Hasil Pencarian  ::  Simpan CSV :: Kembali

"Analisis kecepatan merupakan salah satu tahap pengolahan utama pada metode seismik refleksi dengan memilih kecepatan yang tepat. Pada pelaksanaannya, pemilihan kecepatan tersebut merupakan kegiatan repetitif yang memakan banyak waktu dan tenaga. Berbagai penelitian telah dilakukan untuk mempermudah pengerjaan analisis kecepatan. Penelitian tugas akhir ini akan melakukan pemilihan kecepatan secara otomatis pada panel semblance yang akan diekstrak sebagai sebuah gambar dan arahan pemilihan dari kecepatan rms. Data semblance dan kecepatan rms dibuat dari model kecepatan interval sintetik. Gambar semblance akan menjadi data pelatihan dan kecepatan rms akan menjadi labelnya. Pelatihan akan dilakukan menggunakan salah satu metode deep learning yaitu convolutional neural network (CNN). Luaran dari pelatihan ini akan menjadi model CNN yang nantinya diterapkan pada data seismik riil. Hasil pelatihan dengan nilai loss yang konsisten di bawah 1% terbukti dapat memilih kecepatan pada data sintetik dengan error rata-rata sekitar 1-6%. Model CNN ini kemudian diuji pada data seismik riil dan menghasilkan penampang seismik yang lebih baik serta lebih cepat dibandingkan dengan pengerjaan secara manual.

---

Velocity analysis is one of the main processing stages in the seismic reflection method by choosing the right velocity. In practice, choosing the velocity is a repetitive activity that takes a lot of time and energy. Various studies have been carried out to ease the work of velocity analysis. This thesis research will automatically select the velocity on the semblance panel which will be extracted as an image and the guidance for selecting is rms velocity. The semblance and rms velocity data were made from a synthetic interval velocity models. The semblance image will be the training data and the rms velocity will be the label. The training will be conducted using one of the deep learning methods, convolutional neural network (CNN). The output of this training will be a CNN model which will later be applied to real seismic data. The results of training with a consistent loss value below 1% are proven to be able to choose the velocity on synthetic data with an average error of around 1-6%. This CNN model was then tested on real seismic data and produced a better seismic cross-section and faster than manual processing."

"Peningkatan resolusi vertikal dari data seismik selalu dilakukan oleh para Geosaintis, terutama pada petroleum system. Data seismik beresolusi tinggi dapat membuat pembacaan stratigrafi bawah permukaan lebih akurat. Data seismik beresolusi tinggi dilakukan peningkatan pada bandwidth frekuensi data seismik terutama pada frekuensi rendah dan tinggi. Terdapat banyak pendekatan untuk meningkatkan frekuensi pada data seismik contohnya multiscale inversion, namun metode ini susah untuk dilakukan. Penelitian ini menggunakan pendekatan baru untuk meningkatkan frekuensi pada data seismik terutama pada frekuensi rendah dengan menggunakan Convolutional Neural Network. Penelitian ini, membahas mengenai penggunaaan Convolutional Neural Network yang dilakukan pada data seismik dikalibrasi dengan data sumur. Hasil estimasi dari metode ini dilanjutkan dengan mengestimasi reservoir tipis pada daerah penelitian. Atribut seismik khususnya Root Mean Square, digunakan untuk mengestimasi daerah reservoir dan spectral Analysis digunakan untuk melihat lebih banyak frekuensi rendah dan tinggi. Hasil yang diperoleh menunjukkan bahwa penggunaan metode Convolutional Neural Network dapat meningkatkan resolusi vertikal. Metode tersebut menghasilkan gambar yang akurat dan tegas dalam melihat lapisan-lapisan tipis. Spetral analysis menunjukkan terdapat lebih banyak frekuensi rendah dan tinggi. Hasil dari Atribut Seismik medapatkan nilai tinggi di pada inline 424, crossline 1007 dan time slice -1200 hingga -1600 ms.

---

Enhancing the vertical resolution of seismic data is always carried out by geoscientists, especially in the petroleum system. High-resolution seismic data can make subsurface stratigraphic readings more accurate. an increase in the frequency bandwidth of seismic data is carried out on high resolution seismic data, especially at low and high frequencies. There are many approaches to increase the frequency of seismic data. One of the methods is multiscale inversion. the downside of this method is its level of difficulty that really high. This study uses a new approach to increase the frequency of seismic data, especially at low frequencies by using the Convolutional Neural Network. The estimation results from this method are continued by estimating the thin reservoir in the study area. Seismic attributes, especially Root Mean Square, are used to estimate the reservoir area and spectral analysis is used to see more of low and high frequencies. The results indicate that the use of the Convolutional Neural Network method can increase the vertical resolution. This method produces images that are accurate and firm in viewing thin layers. Spectral analysis also shows that there are more low and high frequencies. The result of the seismic attribute got high values at inline 424, crossline 1007 and time slice -1200 to -1600 ms."

"ABSTRACTPenelitian ini fokus mengenai struktur pada zona subduksi di Kepulauan Nias.Zona subduksi merupakan zona pertumbukan antar lempeng benua dan lempeng samudra. Sebelum zona subduksi terbentuk terjadi pembentukan kerak samudera di mana pada daerah penelitian ini ditandai dengan Wharton Fosil Ridge. Pertumbukan antar lempeng dapat menghasilkan suatu struktur prisma akresi yang mempunyai karakteristik batuan melange akibat penunjaman lempeng tersebut. Pada penelitian ini telah dilakukan proses pengolahan data seismik refleksi 2D serta interpretasi pembentukan Wharton fossil ridge, zona subduksi, dan prisma akresi.

---

ABSTRACTThis research is focusing on structure at Nias Islands subduction zone. Subduction zone is the collision zone of continental plate and oceanic plate. Prior to the establishment of the subduction zone there is an event of the making of continental crust in which in this research area is marked by Wharton Fossil Ridge. The collision of the plates can produce an accretion prism structure which has the melanges rock characteristics because of the plates rsquo subduction. In this research it has been done 2D seismic reflection data processing and the interpretation of the Wharton fossil ridge establishment, subduction zone, and accretion prism. "

"Survei Kesehatan Indonesia (SKI) tahun 2023 yang dilakukan oleh Kementerian Kesehatan (Kemenkes) ada sekitar 70 juta perokok aktif di Indonesia. Apabila dihitung dari populasi penduduk Indonesia ada 28,62% penduduk yang merokok di tahun 2023 dan persentase ini meningkat dari tahun sebelumnya sebanyak 0,36%. Perilaku merokok ini menyebabkan berbagai penyakit seperti penyakit paru-paru kronis, kerusakan gigi, penyakit mulut, stroke, serangan jantung, kanker rahim, gangguan mata, dan kerusakan pada rambut. Untuk menekan jumlah perokok di Indonesia, diperlukan sistem untuk deteksi perokok. Deteksi perokok saat ini memakan biaya yang mahal, bantuan ahli, dan sistem yang kompleks. Oleh karena itu, deep learning dengan algoritma Convolutional Neural Network hadir sebagai solusi untuk mengatasi masalah tersebut. Skripsi ini membahas bagaimana merancang sistem deep learning dengan Convolutional Neural Network (CNN) untuk keperluan deteksi wajah perokok. Skripsi ini juga membahas bagaimana pengaruh berbagai skenario jumlah data pelatihan dan data pengujian serta penambahan ekstraksi fitur wajah terhadap metrik evaluasi . Hasil dari rancangan dievaluasi dengan metrik evaluasi kalkulasi loss function, akurasi, dan F1 score. Hasil simulasi menunjukan skenario data pelatihan 70% dan data pengujian 30% adalah skenario terbaik dengan nilai metrik evaluasi pengujian pada skenario ini sebesar 2.236 untuk loss, 54.5% untuk akurasi, dan 34.9% untuk F1 score. Skenario ini diimprovisasi dengan adanya penambahan ekstraksi fitur perokok pada awal preprocessing yang ditandai dari penurunan loss sebesar 65.65%, peningkatan akurasi sebesar 19%, dan peningkatan F1 score sebesar 24.08%.

---

The 2023 Indonesian Health Survey (SKI) conducted by the Ministry of Health (Kemenkes) reported that there are approximately 70 million active smokers in Indonesia. This accounts for 28.62% of the Indonesian population in 2023, representing a 0.36% increase from the previous year. Smoking behavior leads to various diseases such as chronic lung disease, tooth damage, oral diseases, stroke, heart attacks, uterine cancer, eye disorders, and hair damage. To reduce the number of smokers in Indonesia, a smoker detection system is necessary. Current smoker detection methods are expensive, require expert assistance, and involve complex systems. Therefore, deep learning with Convolutional Neural Network (CNN) algorithms presents a solution to address these issues. This thesis discusses how to design a deep learning system using Convolutional Neural Networks (CNN) for smoker face detection. It also examines the impact of different training and testing data scenarios and the addition of facial feature extraction on evaluation metrics. The designed system is evaluated using metrics such as loss function calculation, accuracy, and F1 score. The simulation results show that a scenario with 70% training data and 30% testing data is the best scenario, yielding evaluation metric values of 2.236 for loss, 54.5% for accuracy, and 34.9% for F1 score. This scenario was improved with the addition of smoker feature extraction in the preprocessing stage, resulting in a 65.65% reduction in loss, a 19% increase in accuracy, and a 24.08% increase in F1 score."

"Diagnosa dan pengobatan kanker pada tahap jinak adalah hal yang sangat penting. Akhir akhir ini, ahli patologi menggunakan bantuan komputer dengan teknologi machine learning untuk membantu mendiagnosis pasien menggunakan citra medis. Namun, jumlah data yang dibutuhkan machine learning besar dan biasanya jumlah citra medis yang tersedia terbatas. Transfer learning adalah teknik machine learning yang dapat mengatasi terbatasnya jumlah data. Transfer learning adalah teknik yang mentransfer pengetahuan yang didapat saat model mempelajari untuk menyelesaikan suatu masalah dan digunakan untuk menyelesaikan masalah lain. Pada machine learning, pemilihan arsitektur model dan hyperparameter lainnya sangat berpengaruh pada performa model. Penelitian ini melakukan hyperparameter optimization terhadap CNN yang mengklasifikasi citra histopatologi berisi jaringan sehat dan jaringan kanker. Penelitian ini menemukan CNN dengan arsitektur DenseNet121, freeze rate 75%, 0 lapis classifier, learning rate 0.001, dan optimizer RMSProp mempunyai performa keakuratan terbaik pada 98% dengan waktu latih selama 19.5 detik.

---

Diagnosis and treatment of cancer at the benign stage is very important. Recently, pathologists are using computer-aided diagnostics with machine learning techniques to diagnose patients from medical images. However, the amount of data required for machine learning is large and the number of medical images available is usually limited. Transfer learning is a machine learning technique that can handle limited amounts of data. Transfer learning is a technique that transfers knowledge gained when learning to solve a problem, to use it to solve a different problem. In machine learning, choosing an optimum architecture and hyperparameters is very important because it affects the performance of the network. In this research, we did a hyperparameter optimization of a CNN that classifies images that contain healthy tissue and cancer tissue. The research concludes that CNN with architecture DenseNet121, freeze rate 75%, zero hidden layer on classifier, learning rate 0.001, and optimizer RMSProp have the best performance with 98% accuracy and 19.5 seconds training time."

"ABSTRAKInterpretasi seismik yang dilakukan pada Lapangan D telah dilakukan dengan memprediksi beberapa volum properti log dengan menggunakan analisis multiatribut. Analisis ini dilakukan untuk memprediksi adanya sebaran reservoar batupasir pada zona D-28A. Selain untuk memetakan sebaran reservoarnya, analisis ini juga dilakukan untuk memprediksi adanya persebaran fluida hidrokarbon terutama hidrokabron minyak yang menjadi target pada penelitian ini. Daerah penelitian ini terletak di Lapangan D yang berada di Utara Jawa Barat. Lokasi penelitian ini dekat dengan sub-cekungan Ardjuna. Teknik analisis multiatribut ini membutuhkan input atribut tambahan yaitu model impedansi akustik yang didapatkan dengan metode inversi. Metode inversi yang digunakan pada penelitian ini adalah metode inversi model based. Hasil analisa terintegrasi dengan gabungan irisan ? irisan yang terbentuk dari volume gamma ray, resistivity, dan water saturation. Dari irisan ketiga volume ini terlihat adanya beberapa tren yang sama yang mengindikasikan adanya persebaran reservoar batupasir sekaligus adanya kandungan fluida yang diindikasikan sebagai fluida hidrokarbon minyak. Tren ini diindikasikan dengan nilai cut off gamma ray 70 API, resistivitas 1.7 ohm-m, dan saturasi air 0.9 0.SW.

---

ABSTRACTSeismic interpretation performed on D Field has been carried out with some predicting volume by using the log property multiatribut analysis. This analysis was conducted to predict the distribution of reservoir sandstones in zone D-28A. In addition to map the distribution of reservoarnya this analysis is also performed to predict the distribution of hydrocarbon fluid, especially oil hidrokabron that being targeted in this study. The research area is located on the D Field located in the North West Java. The research location is close to the sub-basin Ardjuna. Multiatribute analysis techniques requires an additional attribute input, that input is acoustic impedance model that obtained by the inversion method. The inversion method used in this study is a model-based inversion methods. Results of the combined analysis is integrated with slices that are formed from the volume of gamma ray, resistivity and water saturation. The three volume of the slices have seen a couple of the same trends that indicate the distribution of reservoir sandstones at the same time their fluid content which is indicated as fluid hydrocarbon oil. The trends shown with cut off value of gamma ray 70 API, resistivity 1.7 ohm-m, and water saturation 0.9 0.SW.;"

"Tanaman karet berperan sebagai komoditas penting di Indonesia karena menghasilkan karet alami yang memiliki banyak manfaat dan mampu bersaing di pasar internasional. Namun, sejak tahun 2017, produksi karet mengalami hambatan karena timbul serangan penyakit gugur daun baru yang berbeda dari penyakit terdahulu. Penyakit tersebut dapat menyebabkan gugur daun hingga 90% dan penurunan produksi lateks hingga 45%. Setelah ditelusuri, penyakit gugur daun baru ini disebabkan oleh patogen Pestalotiopsis sp. dan diberi nama penyakit gugur daun Pestalotiopsis. Sebagai penyakit baru, perlu dilakukan penelitian lebih lanjut untuk memonitor laju pertumbuhan penyakit ini. Salah satu penelitian ini adalah melakukan klasifikasi indeks atau level keparahan penyakit gugur daun Pestalotiopsis. Keparahan penyakit ini dapat dikelompokkan berdasarkan perubahan warna daun dan lesi khas yang timbul pada permukaan daun tanaman karet. Pada penelitian sebelumnya, pengukuran intensitas keparahan dilakukan dengan observasi secara langsung bercak gejala yang muncul pada daun atau pohon dalam jangka waktu tertentu. Pengamatan secara konvensional ini memerlukan tenaga yang banyak dan waktu yang cukup lama. Diperlukan suatu metode yang mampu melakukan klasifikasi level keparahan ini secara tepat dan cepat terhadap sampel daun yang berjumlah banyak. Saat ini, implementasi Artificial Intelligence (AI) melalui algoritma machine learning dapat menjadi solusi untuk menyelesaikan suatu permasalahan seperti klasifikasi multikelas secara otomatis dan efisien. Penelitian ini memanfaatkan salah satu teknik machine learning, yaitu artificial neural network berupa deep learning dengan arsitektur convolutional neural network (CNN). Dengan mempertimbangkan penelitian sebelumnya, maka penelitian ini mengajukan sebuah pengembangan dari CNN, yaitu arsitektur DenseNet121 sebagai metode untuk melakukan klasifikasi level keparahan penyakit gugur daun Pestalotiopsis menggunakan data citra daun karet. Klasifikasi level keparahan dibagi menjadi lima kelas, yaitu Level 0 (daun sehat atau tidak terinfeksi penyakit gugur daun Pestalotiopsis) dan Level 1-4 (menunjukkan tingkat keparahan penyakit gugur daun Pestalotiopsis). Pada Penelitian ini, digunakan 257 data citra daun karet yang dikumpulkan mahasiswa Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia ketika berkunjung ke Pusat Penelitian Karet Sembawa, Palembang pada tahun 2022. Data citra tersebut melalui preprocessing berupa crop dan resize agar dapat menjadi input yang diterima arsitektur.  Data dipisahkan menjadi data latih dan data uji dengan rasio 80:20. Model dilatih dengan pendekatan 5-fold cross validation sehingga pengujian dilakukan terhadap lima model berbeda. Berdasarkan simulasi, diperoleh rata-rata lima model berupa ccuracy sebesar 56,16% , precision sebesar 54,2% , recall sebesar 55,6%, skor F1 sebesar 51% , dan running time 3,110 detik.

---

Rubber plant is an essential commodity in Indonesia since natural rubbers from this plant are very beneficial and have high international market potential. Unfortunately, since 2017, a new leaf fall disease has caused massive decline of the rubber production. This disease leads to at most 90% leaf fall percentage and production decline as high as 45%. Subsequently, researchers found that this new leaf fall disease is caused by Pestalotiopsis sp., thus, the name of this disease is Pestalotiopsis leaf fall disease. Studies must be conducted to further investigate the growth and pattern of this new leaf fall disesase. One of these studies is to classify the intensity of the Pestalotiopsis leaf fall disease.The intensity can be measure by observing distinct symptoms and lesion frequency that would appear on the rubber plant’s leave surface. In earlier works, intensity are measured by conventionally taking notes of the symptomps that appear on the leaves or trees and these methods was done on timely basis. These traditional approaches takes a lot of time and requires a handful of people. Hence, there must be new methods to classify this disease’s intensity with less time and resource when the amount of leaf samples increase. Recent studies implement Artificial Intelligence (AI) by using machine learning to solve classification problems efficiently. This study takes a technique of machine learning, that is, deep learning convolutional neural network (CNN) architectures. By comparing previous researches, we propose the architecture DenseNet121 to implement CNN in multiclass classification problem by using leaf image data. The classification consists of five classes, which are the intensity of the Pestalotiopsis leaf fall disease from level 0 to level 4. Level 0 corresponds to healthy leaves or leaves with other diseases whereas Level 1-4 refer to leaves with the intensity of lesion and discoloration caused by Pestalotiopsis leaf fall disease. This study uses 257 image data that was taken by students of the Math and Science Faculty from Universitas Indonesia when they visited Rubber Research Center, Sembawa in 2022. The data is split into train and test data with 80:20 ratio. Models are trained with 5-fold cross validation approach so the that each model will be trained and tested towards 5 folds of data. Then, five different models are tested by evaluating their predictions to the test data. The result of this simulation shows the average performance from five models, they are an accuracy of 56,16%, a precision of 54,2%, a recall of 55,6%, an F1-score of 51% , and an average running time of 3,110 seconds."

"ABSTRAKSingular Value Decomposition (SVD), Algebraic Reconstruction Technique (ART), Simultaneous Iterative Reconstruction Technique (SIRT) dan Conjugate Gradient (CG) merupakan metode-metode inversi tomografi yang populer. Pada tesis ini dilakukan studi banding terhadap keempat metode tersebut yang diterapkan untuk seismik refleksi. inversi tomografi refleksi menitikberatkan analisis pada hubungan antara gelombang-gelombang terpantul, kedalaman bidang pantul serta cepat rambat gelombang pada medium yang dilaluinya. Studi dilakukan menggunakan data sintetis (pemodelan) dengan fokus analisis : deviasi hasil inversi terhadap model, kecepatan konvergensi, kestabilan solusi terhadap noise, kualitas citra hash inversi dan kemampuan musing-masing metode diadaptasi untuk matriks longgar (sparse) berdimensi besar.Keluaran inversi tomografi dari masing-masing metode masih terlalu kasar sehingga dilakukan penghalusan (smoothing) menggunakan filter median dengan panjang jendela data 5 titik. Hasil studi banding menunjukkan SIRT adalah metode yang paling balk dibanding SVD, ART atau CG.

---

ABSTRACT

Singular Value Decomposition (SVD). Algebraic Reconstruction Technique (ART), Simultaneous Iterative Reconstruction Technique (SIRT) and Conjugate Gradient (CG) are the popular methods for tomographic inversion. This thesis compares the above methods for seismic reflection case model. Reflection tomography stresses its analysis to the relationship between the reflected waves, depth of reflectors and the velocities of the medium. Comparative study using synthetic data (modeling) has been focussed for analysing the deviation of the inversion results to the model, speed of convergence, stability of solution to noise, image quality and flexibility of the extension of the method to sparse matrix.

For a better result, output of the inversion methods must be smoothed by using 5 points median filler. The comparative study shows that SIRT is the best method among SVD, ART and CG."

"The one way with simple approach which is inveterate to be used to improve quality of a image is by using Deconvolution. Deconvolution represent a process of invers filter a image by using operator of deconvolution which is ordinary to be conceived by Point Spread Function( PSF). Almost all case, PSF is unknown. Nevertheless in the situation in fact assess PSF can be determined without having to know blurred process of observation data.At this study, introduced a technique of iteration deconvolution with regularitation filter and expostulated technically detail of its algorithm which used for the restoration of image of seismic natural blurred. This technique work by using algorithm of regularitation filter to get operator of deconvolusi best. Result of our study seem that this technique can improve the quality from image of seismic which is on finally assist for interpretation.

---

Salah satu cara dengan pendekatan sederhana yang lazim digunakan untuk memperbaiki mutu suatu citra adalah dengan menggunakan teknik dekonvolusi. Teknik dekonvolusi merupakan suatu proses invers filter suatu citra dengan menggunakan operator dekonvolusi yang biasa disebut sebagai point spread function (PSF) atau fungsi sebaran titik. Hampir disemua kasus, PSF tidak diketahui. Meskipun demikian pada keadaan sebenarnya nilai PSF dapat ditentukan tanpa harus mengetahui proses pengaburan data observasi.Pada studi ini diperkenalkan suatu teknik dekonvolusi regularisasi filter dan didiskusikan secara teknis detail dari fungsi dan cara kerjanya yang digunakan untuk merestorasi citra seismik yang mengalami pengaburan. Teknik ini bekerja menggunakan algoritma regularisasi filter untuk mendapatkan operator dekonvolusi terbaik. Hasil studi kami memperlihakan bahwa teknik ini mampu meningkatkan kualitas dari citra seismik yang pada akhirnya membantu untuk interpretasi."