Hasil Pencarian  ::  Simpan CSV :: Kembali

"Temperatur bawah permukaan merupakan parameter penting dalam dalam eksplorasi energi panas bumi. Persebaran temperatur bawah berkaitan erat dengan sistem geothermal yang ada. Sejauh ini, informasi temperatur bawah permukaan hanya bisa didapatkan dari data lubang bor berupa log temperatur. Namun, log temperatur sendiri memiliki data temperature dan kedalaman yang terbatas. Selain itu, biaya untuk menghasilkan log temperatur terbilang cukup mahal sehingga upaya estimasi temperatur dengan presisi yang baik dan efisien menjadi tantangan saat ini. Pada penelitian ini, estimasi temperature berdasarkan data magnetotellurik (MT) dilakukan dengan menerapkan metode neural network (NN). Teknik estimasi ini memanfaatkan hubungan antara temperature dan resistivitas. Temperatur yang diestimasi adalah temperature secara vertikal dibawah stasiun MT dengan data temperature dari lubang bor di dekatnya. Temperatur hasil estimasi dari resistivitas akan dibandingkan dengan temperature dari data lubang bor. Penelitian dilakukan pada 6 buah titik MT dan 6 buah log temperature pada area survey Lapangan Geothermal X. Hasil estimasi temperatur dari data resistivitas yang diteliti telah dilatih dan diuji menggunakan backpropagation neural network menunjukkan hasil yang cukup memuaskan karena sesuai dengan data temperature dari lubang bor yang tersedia. Kemudian dilakukan interpretasi dengan model penampang resistivitas tiga dimensi (3D) untuk mengetahui sistem geothermal pada Lapangan X. Teknik ini akan menjadi teknik yang cukup efisien untuk mengetahui persebaran temperature bawah permukaan dengan strategi pelatihan (training) yang tepat.

---

Subsurface temperature is an important parameter in the exploration of geothermal energy. Temperature is closely related to the existing geothermal system. So far, subsurface temperature information can only be obtained from hole data consisting of temperature logs. However, the log temperature itself has limited in data temperature and depths. In addition, the cost of making temperature logs is quite expensive so that producing temperature estimates with high precision and efficiency is a challenge today. In this study, temperature estimation based on magnetotelluric (MT) data was carried out using the neural network (NN) method. This estimation technique utilizes a ratio between temperature and resistivity. The estimated temperature is the temperature below the MT station with the temperature of the data from the nearest borehole data. The estimated temperature of the resistivity will be compared with the temperature from the borehole data. The study was conducted at 6 MT points and 6 temperature logs at the Geothermal Field X field survey. The estimated temperature results from resistivity data that has been trained and tested using backpropagation neural networks produce results that are quite in accordance with the temperature data from available boreholes. Then the interpretation is done with a three dimensional resistivity cross section model to find out the geothermal system in Field X. This technique will be an efficient enough technique to determine the subsurface temperature with an appropriate training strategy."

"Estimasi usia memainkan peran penting dalam analisis forensik, diagnosis klinis, dan investigasi kriminal. Metode tradisional untuk memperkirakan usia pada anak-anak dan remaja sering melibatkan pengamatan perkembangan gigi. Penelitian ini mengeksplorasi penggunaan deep learning untuk estimasi usia kronologis menggunakan 668 citra panorama gigi (OPG) dari usia 5 hingga 15 tahun dengan metode Convolutional Neural Networks (CNN). Penelitian ini menentukan model CNN terbaik dengan menggunakan augmentasi dan penyempurnaan parameter model VGGNet dan DenseNet. Teknik validasi silang k-fold, oversampling SMOTE, dan augmentasi gambar dengan ImageDataGenerator digunakan untuk mengatasi ketidakseimbangan kelas dan ukuran data sampel yang kecil. Tiga model berbeda dibandingkan (VGG16, VGG19, dan DenseNet-201), masing-masing menggunakan dua jenis augmentasi yang berbeda. Model terbaik, VGG16 dengan ImageDataGenerator, mencapai RMSE sebesar 0,98 tahun (10,85%), MAE sebesar 0,67 tahun, dan nilai R 2 sebesar 0,88 pada set pengujian, menunjukkan error yang rendah.

---

Age estimation plays a crucial role in forensic analysis, clinical diagnosis, and criminal investigation. Traditional methods for estimating age in children and adolescents often involve observing dental development. This study explores the use of deep learning for chronological age estimation using 668 panoramic dental images (OPG) from ages 5 to 15 years with Convolutional Neural Networks (CNN). The study determines the best CNN model by using augmentation and fine-tuning parameters of VGGNet and DenseNet models. Cross-validation technique k-fold, SMOTE oversampling, and image augmentation with ImageDataGenerator are used to address class imbalance and small sample sizes. Three different models (VGG16, VGG19, and DenseNet-201) are compared, each using two different types of augmentation. The best model, VGG16 with ImageDataGenerator, achieved an RMSE of 0.98 years (10.85%), an MAE of 0.67 years, and an R 2 value of 0.88 on the test set, indicating relatively low error."

"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...."

"ABSTRAKTesis ini membahas bagaimana proses mengaplikasikan metoda neural network pada data seismik tiga dimensi untuk memprediksi porositas dan saturasi air pada suatu reservoar dengan membuat volum pseudo log. Studi kasus penelitian ini adalah reservoar karbonat build-up pada formasi Parigi di lapangan X, merupakan lapangan gas yang baru ditemukan, di cekungan Jawa Barat Utara, dimana studi reservoar perlu dilakukan untuk program pengembangan produksi, salah satunya dari aspek geofisika. Studi ini menggunakan analisis pendekatan statistik dari atribut seismik terhadap data sumur yakni log porositas dan saturasi air untuk mendapatkan multi atribut dengan korelasi terbaik yang digunakan sebagai input dalam proses prediksi dengan menggunakan metoda Neural Network. Dengan menerapkan Neural Network, hasil prediksi memiliki korelasi dan resolusi yang lebih tinggi mendekati data akutal log porositas dan saturasi air. Hasil dari penelitian ini adalah distribusi porositas dan saturasi air secara kuantitatif berupa pseudo log volum tiga dimensi dimana data ini dapat menjadi data pendukung dalam studi reservoar lebih lanjut seperti pemodelan geologi, simulasi reservoar dan perhitungan cadangan. Hasil pseudo log ini kemudian diinterpretasi dan dipetakan untuk karakterisasi reservoar dan penentuan lokasi sumur. Dari pseudo log porositas, reservoar target secara stratigrafi dapat dibagi menjadi empat lapisan berdasarkan perbedaan nilai porositasnya. Untuk pseudo log saturasi air, dapat terlihat tiga kontak dan zona fluida reservoar, dimana terdapat zona gas, zona transisi, dan zona air. Dari hasil interpretasi distribusi reservoar tersebut direkomendasikan untuk pemboran dua sumur di lapangan X untuk memproduksi cadangan gas dan 1 sumur eksplorasi untuk membuktikan kandungan gas pada struktur build-up lain didekatnya.

---

ABSTRACTThe focus of this study is the process how to apply neural network method in 3D seismic data to generate pseudo log of both porosity and water saturation in a reservoir. Case of this study is carbonate build-up at Parigi formation in X field, a new gas discovery field, in North West Java basin where resevoir study for production development including geophysical aspect is very necessary. This study used statistical analysis approach based on corelation between seismic atribut and well log data which are log porosity and water saturation to get multi attribute as input for prediction process. Applying Neural Network can improve correlation and resolution between pseudo log and actual log both porosity and water saturation. The result of this study is quantitative ditribution of both porosity and water saturation in 3D psudo log volume which can be used for data supporting in geological modeling, reservoir simulation and reserves estimation. Then, those pseudo log are interpreted and mapped for characterization and well location delineation. Based on pseudo porosity log , the reservoir can be divided in four layers with different porosity value. For pseudo water saturation log, we can see contact and fluid zones of the reservoir which consist of gas zone, transition zone and water zone. According to interpretation pseudo log of both the porosity and the water saturation, can be recommended to drill two wells in X field to drain gas reserves and one exploration well to prove gas accumulation in other build-up stucture where is located near of X field"

"Potensi hidrokarbon di Lapangan 'OZ', Cekungan Bonaparte belum dimanfaatkan karena risiko pengeboran yang tinggi yang disebabkan oleh heterogenitas reservoir. Karena sifat reservoir yang heterogen, maka dilakukan identifikasi dan karakterisasi untuk melihat sebaran litologi dan fluida reservoirnya. Metode Probabilistic Neural Network (PNN) adalah metode utama dalam analisis multi-atribut untuk menemukan hubungan nonlinier antara data seismik dan data sumur di Lapangan 'OZ' dan kemudian menghasilkan model untuk distribusi data sinar gamma, porositas, dan saturasi air dengan nilai koefisien korelasi masing-masing pelatihan sebesar 0,8871, 0,9778, 0,9719 dan koefisien korelasi validasi sebesar 0,7836, 0,8554, 0,8187. Integrasi antara model distribusi data sinar gamma, porositas, saturasi air, ditambah dengan hasil inversi impedansi akustik (AI), dapat menjadi sarana untuk mengklasifikasikan dan mengidentifikasi distribusi reservoir hidrokarbon. Lapangan 'OZ' memiliki karakteristik reservoir yang mengandung gas hidrokarbon dan memiliki litologi batupasir bersih dengan sesar normal sebagai traps serta batupasir rapat dan batuan serpih sebagai seal yang tersebar di bagian Selatan dan Tengah lapangan OZ.The hydrocarbon potential in the 'OZ' Field, Bonaparte Basin has not been exploited due to the high drilling risk caused by reservoir heterogeneity. Due to the heterogeneous nature of the reservoir, identification and characterization were carried out to see the distribution of lithology and reservoir fluids. The Probabilistic Neural Network (PNN) method is the main method in multi-attribute analysis to find a nonlinear relationship between seismic data and well data in the 'OZ' Field and then generate a model for the distribution of gamma ray, porosity, and water saturation data with the respective correlation coefficient values. -each training is 0.8871, 0.9778, 0.9719 and the validation correlation coefficient is 0.7836, 0.8554, 0.8187. The integration between the distribution model of gamma ray data, porosity, water saturation, coupled with the results of acoustic impedance inversion (AI), can be a means to classify and identify the distribution of hydrocarbon reservoirs. The 'OZ' field has reservoir characteristics containing hydrocarbon gas and has a clean sandstone lithology with normal faults as traps as well as dense sandstone and shale rock as seals which are scattered in the Southern and Central parts of the OZ field."

"ABSTRACTSkripsi ini membahas mengenai reduksi suatu kumpulan data menggunakan metode penggabungan data. Kumpulan data yang digunakan dalam penelitian ini adalah data bunga iris dengan 3 macam kelas dan data aroma dengan 18 macam kelas. Hasil penggabungan kumpulan data tersebut akan menjadi data masukan dalam pembelajaran algoritma jaringan saraf tiruan propagasi balik dan jaringan saraf probabilistik yang dipergunakan dalam penelitian ini. Hasil pembelajaran menggunakan data hasil penggabungan tersebut akan dibandingkan dengan hasil pembelajaran menggunakan data tanpa penggabungan. Hasil penelitian ini menyatakan bahwa penggunaan data hasil penggabungan akan mempercepat pembelajaran dan meningkatkan kestabilan keluaran sistem, namun mengurangi akurasi tingkat pengenalan

---

ABSTRACTThis thesis discusses about reduction of a data set using data merging method. The data set used in this study are iris set data with 3 kinds of classes and odor set data with 18 kinds of classes. The result of merging the data set become the input data in the learning algorithm backpropagation neural network and probabilistic neural network on learning part. Learning output using data with merging method will be compared with the results of the learning using data without merging. The results of this study suggest that the use of data resulting from this combination will accelerate learning and improve stability of output system, but reduces the level of recognition accuracy."

"ABSTRAKPada era modern ini, semakin banyak jenis penyakit yang baru dengan gejala yang berbeda beda juga. Teknologi dituntut bisa memainkan peran untuk membantu penelitian pada bidang kesehatan. Stroke merupakan salah satu penyakit yang memiliki angka kematian tertinggi di dunia. Stroke terjadi karena terganggunya pasokan darah menuju otak sehingga otak mengalami kekurangan oksigen dan nutrisi. Stroke bisa dibagi menjadi berdasarkan bagaimana stroke terjadi, stroke hemoragik dan stroke iskemik. Stroke hemoragik terjadi karena pecahnya pembuluh darah yang menuju otak, sedangkan stroke iskemik terjadi karena terjadinya penyumbatan yang mengganggu pasokan darah ke otak. Jika penyumbatan terjadi pada daerah otak, maka disebut infark serebri. Dalam studi ini digunakan metode Convolutional Neural Network untuk mengklasifikasikan data gambar infark serebri yang nantinya akan dibandingkan dengan metode Neural Network. Didapatkan dari hasil performa metode Convolutional Neural Network lebih baik jika dibandingkan dengan metode Neural Network untuk pengklasifikasian data gambar infark serebri."

"Reservoir karbonat diperkirakan mengandung hampir 60% dari total cadangan hidrokarbon dunia dan diperkirakan memiliki 50% dari total produksi hidrokarbon. Hidrokarbon umumnya terdapat pada batuan berpori. Porositas batuan karbonat umumnya memiliki heterogenitas yang tinggi, kompleksitas, dan random. Salah satu metode yang efektif untuk mengatasi heterogenitas adalah metode neural network. Sehingga penelitian ini bertujuan untuk menetukan distribusi porositas dengan neural network pada batuan karbonat dengan menggunakan 2 data sumur dan data seismik 2D post stack time migration (PSTM) pada lapangan T. Seismik atribut yang digunakan sebagai input proses probabilistic neural network berupa data seismik dan hasil inversi serta log yang akan diprediksi penyebarannya. Digunakan step wise regression dan validation error untuk menentukan atribut terbaik yang akan digunakan. Hasil prediksi nilai porositas menggunkan probabilistic neural network dengan input atribut terbaik yang telah terpilih menghasilkan korelasi yang lebih baik 0.81 dengan error 0.03 dibanding dengan metode multiatribut yang menggunakan persamaan linier yaitu 0.66 dengan error 0.04 dan hasil model log prediksi mendekati log aktual. Hasil distribusi porositas dapat dianilisis bahwa nilai porositas pada sumur C1 memiliki nilai porositas efektif yang rendah dibandingkan dengan sumur C4.

---

Reservoir carbonate mostly contains 60% of total hydrocarbon preserves in the world, and it is predicted about 50% which is produced hydrocarbon. Commonly, hydrocarbon is found in the rock pores. The porosity of carbonate, generally, has high heterogeneity, complexity, and random. One of effective methods to solve the problem is neural network. The aim of this study is to determine the distribution of porosity using neural network for carbonate in T field. Seismic attribute is used as input in neural network process which is seismic data, inversion result, and well log. Step wise regression and validation error are used to determine the best attributes that will be used to.

The prediction result of porosity using probabilistic neural network with the best attribute has better correlation than using multi attributes for linier method. The correlation and error value using neural network are 0.08% and 0.03%, while the value of correlation and error using multi attribute for linier method are 0.06% and 0.04%, respectively. The predicted log model is approaching the actual log. The result of porosity distribution shows that the porosity value of well C1 has lower effective porosity than well C4."

"Neural network attracts plenty of researchers lately. Substantial number of renowned universities have developed neural network for various both academically and industrially applications. Neural network shows considerable performance on various purposes. Nevertheless, for complex applications, neural network?s accuracy significantly deteriorates. To tackle the aforementioned drawback, lot of research-es had been undertaken on the improvement of the standard neural network. One of the most pro-mising modifications on standard neural network for complex applications is deep learning method. In this paper, we proposed the utilization of Particle Swarm Optimization (PSO) in Convolutional Neural Networks (CNNs), which is one of the basic methods in deep learning. The use of PSO on the training process aims to optimize the results of the solution vectors on CNN in order to improve the recog-nition accuracy. The data used in this research is handwritten digit from MNIST. The experiments exhibited that the accuracy can be attained in 4 epoch is 95.08%. This result was better than the conventional CNN and DBN. The execution time was also almost similar to the conventional CNN. Therefore, the proposed method was a promising method.

---

Jaringan syaraf tiruan menarik banyak peneliti dewasa ini. Banyak universitas-universitas terkenal telah mengembangkan jaringan syaraf tiruan untuk berbagai aplikasi baik kademik maupun industri. Jaringan syaraf tiruan menunjukkan kinerja yang patut dipertimbangkan untuk berbagai tujuan. Meskipun begitu, kinerja dari jaringan syaraf tiruan merosot dengan signifikan untuk masalah-masa-lah yang kompleks. Untuk menyelesaikan masalah tersebut di atas, banyak penelitian yang dilakukan untuk meningkatkan kinerja dari jaringan syaraf tiruan standar. Salah satu pengembangan yang men-janjikan untuk jaringan syaraf tiruan pada kasus yang kompleks adalah metode deep learning. Pada penelitian ini, diusulkan penggunaan metode Particle Swarm Optimization (PSO) pada Convolutional Neural Networks (CNNs), yang merupakan salah satu metode dasar pada deep learning. Penggunaan PSO dalam proses pelatihan bertujuan untuk mengoptimalkan hasil vektor solusi pada CNN, sehingga dapat meningkatkan akurasi hasil pengenalan. Data yang digunakan dalam penelitian ini adalah data angka yang berasal dari MNIST. Dari percobaan yang dilakukan akurasi yang dicapai dengan 4 iterasi adalah 95,08%. Hasil ini lebih baik dari CNN konvensional dan DBN. Waktu eksekusinya juga men-dekati CNN konvensional. Oleh karena itu, metode yang usulkan adalah metode yang menjanjikan."