then the results of the scoring from the questionnaire are weighted to the training and simulation data on the Artificial Neural Network. The results of this study indicate that the Artificial Neural Network optimized with Genetic Algorithm can improve the accuracy of forecasting B2B segment car sales with an error of 1.3503%, when compared to the error value in the usual Artificial Neural Network of 4.173% and Multiple Linear Regression of 17.68 %."

"ABSTRAKTesis ini membahas mengenai optimasi jaringan pipa untuk distribusi gas. Nilai investasi yang terkecil merupakan tujuan dari optimasi. Hal ini dapat diperoleh dengan menggunakan diameter pipa yang paling sesuai untuk jaringan pipa dengan total cost yang paling rendah. Algoritma genetik merupakan salah satu metode yang dapat digunakan untuk melakukan optimasi.

---

Abstract

This thesis discusses the optimization of gas pipelines for distribution. The smallest investment value is the purpose of optimization. This can be obtained by using the most appropriate pipe diameter for the pipeline network and with the total lowest cost. Genetic algorithms are one of the methods that can be used to perform optimization."

"Pemilihan portofolio adalah salah satu bidang penelitian yang menarik dan penting di bidang keuangan karena masa depan dan ketidak beraturan pasar keuangan yang tidak dapat diprediksi. Setiap investor berharap mendapatkan tingkat pengembalian yang tinggi untuk portofolio mereka dengan risiko sekecil mungkin dan hal ini sulit dicapai, sehingga investor mencoba menyeimbangkan kinerja dan risiko portofolio melalui diversifikasi. Tujuan penelitian ini adalah untuk menyelidiki strategi pemilihan portofolio melalui metode clustering dan Genetic Algorithm. Clustering digunakan untuk diversifikasi portofolio dengan membentuk sekelompok aset homogen berdasarkan karakteristik rasio keuangan mereka. Ada tujuh rasio keuangan yang akan digunakan, yaitu EPS, PER, PEG, ROE, DER, Current Ratio, dan Profit Margin. Dalam skripsi ini digunakan algoritma Density Based Clustering of Application with Noise sebagai metode clustering DBSCAN. Setelah fase clustering, Genetic Algorithm digunakan untuk membentuk portofolio optimum. Genetic Algorithm secara otomatis memilih portofolio dengan risiko dan pengembalian yang optimal berdasarkan hasil clustering dengan memutuskan aset dan bobot masing-masing yang akan dimasukkan dalam portofolio. Algoritma genetika didasarkan pada model Mean Variance Cardinality Constrained Portofolio Optimization MVCCPO dan disebut metode Genetic Algorithm dengan kendala. Metode ini berhasil memberikan tingkat pengembalian dan Sharpe ratio yang lebih tinggi 25,35 dan 17,20 dibandingkan dengan indeks S P 500 pada periode waktu yang sama dengan tingkat pengembalian dan Sharpe ratio masing-masing 12,34 dan 2,7.

---

Portfolio selection is one of the interesting and important fields of research in finance because of the unpredictable future and randomness of the financial market. Every investor is hoping to get a high rate of return for their portfolio with as little risk as possible, which is hard to achieve, so investors try to balance the performance and risk of the portfolio through diversification. The motivation of this research is to investigate the portfolio selection strategies through clustering method and application of genetic algorithm. Clustering is used to diversify the portfolio by forming a homogenous cluster of assets with respect to their financial ratios characteristic. There are seven financial ratio characteristics that is used, they are EPS, PER, PEG, ROE, DER, Current Ratio and Profit Margin.

In this thesis, Density Based Clustering Algorithm with Application of Noise used as the clustering method DBSCAN. After the clustering phase, genetic algorithm used for portfolio selection. Genetic Algorithm automatically select the optimum risk and return portfolio based on the clustered asset by deciding which assets and their respective weights included in the portfolio. The genetic algorithm is based on the Mean Variance Cardinality Constrained Portofolio Optimization MVCCPO model and called a Constrained Genetic Algorithm. The method succesfully give a higher level of return 25,35 and Sharpe ratio 17,20 compared to S P 500 index in the same period of time 12.34 and 2.7 respectively."

"According to previous studies on Surabaya river water ,quality of this river water was very bad or on polluted condition....."