Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRACT
Subsurface models of lithology are often poorly constrained due to the lack of dense well control. Although limited in vertical resolution, high-quality threedimensional (3-D) seismic data usually provide valuable information regarding the lateral variations of lithology. In this thesis, I will show how Bayesian approach can be used to generate seismically constrained models of lithology. Unlike cokriging-based simulation methods, this method does not rely on a generalized linear regression model, which is inadequate when combining discrete variables, such as lithology indicator; and continuous variables, such as seismic attributes. This method uses a Bayesian updating rule to construct a posterior probability distribution function of lithoclasses by using a priori information from well data and the seismic likelihood to constrain the 3-D geological scenarios produced by geostatistical technique, which is then sampled sequentially at all points in space to generate a set of realizations. The realizations define alternative, equiprobable lithologic models. The methodology was applied to delineate productive reservoir zone in Boonsville, Texas. To achieve better result in the Bayesian Sequential Indicator Simulation, I used acoustic impedance obtained from a seismic inversion process as the attribute to constrain the simulation. It is expected that by using this attribute, the separation of the litho-class conditional distribution will be well defined and at the same time minimizing the overlaps between the two distributions. The lithology classification obtained from BSIS is then integrated with the result of the seismic inversion to clearly delineate the productive zone in the field.

Abstrak :
Scan statistic merupakan suatu analisis untuk mendeteksi daerah yang merupakan kejadian luar biasa atau KLB (outbreak). Salah satu metode yang mendasari analisis scan statistic adalah metode Bayesian Scan Statistic. Metode ini menerapkan prinsip teorema bayesian, yaitu memanfaatkan informasi prior untuk menghasilkan informasi posterior yang dapat memperbaiki informasi prior. Metode Bayesian Scan Statistic memilih keadaan atau kondisi yang memiliki posterior probability yang terbesar sebagai daerah KLB-nya. Fungsi marginal likelihood dan prior probability merupakan dua komponen penting yang digunakan dalam metode ini untuk menghitung posterior probability untuk tiap-tiap daerah. Fungsi marginal likelihood didapat dari data historis dan modelnya merupakan gabungan antara distribusi poisson dan distribusi gamma. Sedangan untuk prior probability juga didapat dari data historis atau berdasarkan pada pengalaman seseorang. Metode bayesian scan statistic ini dapat digunakan jika terdapat data masa lalu. Kata kunci : bayesian scan statistic, bayesian cluster detection, prior probability, posterior probability. x + 54 hlm. ; gamb. ; lamp. ; tab. Bibliografi : 9 (1986-2006)

Abstrak :
Dalam Penelitian ini akan dicari taksiran mean stratum pada sampling acak stratifikasi. Pada sampling acak stratifikasi, seringkali hanya tersedia beberapa pengamatan pada masing-masing strata. Kecilnya ukuran sampel akan menyebabkan penaksir langsung dari mean stratum menjadi kurang tepat. Metode alternatif yang dapat digunakan untuk menaksir mean dari stratum adalah dengan menggunakan metode Empirical Bayes. Metode Empirical Bayes digunakan untuk mencari taksiran mean stratum pada sampling acak stratifikasi dengan cara menggabungkan informasi awal atau informasi yang telah tersedia sebelumnya tentang parameter yang akan ditaksir dengan informasi dari data sampel. Informasi awal disebut juga informasi prior. Penggabungan dari informasi prior dan informasi dari data akan menghasilkan informasi posterior. Dalam metode Empirical Bayes, informasi prior tidak tersedia sehingga informasi prior diestimasi dari data. ......In this research will find the estimated stratum mean in stratified random sampling. In the stratified random sampling, often only available a few observations in each strata. The small sample size would cause a direct estimator of the mean stratum becomes less precise. Alternative methods that can be used to estimate the mean of the stratum is to use the Empirical Bayes method. Empirical Bayes methods used to find the estimated mean stratum in stratified random sampling by combining the initial information or information that has been available previously on the parameters to be estimated with information from the data sample. Preliminary information also known as prior information. The incorporation of prior information and information from the data will result in posterior information. In the Empirical Bayes method, prior information is not available so the information estimated from prior data.

Abstrak :
Indonesia merupakan negara di dunia yang memiliki aktivitas seisimik yang tinggi. Jawa barat merupakan salah satu provinsi di Indonesia yang rawan terjadi gempa, karena di daerah Jawa Barat terdapat zona subduksi dan sesar geser. Kemunculan gempa berkekuatan besar dapat menyebabkan kerusakan dan menelan banyak korban jiwa. Oleh karena itu, ingin diketahui berapa probabilitas terjadinya gempa bumi berkekuatan besar di daerah Jawa Barat. Hal ini bertujuan untuk memprediksi kapan dan dimana gempa yang berkekuatan besar itu akan berpotensi besar terjadi. Salah satu metode statistika yang dapat digunakan untuk memecahkan masalah ini adalah pemodelan Bayesian. Penelitian ini menggunakan data gempa bumi di Jawa Barat pada tahun 1960-2009. Data tersebut berupa variabel lintang, bujur, kedalaman pusat gempa, dan kekuatan gempa. Variabel lintang, bujur, dan kedalaman pusat gempa digunakan untuk mengelompokkan titik-titik gempa menjadi wilayah-wilayah rawan gempa dengan menggunakan metode two step cluster. Selanjutnya, pemodelan bayesian dilakukan di setiap wilayah rawan gempa tersebut untuk memprediksi probabilitas kemunculan gempa berkekuatan besar di daerah ini. Ternyata wilayah yang memiliki potensi kemunculan gempa berkekuatan besar yang cukup tinggi adalah kabupaten Garut, Bandung, dan laut Indonesia.

Abstrak :
ABSTRAK
Analisis survival merupakan analisis statistika yang digunakan untuk menyelidiki waktu tahan hidup suatu benda atau individu pada keadaan tertentu. Dalam melakukan analisis survival dibutuhkan data survival yang meliputi waktu survival dan status waktu survival dari objek yang diteliti. Data survival yang diperoleh dapat berupa data lengkap atau data tidak lengkap. Data tidak lengkap data tersensor dapat berupa data tersensor kanan, kiri, atau interval. Data tersensor kanan dapat berupa data tersensor kanan tipe I atau data tersensor kanan tipe II. Dalam penelitian ini akan digunakan data tersensor kanan tipe II. Fungsi survival yang akan digunakan adalah fungsi survival dari distribusi Lomax. Distribusi Lomax memiliki dua paremeter, yaitu parameter bentuk dan parameter skala. Dalam penelitian ini, parameter yang akan ditaksir adalah parameter bentuk dengan asumsi parameter skala telah diketahui. Metode yang digunakan dalam penelitian ini adalah metode Bayes. Penelitian ini akan menggunakan prior Gamma sebagai distribusi conjugate prior dan fungsi Loss yang akan digunakan dalam penelitian ini adalah balanced squared error loss function BSELF .

---

ABSTRACT
Survival analysis is a statistical analysis used to investigate the life time of an object or an individual in a special case. In survival analysis, survival data is needed which includes the survival time and status of the survival time of the object under study. The survival data obtained can be either complete data or incomplete data. Incomplete data censored data can be either right, left, or interval censored data. The right censored data can be either right censored data type I or type II. In this study will be used the right censored data type II. The survival function to be used is the survival function of the Lomax distribution. The Lomax distribution has two parameters, that is the shape parameter and the scale parameter. In this study, the parameter will be estimate is the shape parameter with the assumption of scale parameters has been known. The method used in this study is Bayes method. This study will use prior Gamma as conjugate prior distribution and Loss function will be used in this study is balanced squared error loss function BSELF.

Abstrak :
Pembiayaan yang disalurkan oleh Bank Pembiayaan Rakyat Syariah (BPRS) di Indonesia mengalami kenaikan sejak tahun 2015. Namun demikian, Non Performing Financing (NPF) BPRS di Indonesia terus meningkat. Hal ini menyebabkan menurunnya tingkat profitabilitas BPRS di Indonesia. Oleh karena itu, menentukan nasabah yang berpotensi mengalami pembiayaan bermasalah menjadi penting. Teknik klasifikasi dapat menjadi salah satu solusi agar BPRS dapat memprediksi dengan lebih akurat dan efisien. Dengan demikian, BPRS dapat menghindari kasus pembiayaan bermasalah Penelitian ini dilakukan di BPRS Serambi Mekkah yang terletak di Langsa, Aceh Timur. Variabel yang digunakan dalam penelitian ini adalah Nilai Jual, Nilai Jaminan, Periode Pembiayaan, Tingkat Keuntungan Disepakati, Pekerjaan Nasabah, Usia Nasabah, dan Riwayat Kelancaran Pembiayaan. Penelitian ini menggunakan metode Naïve Bayes dan Discriminant Analysis untuk mengklasifikasikan status akhir pembiayaan nasabah yang mengajukan pembiayaan. Hasil penelitian menunjukkan bahwa model Discriminant Analysis memiliki performa klasifikasi yang lebih baik dibandingkan dengan Naïve Bayes. Selain itu, penelitian ini juga melihat variabel yang paling berpengaruh terhadap pengklasifikasian status akhir nasabah variabel yang berpengaruh signifikan terhadap model klasifikasi adalah Periode Pembiayaan, Tingkat Keuntungan Disepakati, Umur Nasabah, dan Riwayat Kelancaran Pembiayaan. ......Financing demand in Sharia Rural Bank (BPRS) in Indonesia has been increasing since 2015. However, BPRS Non-Performing Financing (NPF) in Indonesia continues to increase. This causes a decrease in profit for BPRS across Indonesia. Therefore, determining bank customers who have the potential to experience financing default becomes crucial. Classification techniques can be a solution for BPRS to have a more accurate and efficient prediction system to avoid financing default. This research was conducted at BPRS Serambi Mekkah, located in Langsa, East Aceh. The variables used in this research are  Selling Price, Collateral Value, Financing Period, Agreed Margin Percentage, Customer’s Occupation, Customer’s Age, and Financing History. This study uses the Naïve Bayes and Discriminant Analysis methods to classify the final status of customers who apply for financing. The results show that the Discriminant Analysis model has a better classification performance compared to Naïve Bayes. In addition, this study also looks at the variables that have the most significant influence on the classification model. The variables that have a significant effect on the classification model are the Financing Period, Agreed Margin Percentage, Customer’s Age, and Financing History.

Abstrak :
Seismic inversion is used to make geological subsurface model in terms acoustic impedance. Seismic and well data is used as input on inversion process. Having both the data need to be integrated with geostatistic because they have different scale so more consistent geological model is made. The project area is Boonsville Field in Texas, US. This process is made with open-source software called Delivery which does model-based inversion with Bayesian approach. The result is acoustic impedance cross section which presented sand at Boonsville Filed. An attempt to image human body arm using Electrical Capacitance Volume Tomography (ECVT) system has been done. We used reconstruction method as Linear Back Projection (LBP), Landweber Equation (Iterative Linear Back Projection, ILBP) and Neural Network Multi-criterion Optimization image Reconstruction technique (NN-MOIRT) algorithms. The results from image reconstruction showed a possibility of human arm imaging with different image reconstruction. NN-MOIRT algorithm method results performed better image compared to LBP and ILBP methods. Image reconstruction process was conducted using MATLAB R2007b software.